基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

应用神经网络-时间序列预测路面平整度

以神经网络和时间序列分析方法为基础,采用零均值化、标准偏差预处理方法、规则化能量函数法和贝叶斯规则化方法进行BP神经网络建模,利用BP网络对平整度非平稳时序进行趋势项提取,使非平稳监测时序转化为平稳时序以进行常规ARMA时序分析。结合滚动预测方法,建立了适合平整度预测的神经网络时间序列分析联合模型,并以江苏省某高速公路的平整度数据为例进行了预测分析。研究结果表明：新模型的预测精度高、实时可靠,可应用于实际工程。     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

数控机床热误差的改进型灰色DGM(2,1)模型建模

针对机床热误差补偿的建模问题,提出了基于灰色DGM(2,1)模型对数控机床热误差进行分析、预测的方法.该模型在通过对原始数据序列进行累加、累减处理以减小其随机性,建立微分方程的方式建立动态模型以揭示数据序列的长期发展趋势的基础上,利用函数变换法改善数据序列的光滑性.通过对1台数控机床的实际切削加工实验数据进行建模分析,对该方法进行了验证.结果表明该方法克服了传统灰色GM(1,1)模型的不足,获得了更高的建模和预测精度,且具有计算简单,便于在线补偿应用等优点.     

基于径向基神经网络的大连站客运量预测

针对铁路客运量在时序上的复杂非线性特征,采用径向基函数(RBF)神经网络对铁路客运量时间序列进行预测.用自相关分析技术分析时间序列的延迟特性,据此确定RBF神经网络的输入、输出向量,建立了基于MATLAB7.0环境下的RBF神经网络客运量预测模型,并用大连站实际客运量数据进行了验证.结果表明,该模型拟合精度和预测精度较高、计算速度较快.     

基于RBF神经网络的港口集装箱吞吐量动态预测

针对港口集装箱吞吐量在时序上的复杂非线性特征,用自相关分析技术分析时间序列的延迟特性,确定神经网络的输入向量维数;用差分法对数据进行预处理,去除缓变部分,并在一定程度上减少随机噪声;引入延时内部反馈,构造基于径向基函数（RBF）网络的动态预测模型,并用大连港集装箱吞吐量实际数据进行了验证．结果表明：该模型拟合精度和预测精度高,具有很好的预测能力和应用价值．     

基于量子神经网络的道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

��������������ĵ�·��ͨ�¹�Ԥ��

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

基于自回归条件持续期模型的疲劳驾驶研究

对实际驾驶实验中不同驾驶员的车速数据进行处理,得到车速变化持续期间序列,应用自回归条件持续期模型(ACD),讨论了车速变化持续期的相关性质,并对模型的可靠性做了评估.使用ACD模型为车速变化持续期时间序列建模,其优点是能够在不损失原始非等间隔时间序列特性的条件下,直接分析得到驾驶状态的时域微观性质.采用EACD(1,1)和 WACD(1,1)模型对不同驾驶员的车速变化时间序列进行建模,结果表明：其具有较好的拟合程度,当实际期间小于条件预期期间,驾驶员的驾驶状态有变好的可能;当实际期间大于条件预期期间,驾驶员的驾驶状态有变差的可能.     

基于ARMA 预测模型的交叉口车辆碰撞风险评估

车辆进入交叉口前的速度时间序列可用于预测车辆进入交叉口后若干步数速度值,利用车速预测值推算冲突方向车辆在交叉口内的行驶位移及其车间距离,可评估车辆发生碰撞的风险.针对交叉口附近车速分布符合随机序列特征,采用自回归滑动平均 (ARMA)理论进行车速时序预测建模,步骤包括时序数据相关性检查、模型p-q 定阶、解析式系数估计、适用性检验.试验结果表明：利用实测车速中的前40 个时序数据建立ARMA 模型,预测出的20 个车速值与实测值贴近,冲突方向两车车速归一化平均绝对误差分别为0.006 56 和0.003 4;利用全部60 个实测数据建立预测模型,检测预测值残差自相关函数发现其绝对值均小于0.258 2,表明所建车速预测方法适用.     

路面随机激励时域模型特性的仿真研究

在分析白噪声法、谐波叠加法、FFT法和离散时序法4种常用路面不平度随机激励单点时域模型构建的基础上,对指定环境下4种模型的速度以及结果的波动性、统计学特性和合理性进行了仿真,比较和剖析了产生不同仿真效率和结果的本质所在.并对单点时域模型进行了拓展,分别构建了车辆的单轮辙多点、双轮辙多点时域模型.     

