基于实时数据的网状城市快速路行驶时间预测方法研究

基于城市快速路实时管理和控制的思路,利用观测断面的数据,给出动态预测网状城市快速路上的交通状态和任意两点间行驶时间的方法。具体做法是,依据时序列数据、状态空间模型和自回归模型进行模型参数自拟合,并且预测出将来几个时段的交通状态,然后计算出行驶时间。最后,给出应用于城市快速路网的实例计算结果。结果表明,提出的方法可以用于预测路网上的交通状态和行驶时间,并为城市快速路的信息服务和交通诱导提供一种方法。     

基于思维进化优化的多源交通数据融合算法

针对交通数据多传感器融合算法精度不足、稳定性差等问题,提出一种基于思维进化算法(MEA)优化的BP神经网络(MEA-BP)融合算法。借助MEA所具有的"趋同"和"异化"操作,在介绍基本原理的基础上,设计了用于优化BP神经网络初始权值和阈值并定向搜寻最优BP神经网络融合模型的融合算法计算步骤。基于所选取的区间速度数据进行实证分析,结果表明:MEA-BP融合算法较BP神经网络算法具有更好的收敛性,在精度和稳定性方面分别提升了9. 38%和31. 44%;时间敏感性分析显示,MEA-BP融合算法也具有良好的可移植性。     

基于免疫算法优化LSSVM的短时交通流预测

为了智能化解决城市道路交通系统存在的问题,提高短时交通流预测的准确性,采用免疫算法优化的最小二乘支持向量机(LSSVM)建立短时交通流量预测模型。利用免疫算法对LSSVM中的惩罚因子和核函数参数进行优化,得到最优预测模型。以车辆行驶平均速度和占有率作为模型输入,交通流量作为输出进行预测仿真试验。试验结果表明:本文采用的优化LSSVM模型进行仿真试验的预测误差有所减小,输出结果更接近真实值。