基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测。当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题。为此,提出一种基于模糊神经网络的短时交通流预测方法。该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测。由此实现短时交通流的预测。实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

基于能力区域的交通状态预测方法

交通状态预测是交通流诱导和交通信息发布系统的重要依据.本文提出了一种基于能力区域的城市快速路交通状态预测方法,该方法通过构建神经网络分类器的能力区域,根据样本数据与交通状态类簇之间的空间距离,预测道路交通状态等级.神经网络分类器的能力区域能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性.实验结果表明,与经典的预测方法相比,其预测误差明显降低,均等系数增大,基于能力区域的方法预测交通状态具有较高的准确性.     

考虑动态车间距的一维元胞自动机交通流模型

基于NaSch元胞自动机交通流模型, 考虑司机复杂的性格特征和驾驶行为差异, 引入相邻车辆的动态车间距, 提出了一个改进的单车道元胞自动机交通流模型. 通过数值模拟得到了流量-密度关系, 在中高密度区域呈现出一种弥散分布的状态而非惟一确定的关系, 再现了交通系统中的自由流、同步流及宽幅运动阻塞, 表明道路上即使没有交通瓶颈也会出现同步流和拥挤交通, 同时揭示了在同步流中存在的车辆高速跟驰现象, 高速跟驰率与交通实测结果较为符合.     

公交车停靠诱发交通瓶颈的元胞自动机模拟

利用双车道元胞自动机模型,研究公交车停靠对道路混合交通流的影响.针对港湾式和非港湾式两种不同公交车站设置,在开放边界下模拟了公交车停靠所产生的交通瓶颈问题,给出了车辆入流概率-公交车比例相平面上的相图,区分了自由流相和拥挤相,研究了相图各区中公交车站附近的平均密度和速度分布图,比较了两种公交车站情况下的道路交通流的动力学特征.研究发现,当公交车比例较小时,与非港湾式车站相比,港湾式车站可以显著改善车站处的交通状况. 关键词： 元胞自动机 混合交通流 交通瓶颈 公交车站     

城市道路U形转向交通流特性模拟分析

以NaSch模型为基础建立设置U形转向的路段交通流模型,对其特性进行模拟分析. 结果表明,U形转向路口对交通流影响显著,会导致在较小进车概率时发生自由流状态到拥挤状态的相变,相应的临界流量也随之降低. 设置双U形转向系统的相变、临界流量等交通流特性与单转向系统具有明显差异,其系统效率较高. 在实际交通规划与管理时应避免设置单转向系统,以减小U形转向的负面影响. 关键词： 交通流 元胞自动机 U形转向 相变     

一种基于误差补偿的多元混沌时间序列混合预测模型

针对多元混沌时间序列的预测问题, 考虑到单纯改进储备池算法无法明显地提高预测精度, 提出一种基于误差补偿的时间序列混合预测模型. 实际观测的数据既包含线性特征又包含非线性特征. 首先利用自回归移动平均模型预测线性特征, 使得残差数据仅含非线性特征; 然后, 建立正则化回声状态网络模型预测; 最后, 将非线性部分的预测值与线性部分的预测值相加, 以实现高精度的多元混沌时间序列预测. 基于Lorenz和太阳黑子-黄河径流量时间序列的仿真实验验证了本文所提模型的有效性. 关键词： 回声状态网络 混沌 多元时间序列预测 误差补偿     

短时交通流复杂动力学特性分析及预测

为揭示短时交通流的内在动态特性,利用非线性方法对交通流混沌特性进行识别,为短时交通流的预测提供基础.基于混沌理论对交通流时间序列进行相空间重构,利用C-C算法计算时间延迟和嵌入维数,采用Grassberger-Procaccia算法计算吸引子关联维数,通过改进小数据量法计算最大Lyapunov指数来判别交通流时间序列的混沌特性.针对局域自适应预测方法在交通流多步预测中预测器系数无法调节的问题,提出了交通流多步自适应预测方法.通过实测数据计算,结果表明:2,4和5 min三种统计尺度的交通流时间序列均具有混沌特性;改进的小数据量法能够准确地计算出最大Lyapunov指数;构建的交通流多步自适应预测模型能够有效地预测交通流量的变化.为智能交通系统诱导和控制提供了依据.     

混合非机动车流的多值元胞机模型模拟研究

采用多值元胞机模型对混合非机动车流进行了建模模拟研究. 混合非机动车流在我国城市交通中主要表现为三轮车和自行车的混合. 针对三轮车和自行车实际尺寸的差异,设定自行车占据一个单位空间,三轮车占据两个单位空间. 模拟结果显示：在三轮车与慢速自行车混合的系统中,三轮车比例和三轮车先行概率不会对系统流量造成影响,而三轮车先行概率只会影响到车辆的平均速度;在三轮车与快速自行车混合的系统中,确定性条件下在自由流区域和堵塞流区域都会出现多分支现象,快速自行车具有慢化概率时多分支现象消失. 关键词： 混合非机动车流 元胞自动机 多分支     

速度限制对交通流的影响

运用元胞自动机模型研究单车道路面上设立限速区对交通流的影响.计算机模拟结果显示,在交通流与密度的基本图中存在饱和交通流量,其大小取决于限速区的最大速度.限速区的设立导致不同相的分离.在确定性的模型中,当车辆密度较低时,存在两种不同的自由流相;而当车辆密度较高时,出现最大交通流相和自由流相.在随机模型中,车辆密度较高时,出现最大交通流相-堵塞相-自由流.对交通流以及临界密度等量给出一些解析结果.     

