基于浮动车数据非参数回归短时交通速度预测

非参数回归算法是近年来提出的一种较新型的短时交通流预测算法,为了提高预测精度,提出了基于误差反馈的预测方法.加入误差反馈机制,针对状态向量中的权值进行实时的反馈修改,得到了较满意的结果.采用成都市浮动车系统中的出租车浮动车数据对红星路二段的速度进行了预测,预测结果表明,该算法的预测精度优于无反馈的非参数回归和BP神经网络.     

基于非参数回归的路段速度估算方法*

城市道路交通运行状况的及时获取对交通管理和出行有着重要的作用,而准确判断交通状况需要利用准确的交通流速度。针对城市道路配备有一定数量的固定检测器,但是浮动车覆盖率不足的情况,提出了基于非参数回归的路段速度估算方法。该方法有效结合固定检测器数据和浮动车数据,对不同时段、路段、天气对行驶速度的影响分别进行分析,建立状态模式库,利用模式匹配估算出道路交通流速度。通过算例分析比较,可知该算法具有较高的准确度。     

基于非参数样条拟合的交通流预测方法研究

准确的交通流短时预测是智能交通系统,尤其是其先进的交通管理系统与先进的出行者信息系统研究的关键内容之一。随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般预测方法的预测精度大大降低。针对智能交通系统的开发,论文将样条拟合的思想应用到交通流预测领域,利用贝努利多项式求解核函数,进而利用非参数回归理论进行交通流预测。经过实测数据仿真试验表明,样条拟合能较好地兼顾最优拟合与曲线光滑度的选择,算法的预测效果良好。     

非参数回归算法在短时交通流预测中的应用

由于城市道路交通系统中的交通流演变存在随机性和复杂性,且实时交通状态判别本身具有不确定性,故实时、准确的短时交通流预测是交通控制与诱导的一个关键因素。利用非参数回归对短时交通流进行预测是一种较好的预测方法,它能够很好地体现交通流的非线性、时变性和不确定性。为进一步提高预测的准确性,对K近邻的非参数回归方法进行了改进。结果表明,改进模型预报准确率更高,稳定性更好。     

基于遗传算法优化和KD树的交通流非参数回归预测方法

非参数回归预测方法在交通流短时预测中得到了广泛应用.针对提高搜索速度和关键参数的优化设置两个问题,提出使用KD树作为模式库的存储结构,能够有效提高搜索速度,并且能够在实际运行中不断将新发现的交通流模式实时地加入模式库.提出使用遗传算法对非参数回归中的重要参数进行优化,实验表明能够得到相对较优的参数设置.所得研究结果为实时的交通流短时预测系统提供了一种较好的预测方法.     

基于非参数回归的神经网络集成降水预报模型

利用粒子群优化算法的全局搜索能力,同时进化设计神经网络的网络结构和初始连接权,获得一组合适网络结构和初始连接权,再进行新一轮BP神经网络训练,获得一批独立的神经网络,进一步用主成份分析方法提取有效因子,再采用非参数回归模型进行集成,建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型,以此对广西前汛期5,6月区域平均日降水量进行预报.结果表明,这里建立的3个区域日平均降水量神经网络预报模型,在预报性能上明显优于同期的T213降水预报.     

基于交通小区短时交通生成预测的城市道路网短时动态交通预测研究

城市道路周边用地性质的不同导致短时发生和吸引交通量的差异,直接影响城市道路网上的交通流。论文对城市路网中各地块的发生和吸引交通量进行短时预测,将预测的交通量通过动态交通分配到城市路网中,以此实现城市路网短时动态交通预测。将单一的BP神经网络模型为对比模型,对模型进行训练及参数标定,并检验模型的预测效果。实验结果表明,论文所提的预测方法与BP神经网络相比,预测精度最高可提升84.28%。     

基于GRU-GCN-RDrop模型的交通速度预测

准确并实时地预测交通速度是实现智能交通管控和建设智慧交通系统必不可少的一环,然而现有的预测方法无法准确地挖掘其潜在的时空相关性。为了进一步挖掘数据的时空特性以及提高预测精度,设计了基于门控循环神经网络(GRU),图卷积网络(GCN)和正则化Dropout(R-Drop)结合的GRU-GCN-RDrop组合模型。GCN用于学习复杂的拓扑结构来捕获空间依赖性,GRU用于学习交通数据的动态变化来捕获时间依赖性。GCN和GRU相结合后使用R-Drop方法提高模型泛化能力。以SZ-taxi数据集为例进行预测分析,GRU-GCN-RDrop模型预测了未来在15分钟、30分钟、45分钟和60分钟的交通速度,并得出对应的均方根误差、平均绝对误差、精度、判定系数和解释方差。对比GCN、GRU单个模型,GRU-GCN-RDrop模型有效解决了误差的迅速累积问题。对比大多数现有基准模型,GRU-GCN-RDrop模型对于交通速度序列的特征提取及解释能力较为优秀。对比T-GCN模型和ST-AGTCN模型,GRU-GCN-RDrop模型泛化能力更强。由此说明了GRU-GCN-RDrop模型预测的交通速度时间序列...     

