基于GA-WNN和时空特性的交通数据融合

由于时间序列的交通数据重点关注断面交通流量变化,而空间序列的交通数据主要关注路网交通流分布;本文在综合考虑二者特性的前提下利用遗传算法的群体搜索技术及小波神经网络的较强学习能力,提出了基于遗传-小波神经网络（GA-WNN）的交通数据融合模型,使用MAE、MRE和MSE三个指标对交通数据序列进行优劣对比分析。经实例验证,考虑时空特性的交通数据其数据质量优于单一的时间序列和空间序列。     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

基于GPS数据的高速公路行程时间估计与可靠性分析

准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义。针对目前行程时间估计准确性不高、可靠性分析不够全面的问题,提出基于BP神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性。以广州机场高速公路GPS浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性。     

一种基于改进型RBF神经网络的非线性时间序列预测模型

RBF神经网络具有收敛速度缓慢、全局搜索能力差等缺点,提出了一种基于遗传算法的RBF神经网络,经过自适应遗传算子参数优化,提高了RBF神经网络模型的预测精度,实现了非线性时间序列的预测.仿真实验结果表明,基于遗传算法的RBF网络预测模型非常适合非线性时间序列的预测,是可行的、精准的、有效的.     

基于多源ITS数据的行程时间预测体系框架及核心技术

针对当前城市道路行程时间预测系统性不强等问题,构建基于多源数据的行程时间预测体系框架,阐述预测过程涉及的关键技术.框架的构建以固定式和移动式2类采集方式获得的交通数据为出发点,将预测过程划分为估计和预测两个阶段.提出固定式采集方式获取的速度数据用于行程时间的间接估计和预测的关键技术为空间平均速度的估计;移动式采集方式获...     

基于GA优化BP神经网络的WSN数据融合技术研究

为减少无线传感器网络中节点的数据通讯量,降低能量消耗,达到数据融合的目的,设计了一种基于遗传算法优化BP神经网络的数据融合算法(BPGA),阐述了数据融合原理、BP神经网络和遗传算法,介绍了遗传算法优化BP神经网络的数据融合方法,利用遗传算法优化神经网络的权值、阀值及隐含层结构,然后通过优化后的神经网络提取无线传感器网络中原始数据的特征信息,并将特征信息发送给汇聚节点,从而提高网络数据采集效率,延长网络生命周期。最后通过与LEACH、BPNDA算法进行仿真实验比较,证明了其有效性。     

交通分配中路段行程时间函数研究

本文讨论了我国混合交通条件下的城市道路路段行程时间函数模型，首先，我们运用交通流理论知识，构造出道路横断面不同路幅形式下的路段行程时间函数模型。其次，我们给出了在现场数据下，用非线性回归分析的方法。标定理论模型中待定参数值的方法。     

基于时间周期的无线传感器网络数据融合

无线传感器网络中传感器的能量有限,怎样节约能量延长传感器的寿命,是无线传感器研究网络研究中的重要问题。数据融合作为无线传感器网络的关键技术之一,它的作用体现在减少数据的上传量,提高数据准确性,节省能量等方面。研究传感器节点收集到的大量数据,发现数据满足周期性,提出了基于时间周期的数据融合算法。在融合算法中根据历史数据基于拉格朗日插值法的预测算法预测未来数据,设置误差阈值来检测预测数据。室外温度数据满足文章研究的条件,因此基于时间周期的无线传感器网络数据融合算法以沈阳地区夏天温度数据为样本,用Matlab进行仿真实验对该算法进行了验证,实验结果表明该算法减少了传输的数据量,节约了节点的能量,延长了网络的寿命。     

基于行程时间可靠度的区域交通控制系统评价方法

在定义行程时间可靠度的基础上,利用浮动车调查数据,得到不同时段路径行程时间可靠度;然后建立了以行程时间可靠度为指标的城市区域控制系统运营效率的评价模型.该模型在武汉市区域控制系统评价中进行了应用研究,结果表明:区域交通控制系统运营后,早高峰、平峰和晚高峰3个时段路网行程时间可靠度显著提高,全日路径行程时间可靠性波动小于实施前,离散程度降低,城市交通系统的运行状态得到改善.相对于传统评价方法,所建模型灵敏度更高,适用性更强.     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