基于调制白噪声与查表法的非平稳路面不平度建模方法

针对实测道路功率谱密度频率结构不同与汽车行驶速度变化引起的非平稳问题, 分析了现有路面不平度模型的准确性, 提出了一种基于调制白噪声与查表法的非平稳路面不平度建模方法; 结合白噪声生成方法和离散功率谱密度的计算公式, 推导出了能够确保路面不平度计算功率谱与设计功率谱完全吻合的Band-Limited White Noise模块参数设定方法; 通过不同设定值组合的白噪声功率谱密度与路面不平度功率谱密度计算结果对比, 验证了所提出的Band-Limited White Noise模块参数设定值的准确性; 为解决频率指数不等于2的空间域内非平稳路面不平度建模问题, 提出了由1个基准项和若干个精度校正项组成, 且调制传递函数模的平方逼近具有任意频率指数的道路功率谱表达式; 为获取考虑车速变化影响的频率时变的时域内非平稳路面不平度输入模型, 基于空间路面不平度固定不变的原理, 提出了利用查表法, 获得变车速工况下时域内非平稳路面不平度; 通过空间域内非平稳路面不平度建模及考虑车速变化的非平稳路面不平度建模应用, 验证了所提建模方法的优越性。研究结果表明: 使用基于调制白噪声的非平稳路面不平度建模方法构建的空间域路面不平度功率谱曲线, 与应用实例中的设计目标曲线吻合良好, 且结合查表法可以有效地解决时变车速带来的时域内非平稳路面不平度建模问题。      

考虑前序路段状态的公交到站时间双层BPNN 预测模型

为提高公交到站时间预测精度,提出基于双层BPNN与前序路段状态的综合预测模型. 基于静态变量及顶层BPNN模型预测车辆到达每个站点的初始行程时间,利用K-means 聚类及马尔科夫链模型基于前序路段状态预测目标路段行驶时间;将上述两个模型的预测值及上一班次车辆的行程时间作为输入变量,基于底层BPNN模型预测车辆在目标路段的行程时间,进而动态调整车辆到达每个站点的时间. 以上海市791 路公交车早晚高峰各路段的行程时间为例进行模型测试,并与其他4 种模型进行比较. 结果表明,所提模型具有较高的预测精度,尤其在雨天,比传统BPNN模型预测精度提高57.25%.     

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM (Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交...     

基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

道路交通事故多因素时间序列宏观预测模型

针对现有道路交通事故预测方法在实际应用中的不足，引入多因素时间序列法，建立了道路交通事故多因素时间序列宏观预测模型．该预测模型兼有单因素时间序列法和多元线性回归法两者的优点，通过单因素时间序列法可以方便、快捷地得出事故影响因素的预测值，而利用多元线性回归法可将各种事故影响因素综合起来，预测出道路交通事故总体发展趋势．实例计算证明，道路交通事故多因素时间序列宏观预测模型能很好地适用于道路交通事故预测，同时具备了所需数据资料较少、建模简单、计算快捷等优点．     

城市道路交通系统频谱分析方法及应用

对实际道路交通系统特征的研究是通过分析布设在路网中不同地点大量交通信息采集设备采集的数据来进行的。交通信息采集是对城市道路交通系统在时间和空闻上一个采样过程,其数据具有时问和空间属性．本文系统地建立了一种城市道路交通系统频谱分析方法。对于时间采样,通过功率谱分析认为：不同的数据采样间隔,获得的交通信息不同,从而分析出的...     

先进出行信息下事故对行程时间可靠性的影响

定义路径行程时间可靠性为在交通事故期间内平均路径行驶时间小于事故前路径出行时间乘以可接受拥堵水平的概率,由此导出路网行程时间可靠性.假定事故持续时间服从正态分布并将研究时域划分成相同的时段,在先进出行信息下,利用元胞传输模型进行路段流量加载,给出了每一个时段内路径行程时间的递推式,并在每一个时段内更新1次路径出行时间,出行者根据更新的出行时间运用Logit模型进行路径决策,最后基于Monte-Carlo法模拟求解路网行程时间可靠性.算例结果表明,行程时间可靠性随事故持续时间和方差及需求的增加而减小;可靠性随可接受拥堵水平的增加而增加;在拥堵网络中,包含事故路段的OD间需求越高,可靠性越低.     

基于建成环境和低频浮动车数据的路段行程时间估计

将城市道路周边建成环境的相关属性作为路段行程时间的解释变量,结合城市低频浮动 车数据,在不需要速度等GPS信息的条件下研究建成环境属性因素对路段行程时间的影响。同 时,给出一种新的路段行程时间分布估计方法,即利用路段车辆数的分布代替路段长度作为路段 行程时间的分配比例系数,得到路段行程时间的分布情况。为验证所提方法的正确性,以辽宁省 丹东市振兴区锦山大街为例进行分析,用极大似然估计法得到各类建成环境对行程时间的影响 参数值,并对比研究路段在有、无建成环境影响下的行程时间。结果表明：道路周边的建成环境 会在不同时段导致路段行程时间显著增加,学校的影响时间段主要在6:00-7:20,医院、诊所集中 在7:00-8:00,交叉口造成的行程时间增量在研究范围内整体较为平均。通过似然比检验,验证了 将建成环境变量作为路段行程时间影响因素的可靠性。