基于非参数密度估计的不确定轨迹预测方法

随着大量移动设备的出现,准确和高效的轨迹预测有助于提高面向位置的应用和服务的质量和水平.针对现有方法对轨迹不确定性缺乏有效建模的问题,提出了基于非参数密度估计的不确定轨迹终点预测方法.在轨迹建模及模型训练阶段,利用非参数估计对起点与终点相同的轨迹构建基于密度分布的不确定轨迹模型;在轨迹预测阶段,将待预测轨迹视为轨迹数据流,并通过KS（Kolmogorov-Smirnov）检验方法与具有相同起点的不确定轨迹模型进行匹配,其中匹配程度最高的不确定轨迹即为预测轨迹.通过真实轨迹数据集上的实验表明,与现有各类主要轨迹预测方法相比,本方法在不同条件下的预测效率与准确性都有较明显优势.     

基于图卷积网络的短时交通速度预测

交通预测是构建智能交通系统的重要技术,实时准确的交通预测有利于规划路线,提高出行效率.为提高交通速度预测精度,提出一种基于图卷积网络的短时交通速度预测模型.首先对交通速度数据进行时空特征分析,然后结合数据空间特性构造可学习的邻接矩阵来建立图卷积网络,同时考虑到交通数据的时间特性,因此在图卷积的基础上又添加了长短期记忆网...     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

一种基于MapReduce的短时交通流预测方法

非参数回归方法是短时交通流预测常用的方法,但现有非参数回归方法存在预测速度与精度之间的矛盾.为此,提出一种适用于海量历史数据、基于MapReduce与遗传算法的非参数回归短时交通流预测方法.通过引入MapReduce并行计算框架,加快K最近邻算法的搜索速度.在数据预处理阶段利用遗传算法优化关键参数的设置,并采用MapReduce加速参数优化过程,以解决遗传算法迭代运算时间长的问题.实验结果表明,该方法在保证交通流预测精度的前提下,明显提高了预测速度,并且具有较好的可伸缩性.     

基于梯度提升回归树的短时交通流预测模型

短时交通流预测是交通流建模的一个重要组成部分,在城市道路交通的 管理和控制中起着重要的作用。然而,常见的时间序列模型(如ARIMA)、随机森林(RF)模型在交通流预测方面由于被构建模型产生的残差和输入变量所影响,其预测精度受到限制。针对该问题,提出了一种基于梯度提升回归树的短时交通预测模型来预测交通速度。首先,模型引入Huber损失函数作为模型残差的处理方法;其次, 在输入变量中考虑预测断面受到毗邻空间因素和时间因素相关性的影响。模型在训练过程中通过不断调整弱学习器的权重来纠正模型的残差,从而提高模型预测的精度。利用某城市快速路的交通速度数据进行实验,并使用MSE和MAPE等指标将本文模型与ARIMA模型和随机森林模型进行对比,结果表明,文中所提模型的预测精度最好,从而验证了模型在短时交通流预测方面的有效性。     

基于支持向量回归的年电力需求预测方法

建立在统计学习理论（SLT）和结构风险最小化（SRM）准则基础上的支持向量机（SVM）在理论上能够很好地平衡学习精度和泛化能力之间的矛盾,支持向量机回归（SVR）是处理小样本数据回归建模的有利工具。文中提出应用SVR求解年电力需求预测问题,给出了求解问题的具体过程和方法,并对比研究了SVR和BP网络预测方法。预测结果表明应用SVR预测年电力需求,不仅易于实现,而且精度较高,性能明显优于BP网络方法。     

基于模糊推理的无检测器路口短时交通流预测

短时交通流预测是交通诱导与控制的关键技术之一.针对目前无检测器路口交通流预测研究相对较少的情况,提出了一种基于模糊推理的无检测器路口交通流预测方法,即在研究交叉口相关性的基础上,确定关键路口,通过模糊化交通流数据得到无检测器路口与关键路口的模糊关系,接着用模糊推理法得到关键路口对无检测器路口的流量查询表,无检测器路口的流量预测直接由流星查询表得出.采用该方法对合肥市实际路口的交通流量进行预测,实验结果证明了该方法的有效性、可行性.     

基于组合模型的短时交通流预测方法

准确、实时的交通流预测对交通规划、交通管理和交通控制具有重要意义.然而,由于道路网络拓扑结构约束和交通流随时间动态变化的空时相关特性,交通流预测仍然具有挑战性.为了同时捕获交通流的空间和时间相关性,提出一种将图卷积网络(GCN)和门控循环单元(GRU)相结合的组合模型方法.利用GCU能够灵活处理图结构数据的优点来捕捉各个路段的空间特征,继而发挥GRU在处理时间序列方面的优势挖掘交通流的内在时间规律,空时融合后得到最终预测结果.利用美国交通研究数据实验室的高速公路交通数据对该模型进行仿真验证,结果表明,所提出的GCN-GRU组合模型方法具有更高的预测精度,预测结果优于自回归积分滑动平均(ARIMA)模型和GRU模型等基准预测方法.     

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。     

基于神经网络和遗传算法的VBR通信流量预测

论文阐述了利用神经网络预测由连续自动回归(AR)马尔可夫模型所代表的可变位速率通信流量(VBR);在这一理论的基础上,介绍一个BP神经网络模型,它采用拆分,组装方法来构造一个学习结果达到均方根误差全局最小点的BP神经网络,该方法结合遗传算法能有效克服局部极小点,缩短学习时间和减小学习难度,并能够精确地预测VBR通信流量。