基于相空间重构的短时交通流预测研究

短时交通流预测在城市交通控制和管理中起着十分重要的作用。本文通过分析短时交通流量数据在时间序列上的特点，引入混沌理论的分析方法，从非线性时间序列预测的角度对交通流量预测进行了研究。通过计算交通流系统相空间重构参数，给出了一种基于相空间重构理论的局部预测方法，对城市道路路段交通流量进行短时预测，取得了较为满意的效果。     

基于PSR-PSO-RBF的短时交通流预测方法

短时交通流预测可为智能交通控制和管理提供决策依据,为了提高短时交通流的预测精度,统筹考虑短时交通流的混沌时间序列和非线性特征,提出一种基于相空间重构和PSO-RBF的短时交通流预测方法(PSR-PSO-RBF方法)。采用延迟嵌入定理,构造一个基于相空间重构的短时交通流时间序列;在剖析RBF神经网络不足之处的基础上,采用PSO算法,确保短时交通流预测的精确度和可靠性。实例分析结果表明,该方法可有效提高短时交通流的预测精度和可靠性,其预测误差较小。     

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

短时交通流预测研究

对短时交通流进行了混沌识别,表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的交通流神经网络模型,理论上验证了该方法对短时交通流预测的有效性。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.     

基于粗糙集理论的短时交通流组合预测研究

为满足交通流诱导系统的理论需要,建立了一种基于粗糙集理论的实时交通流量组合预测模型。通过粗糙集理论来确定组合预测中的权系数,对路段的交通流做出短时预测。结合某路段的实际交通流数据,对预测模型进行仿真训练,经过比较分析,验证了该组合预测模型的有效性和实用性。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

基于聚类分析的非参数回归短时交通流预测方法

大部分非参数回归预测算法并不对交通流历史数据进行区分,而是将全部历史流量数据建立模式库进行分析.基于交通流的现实特征,提出基于聚类分析的非参数回归短时交通流预测方法,首先根据流量分布特点运用聚类分析将其分类成不同的流量模式,然后选择匹配待预测时刻的流量模式作为样本数据库运用非参数回归进行预测.实例计算结果表明,其预测精度优于传统非参数回归方法.      

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明：在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。

     

短时交通流预测系统的效率优化研究

针对短时交通流预测系统的功能需求特点,提出了一个分布式的系统框架,将系统的计算任务按照功能划分到不同的服务器上,从而降低了单个服务器的负荷,提高了整体的效率。通过对系统在北京市实际路网上运行的性能测试,找出了程序执行效率的瓶颈,分析了执行效率问题的主要原因,并给出了对效率问题的具体优化措施。经过实际验证,该技术方案很好地解决了系统的执行效率问题,满足了系统的实时性要求。     

基于相空间重构与LSSVM的交通流量预测

针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小,提出一种改进预测模型,该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空间重构后,运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练,并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明,改进方法比一般方法具有更好的适应能力和预测精度。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.     

基于投影寻踪回归模型的短时交通量预测研究

准确有效地预测短时交通量是实施交通诱导及控制的前提与关键。投影寻踪方法能从不符合正态分布的或没有多少先验信息的数据本身中找出其结构或特征,并能在线性投影中解决非线性结构的问题。文中将投影寻踪回归算法理论应用于短时交通量预测领域,采用正交Hermite多项式拟合岭函数,并用C＋＋语言设计出相应模型的实现算法,对短时交通量实施滚动预测。利用某快速路实际观测数据进行预测实验,实验结果证实该方法具有可行性、可靠性,有一定的实用价值。     

基于混沌理论的高速公路网短时交通流量预测研究

随着高速公路网的建成及其交通流量的不断增大,对高速路网交通流实时控制和诱导服务的需求日益突出,而高速公路网短时交通流量的预测,不仅是交通流实时控制和诱导服务的基础和依据,而且预测结果的准确性对改善高速公路网的通行能力和服务水平有重要影响。基于混沌时间序列分析和预测的理论,建立了高速公路网短时交通流预测模型,计算给定区域高速公路网多断面短时交通流量预测值,结果表明利用多维混沌时间序列法预测高速公路网短时交通流量可行且具有较高的精度。     

基于相似性的短时交通流预测

为了提高短时交通流的预测精度,更加精确地进行交通流规划和管理,引入了一种基于相似性的短时交通流预测方法。用该方法研究了美国加州高速公路某单点交通流在时间尺度上的相似性,发现同星期几交通流的相似性比相邻几天交通流的相似性大。在此基础上,建立了小波神经网络模型,将4个同星期几的交通流数据和相邻4天的交通流数据分别构成一组,各自采用200多组数据分别训练小波神经网络,然后对同一天的交通流进行了预测,发现前者的MRE、MSPE值比后者低,EC值比后者高,说明前者的预测精度高于后者,验证了所提方法的有效性。     

高速公路短时交通流预测方法对比分析

高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容,发现了目前高速公路短时交通流预测研究存在的不足,给出了高速公路短时交通流预测的流程,对高速公路短时交通流预测模型进行了分类比较,明确了不同模型的适用场景和优缺点,通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度,研究发现KNN模型的预测精度最高,明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于慢变量的交通客流预测模型

从影响交通客流分布的最主要因素——人口、能耗、区域面积出发,提出交通质量的概念,并基于它提出了新的交通发生(吸引)模型,参照万有引力定律对重力模型进行了改进。用实例将预测模型与传统的预测模型相比,说明模型的可行性和有效性。     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。