城市快速路实时交通状态估计和行程时间预测

根据城市快速路交通诱导和监控系统的实际需要,提出了实时估计和预测城市快速路上交通状态和任意两点间动态行程时间的方法.其基本思想是将扩展卡尔曼滤波理论引入宏观动态交通流模型,结合快速路上的固定检测设备,实时估计和预测未来几个时段的交通状态,并利用“虚拟车”法预测动态的行程时间.通过对上海市快速路典型实测数据的实例分析,发现交通状态估计模型具有良好的跟踪能力,行程时间预测模型在畅通状态计算结果和实测结果几乎完全重合,拥挤状态相对误差基本维持在10%以下.结果表明,该模型的适用性和精度都令人满意,可为城市快速路交通控制和诱导提供依据.     

MGM(1,n)模型下的公交车运行时间预测

针对城市公交系统的复杂性和随机性,应用灰色理论建立了公交车运行时间的多变量灰色预测模型(MGM(1,n)),对晴天高峰时段、雨天高峰时段和平峰时段的公交车运行时间进行预测.预测结果表明:不同时段公交车运行时间预测的平均相对误差均在5%以内,模型精度等级符合预测要求.     

基于协整理论的浮动车行程时间修正模型

以牌照识别数据为基础,将计量经济学中的协整理论与误差修正模型应用于数据融合技术,建立基于协整理论的浮动车行程时间修正模型. 以上海市高架路为例进行分析,证实了浮动车数据与牌照识别数据之间的协整关系,结果说明浮动车数据的短期波动受到了长期均衡与短期失衡的作用.     

基于仿真和流量估计的服务性交通指标预测

提出了基于应用微观交通仿真模型和短期交通量预测的服务性交通参数预测模型.根据实际的交通系统和研究目的建立应用仿真模型并进行模型参数标定和有效性验证.根据实时采集的交通量采用基于小波分析和ARIMA(Autoregressive Integrated Moving Average)模型的混合模型进行下一时刻的交通量预测.将预测的交通量输入到应用仿真模型,根据仿真输出得到下一时刻的服务性交通参数指标.应用实例表明,该模型能够较好地进行服务性交通参数的预测.     

基于数据元技术的交通科学数据目录设计

为了提高信息系统的互用性,实现交通科学数据在全社会范围内的集成与共享,依托国家科学数据共享工程项目,利用数据元理论提出了数据元目录的设计依据,并对其选取、分组和描述方法进行了阐述.以交通科学数据为实例,对设计方法进行了详细说明.给出了物理数据模型、数据分类模式以及数据元索引结果.结果表明,方法取得了良好的应用效果,所建立的数据元目录在交通科学数据共享中已显现了初步成效.研究成果对科学数据共享工程具有一定的参考价值.     

基于Stacking集成模型的网络流量预测研究

针对网络流量预测准确率不够高的问题,结合当下流行的集成学习(Ensemble Learning),提出一种Stacking集成多种模型的网络流量预测方法;将天气因素量化后作为输入,使用7个机器学习模型分别对网络流量进行预测,然后根据对不同模型预测结果的Pearson相关系数的分析,选取相关性较弱的5个模型作为Stack...     

基于短时灰预测的像素预测模型

提出了一种采用GM(1,1)模型预测目标特征变化的新方法。该方法通过对目标区域进行分块,计算块区域像素和,同时利用短时时间序列对像素和序列进行累加处理生成新序列,通过GM(1,1)模型得到目标的预测模型。GM(1,1)像素预测模型方法对目标具有较强的预判能力,对短时特征变化具有较好的预测能力。跟踪算法能很好地将特征变化与预测结合到一起,利用该方法进行跟踪测试,对比当前传统跟踪算法其跟踪性能有显著提高。