基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。     

基于支持向量机的曲线重建方法

基于统计学习理论(SLT)的支持向量机(SVM)在高维空间中表示复杂函数是一种有效的通用方法，也是一种新的、很有发展前景的机器学习算法。文中简要介绍了基于支持向量机的理论，并在此基础上提出了一种基于支持向量机(SVM)的曲线重建算法，最后给出了实验，证明了该方法的有效性。     

基于支持向量机的地下水位预测

地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将支持向量机方法应用于地下水位预测,并提出相应的模型.实例分析结果表明,与基于GM(1,1)的预测模型相比,地下水位预测的支持向量机模型科学可行,预测精度高,对地下水位预测的问题具有较好的适用性.     

基于混沌优化支持向量机的大坝安全监控预测

首先介绍了基于统计学习理论的一种新的机器学习技术——支持向量机(Support Vector Machine,SVM),并针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的混沌优化(Chaos Optimi-zation)技术应用到支持向量机惩罚函数和核函数参数的优化,提出了混沌优化支持向量机(Chaos Optimization Support Vector Machine,COSVM)方法.根据丰满大坝1997-2004年的实际监测数据,建立了混沌优化支持向量机大坝安全监控预测模型,进行了与统计回归模型和BP神经网络模型的分析比较,结果表明,COSVM模型具有更高的预测精度,同时在较长时段的预测中,COSVM模型也表现出更好的泛化推广性能.     

基于小波分解—支持向量机的短时交通量预测

基于交通流预测问题与函数估计和逼近问题是等价的的思想,提出一种基于小波分解-支持向量回归的短时交通量预测方法。首先对交通量数据进行小波分解,然后分别对基本信号和不同分辨率的干扰信号建立支持向量机模型,最后对多个预测结果进行合成,从而得到交通量的预测结果,并利用实例计算显示模型具有较低的误差,证明了该方法具有很好的可靠性。     

支持向量机理论与应用

支持向量机是一种新型的机器学习方法,由于其出色的学习性能,该技术已成为国际机器学习领域新的研究热点.介绍了统计学习理论和以该理论为基础的支持向量机,并简述了支持向量机目前的应用状况,指出了支持向量机研究中待解决的一些问题和今后进一步的研究方向.     

基于最小二乘支持向量机的企业库存预测方法

针对目前常用的基于神经网络的库存预测方法存在收敛速度慢或不收敛、存在局部极小值、网络结构选择具有随机性且对小样本库存预测容易出现过学习现象等问题,提出了基于最小二乘支持向量机的企业库存预测算法。通过结合某公司的库存实际计算以及与其他预测方法进行比较,通过仿真试验和实际数据验证,该算法计算简单,且具有更好适应性和很好的鲁棒性等特点。     

基于BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP（Back Propagation）神经网络的交通流量预测模型。以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况。     

基于支持向量机的垃圾邮件过滤分析与实现

互联网的发展逐渐改变了人们的生活方式,电子邮件因其方便、快捷的特点已受到人们的青睐。但许多垃圾邮件同时也在网络中蔓延,占据了邮件服务器的大量存储空间,用户往往需要花费大量的时间去删除这些垃圾邮件。因此,研究邮件的自动过滤具有重要意义。邮件的自动过滤主要有基于规则和基于统计两种方式。而目前基于统计的过滤器中,常用的贝叶斯方法等是建立在经验风险最小化的基础之上,过滤器推广性能较差。支持向量机（SVM）是在统计学习理论的基础上发展而来的一种新的模式识别方法,在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。它不仅考虑了对推广能力的要求,而且追求在有限信息的条件下得到最优结果。因此,本文将支持向量机应用于邮件过滤,实验证明过滤效果较好。     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。     

基于小波分析的交通参数组合预测方法

为了更加准确地预测交通参数的变化趋势,结合小波理论处理时变信息的优势,设计了一种在小波分析的基础上利用BP神经网络进行预测的组合预测方法。该方法采用小波理论与神经网络结合的策略,具有普适性,且比传统的基于小波分析的组合预测过程简单,为大运算量的实时应用提供了可能。利用实际数据对该方法进行了验证,并与对比算法进行了效果对比。结果表明,本文提出的方法预测效果较好,具有一定的实用性。     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques

Short-term traffic flow prediction is one of the essential issues in intelligent transportation systems (ITS). A new two-stage traffic flow prediction method named AKNN-AVL method is presented, which c...     

基于图卷积网络的交通流预测方法综述

近年来,基于深度学习的交通流预测方法一直是交通流预测领域的研究热点.与传统卷积神经网络不同,适合处理非欧几里得数据的图卷积网络在空间特征建模方面表现出了强大的能力,而反映路网空间特征的拓扑图、距离图、流量相似图等正是典型的非欧几里得数据.因此,基于图卷积网络及其变体的交通流预测方法成为交通流预测领域的一个研究热点,并取得了很多有吸引力的研究结果.本文对近年来基于图卷积网络的交通流预测模型进行了分类和总结.首先,从图卷积网络的基本定义出发,结合空域图卷积和谱域图卷积的定义详述了图卷积的基本原理.其次,根据预测模型的网络结构特点,将基于图卷积网络的交通流预测模型分为“组合型”和“改进型”两大类,并对其中最具代表性的模型结构进行了详细分析和讨论. 此外,对交通流预测领域中常用于模型性能对比的典型数据集进行了综述,并以其中一个真实数据集为例开展仿真测试,展示了4个基于图卷积网络交通流预测模型的预测性能.最后,基于当前的研究现状和发展趋势,对基于图卷积网络的交通流预测方法研究领域中未来的研究热点和难点进行了开放性的讨论和展望.     

路网交通状态平衡控制方法

为了降低路网的拥挤度,提出了路网交通状态平衡控制方法。以交叉口最大饱和度代表交叉口交通状态,以路网最大饱和度最小为目标建立了路网交通状态平衡控制双层规划模型。利用遗传算法求解该规划模型,优化算法可以同时优化信号周期和各相位绿信比。考虑到整体延误、交通状态以及各个交叉口的重要度,对平衡控制方法进行了改进。数值模拟结果表明,本文方法可以在一定程度上降低关键区域的拥挤度。     

基于视频技术的交通流量预测

城市交通拥堵是一个世界性的难题,至今还没有特别有效的解决方法.目前正在研究、实施的智能运输交通系统(ITS),主要是通过对交通流量的合理调控,来优化路网的利用率.基于各路口的视频摄像系统,通过采集卡将获取的图像转化为实际的车流量信息.根据人工神经网络的理论建立BP算法的流量预测模型,用实际测得的流量信息,在MATLAB...     

基于差异驱动原理的道路交通安全评价

为了科学地评价省级区域的道路交通安全水平,提出了10个评价指标。依据2005年中国道路交通事故数据,运用差异驱动原理确定了5个指标的权重并构建了评价方法,综合评价了中国大陆31个省、直辖市、自治区的道路交通安全水平。研究结果表明,中国大陆各个省级区域道路交通安全水平差异较大,西部地区省份落后于东部。特别是西藏、青海等西部地区的道路交通安全水平与当地的社会经济发展状况之间的不协调性尤为明显,进而说明道路交通安全水平与当地社会经济发展水平的协调性更能体现区域交通安全状况。