基于门控循环单元神经网络的公交到站时间预测

为提高用户公交出行积极性、方便管理部门合理调度公交班次,利用大数据分析公交浮动车辆历史GPS数据,考虑不同线路、公交站点地理位置、不同驾驶员、气象情况、时间分布等多因素的影响,建立了一种基于门控循环单元(gated recurrent unit, GRU)神经网络的公交到站时间预测模型。该模型结合5 000多万条原始数据,借助分布式Hadoop集群中的Spark弹性分布式数据集进行数据清理,并运用站点匹配算法进行源数据匹配、Lasso算法优化特征选项及去除干扰。实验仿真结果表明:改进的GRU模型R-square拟合度达到94.547%,并且算法效率较传统长短期记忆(long short-term memory,LSTM)神经网络提高了近14%,为进一步提高公交到站时间的预测精度与效率提供了参考。     

基于经验模态分解-粒子群优化-长短期记忆的车间电力能耗预测方法

针对传统能耗预测方法不能充分提取数据特征并利用神经网络的学习、预测能力，提出了一种基于经验模态分解-粒子群优化-长短期记忆(EMD-PSO-LSTM)的电力能耗预测模型。该模型首先采用经验模态分解算法将时间序列数据分解为多个本征模函数分量和趋势分量，然后对每个分量分别建立长短期记忆网络进行预测。各个长短期记忆网络的参数则由粒子群算法分别进行最优化求解，最后将所有分量的预测结果进行叠加得到最终的能耗预测结果。将预测结果与实际能耗数据进行对比分析来验证所提模型的预测性能。试验结果表明，该方法能够对电力能耗数据进行合理预测，预测精度较高。     

支持向量机在公交车辆运行时间预测中的应用

为实时获得道路交通状况并对车辆运行进行调度,开发一个基于支持向量机(SVM)的公交车辆到站时间预测模型,并以大连市23路公交车为例对该模型进行检验.结果表明,本文提出的SVM模型比历史平均模型(HMP)和神经网络模型(ANN)的预测精度更高.     

GA-Elman公交车辆到站时间预测模型

为了建立完善的公交系统,提出了基于GA-Elman的公交到站时间预测模型,进行公交到站时间预测．模型中以时间段、天气、路段和当前路段运行时间为输入量,以福州市第20路公交车为例进行验证．验证结果表明,该模型比单纯用Elman神经网络的预测模型计算量小,能够较准确地进行公交到站时间预测．     

基于分解与集成的空气质量指数预测

为了能够准确地预测空气质量指数（AQI），建立了基于集合经验模态分解（EEMD）-样本熵（SE）的极限学习机（ELM）和门控循环单元（GRU）组合的AQI预测模型。首先利用EEMD算法对AQI数据进行分解，得到一组不同尺度的本征模态函数分量和残余分量；其次计算各分量SE值，根据各分量SE值将各分量重新组合成新的序列，并将新序列按其复杂程度经过GRU模型或ELM模型进行预测；最后将所有结果叠加得到AQI预测值。实验结果表明，与反向传播（Back Propagation,BP）神经网络模型、长短期记忆网络（Long Short-term Memory,LSTM）模型、ELM模型、GRU模型、EEMD-SE-ELM模型、EEMD-SE-GRU模型和EMD（经验模态分解）-SE-ELM-GRU模型相比，基于EEMD-SE-ELM-GRU的组合预测模型其预测误差最小，预测精度最高。     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测,综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响,提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先,提出了一种综合相关性分析模型,结合多种特征选择方法对多维气象特征实现综合评价,准确筛选与风电功率相关性较高的气象特征,提高预测精度。其次,针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多,模态混叠程度加剧的问题,提出了SECEEMD分解算法,在降低分量数量,降低模态混叠程度的同时,提高模型的训练速度。然后,分别建立NWP-LSTM和SECEEMD-BP预测模型,并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构;最后,通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据,经验证,本文所提预测模型,能较大程度提高预测精度,相较于一般预测模型,R2-Score分别提高了4%和0.6%,MAE分别降低了44%和1.1%,证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度,更加适合进行风电功率预测。     

基于公交运行数据的到站时间填充方法

公交实时到站数据是乘客出行行为分析的基础,但是现有公交运行数据存在到站时间缺失问题。以公交实时到站数据为基础,结合公交车辆的运行特性以及拥堵传播特性,建立考虑多因素加权的多项式插值方法,对公交车辆的到站缺失数据进行填补。填补后的到站时间能够更详细地描述车辆运行过程,得到更精确的车辆到站间隔。应用该方法对北京市地面公交运行数据进行补全,得到了修正的时刻表,并对公交运行间隔与串车现象进行分析。     