交叉口混合交通流元胞自动机模型及仿真研究

本文以右转机动车和直行自行车为对象研究交叉口混合交通流特性.基于交叉口机非干扰特性,将机动车元胞模型和自行车元胞模型进行了耦合,建立了考虑自行车穿越机动车延时、机动车穿越自行车间隙和冲突区占据处置等规则的交叉口混合交通流元胞自动机模型(NS-BCA).对右转机动车与直行自行车混合交通流进行了仿真,从流量-车辆到达率关系、交通流相位相变、交通流相位-到达率-混合交通流状态等方面研究了交叉口混合交通流的机非干扰机理.     

基于改进时空Moran's I指数的道路交通状态特征分析

定义时空对象代替空间对象作为基本研究单元, 改进传统Moran's I指数为时空Moran's I指数, 以便适于分析道路交通的时空特性; 通过Moran散点图给出时空自相关意义下的交通流时空状态特征分类: 拥堵聚集、畅通聚集、拥堵异质和畅通异质.为说明改进时空Moran's I指数分析法的实际应用价值, 以北京市二环快速路外环方向的车流速度数据为例, 进行时空自相关指标计算, 并从全局与局部自相关两个方面分析时 空自相关指标所反映的交通状态时空分布与演化规律. 关键词： I指数')" href="#">改进Moran's I指数 交通状态 时空自相关 时空分布     

交通流量序列混沌特性分析及DFPSOVF预测模型

以实际采集的交通流量序列作为研究对象, 分别应用互信息法和虚假邻点法确定其延迟时间和最佳嵌入维数, 完成交通流量序列的相空间重构. 通过计算交通流量序列的饱和关联维数和最大Lyapunov指数判定其混沌特性. 以最小均方(LMS)算法为基础, 构建了一种基于Davidon-Fletcher-Powell方法的二阶Volterra模型(DFPSOVF), 其应用了一种可随输入信号变化而实时变化的基于后验误差假设的可变收敛因子技术. DFPSOVF模型避免了在Volterra模型中采用LMS自适应算法调整系数时参数选择不当引起的问题. 将DFPSOVF模型应用于具有混沌特性的短时交通流量预测, 结果表明: 当模型记忆长度与交通流量序列的嵌入维数选择一致时, 模型的预测精度较高, 可以满足交通诱导和交通控制的需要, 为智能交通控制提供了新方法、新思路及工程应用参考. 关键词： 交通流量 混沌 DFPSOVF模型 预测     

结合可视图的多状态交通流时间序列特性分析

交通流时间序列的研究主要采用数据挖掘和机器学习的方法,这些"黑箱"挖掘方法很难直观反映序列特性.为增强交通流时间序列及其特征分析的可视化性,结合可视图理论来构建交通流时间序列的关联网络,从复杂网络角度实现交通流时间序列的特性分析.在网络构建的过程中,考虑到不同交通状态下交通流表征具有的差异性,首先利用交通流参量的相关性对交通流状态进行分类,然后构建不同交通状态下的时间序列复杂网络,并对这些网络的特征属性给出统计分析,如度分布、聚类系数、网络直径、模块化等.研究表明,可视图法可为交通流时间序列映射到网络提供有效途径,并且不同状态下交通流时间序列构建的复杂网络的模块化、聚类系数和度分布等统计特征呈现一定的变化规律,为交通流运行态势的研究提供了可视化的分析角度.     

Incident Detection Method of Expressway Based on Traffic Flow Simulation Model

The expressway traffic incidents have the characteristics of high harmful, strong destructive and refractory. Incident detection can guarantee smooth operation of the expressway, reduce traffic congestion and avoid secondary accident by informing the accident, detection and treatment timely. In this paper, an incident detection method is proposed using the toll station data that takes into account the traffic ratio at the entrances and crossway in the network. The expressway traffic simulation model is improved and a simulation algorithm is established to describe the movement of the vehicles. A numerical example is experimented on the expressway network of Shandong province. The proposed method can effectively detect the expressway incidents, and dynamically estimate the traffic network states so as to provide advice for the highway management department.     

Network traffic prediction by a wavelet-based combined model

Network traffic prediction models can be grouped into two types, single models and combined ones. Combined models integrate several single models and thus can improve prediction accuracy. Based on wavelet transform, grey theory, and chaos theory, this paper proposes a novel combined model, wavelet--grey--chaos (WGC), for network traffic prediction. In the WGC model, we develop a time series decomposition method without the boundary problem by modifying the standard \grave\rm a trous algorithm, decompose the network traffic into two parts, the residual part and the burst part to alleviate the accumulated error problem, and employ the grey model GM(1,1) and chaos model to predict the residual part and the burst part respectively. Simulation results on real network traffic show that the WGC model does improve prediction accuracy.     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型