基于公交运行数据的到站时间填充方法

公交实时到站数据是乘客出行行为分析的基础,但是现有公交运行数据存在到站时间缺失问题。以公交实时到站数据为基础,结合公交车辆的运行特性以及拥堵传播特性,建立考虑多因素加权的多项式插值方法,对公交车辆的到站缺失数据进行填补。填补后的到站时间能够更详细地描述车辆运行过程,得到更精确的车辆到站间隔。应用该方法对北京市地面公交运行数据进行补全,得到了修正的时刻表,并对公交运行间隔与串车现象进行分析。     

基于双阶段注意力机制的大坝变形深度学习预测模型

为提升大坝结构变形预测精度，采用完全自适应噪声集合经验模态分解(CEEMDAN)法将变形实测序列解耦为一系列具有不同时频特征的本征模态函数，使用小波阈值消噪对高频分量平稳化处理后进行重构，利用基于双阶段注意力机制的长短期记忆网络(DA-LSTM)模型对重构变形序列进行预测。实例验证结果表明，联合CEEMDAN算法和小波阈值消噪方法能够有效识别并清洗实测数据中的异常值，提升了测值对大坝运行性态的表征能力，同时DA-LSTM模型可以充分挖掘大坝变形的滞后性和增强网络的可解释性，据此构建的变形预测模型具有优良的稳健性。     

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.     

基于CEEMD-LSTM光伏短期功率预测

为解决传统机器学习方法在面对多变的环境因素和不平稳序列时导致光伏功率预测精度低的问题,本文提出一种基于完全经验模态分解(Complete Ensemble Empirical Mode Decomposition , CEEMD)和长短期记忆神经网络(Long Short-Term Memory , LSTM)相结合的光伏短期功率预测模型。首先充分考虑影响光伏出力的太阳辐照度,相对湿度,大气压力和空气温度4种环境因素,通过CEEMD将气象因素特征曲线分解为多模态特征数据,准确捕捉其不同的时间尺度和频率特征,进而充分保留环境数据的不平稳特征。在此基础上,利用LSTM网络对多模态特征数据进行时间序列建模,旨在保留时间序列的季节性和不平稳特征,为后续建模提供更准确的输入特征。最后,通过对分解后的信号开展训练,根据输入数据的变化自适应调整预测模型参数,迭代生成特定场景下的预测模型,从而灵活应对实时环境变化,得到相应功率预测结果。本文在海南一孤立海岛分布式光伏电站37kW子阵的8个月气象和功率数据集进行验证,实验结果表明,所提方法在保留环境数据细节和局部特性上具有显著优势,在不同气象条件均具有良好的自适应性,有效提高了光伏短期功率预测精度。     

基于交叉口相位裕量时间的公交准点控制模型

为了提高公交准点率,提出了一种利用上游交叉口信号配时方案调控公交车辆到达下游公交站点时刻的方法.通过引入交叉口相位裕量时间,调节公交车辆实际与计划驶离上游交叉口之间的时间偏差,建立了基于交叉口相位裕量时间的公交准点控制模型;通过优化干线交叉口的公共信号周期和相位差,得到了面向准点率控制的公交计划到站时刻表制定方法.算例仿真实验结果表明,该控制模型可以提升公交到站的准点性,所确定的公交时刻表方案具有较好的控制效果.     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆（long short term memory,LSTM）的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归（support vector regression,SVR）模型的预测性能低于深度学习模型,LSTM模型的R Square较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元（gated recurrent unit,GRU）模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

基于模糊神经网络的短时公交到站时间预测

研究了中国公交运营特点,利用全球定位系统和电子票务收费系统收集的车辆实时信息,建立了路段和站点补偿模糊神经网络模型,分别预测车辆的路段行驶时间和站点停留时间.路段预测模型的输入是所有重合线路的站点行驶数据,改变了现有预测模型只采用单线路数据的不足.以济南市一条实际公交线路为例,利用VISSIM模拟专用道和非专用道两种道...     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

考虑上游信号控制的公交停靠站车辆延误模型

针对公交停靠站运行效率缺少评价方法的问题,以时空轨迹图描述公交车辆在停靠站的到达、服务及驶离过程,在考虑上游交通信号配时影响的情况下,建立公交车辆延误与到达率、服务时间的数学关系模型,并通过实际调查数据验证模型的有效性.结果表明在不同条件下模型计算结果与实测值的相对误差为9.98%,能够准确反映公交停靠站的运行机理,对于评价公交停靠站的服务水平和分析相关影响因素提供了重要依据.     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。