基于模糊神经网络的信号交叉口交通量预测

预测精度高,实时性强的交叉口交通量预测算法可以极大地提高城市交通控制的效率。文中提出了基于模糊神经网络的信号交叉口交通量预测方法。该方法以模糊神经网络为核心,应用在线滚动学习模型实现交叉口交通量预测,并应用了交通量微观仿真系统对模型进行检验,仿真结果表明该模型比传统方法精度高,收敛速度快。本模型在城市交通控制系统研究中有巨大的应用潜力。     

基于神经网络模型的室内大规模人流密度预测

提出了一种新型的适用于大规模室内人流密度预测算法.在现有基于无线信号强度的人流密度估算算法基础上,引入加权运算来提升估算质量.进一步,根据连续若干个时间段内估算所得的人流密度,通过BP神经网络模型,对未来某一时刻该区域的人流密度进行预测.根据仿真模型和3个月的数据采集与分析,所得到预测模型的准确率达到了94.70%.      

基于预测分离的无线传感器网络多目标跟踪算法探讨

针对无线传感器网络目标跟踪中的限制因素,提出了一种基于预测分离的无线传感器网络多目标跟踪算法。该算法利用混叠信号分离的原理对多目标混叠信号进行分离,得出每个目标所产生的单一信号,计算每个目标的状态;根据目标前一时刻的状态,用直线预测的方法预测目标下一时刻的状态,最后通过仿真验证算法。     

基于时空特性的短时交通流预测模型

根据交通流的历史周期性和空间相关性,文中综合SARIMA模型在历史周期性预测上的优势和RBF模型在空间相关性预测上的优势,提出了SARIMA-RBF模型.该模型采用SARIMA模型通过历史数据预测下一时刻的交通流,然后将预测值与该点上下游关联的交通流数据相结合,采用RBF神经网络模型得出输出值,并将该输出值作为SARIMARBF模型对下一时刻交通流的预测结果.实验结果表明,该模型因同时考虑了交通流的历史周期性和空间相关性,相比SARIMA模型和RBF模型具有更好的交通流预测效果.     

基于TransCAD的交通需求预测研究

基于地理信息系统，研究使用交通规划软件TransCAD进行交通量预测，TransCAD软件在交通规划中简化并完善了交通需求预测的建模过程，介绍了预测系统的创建和编辑，讨论了在TransCAD中进行交通量预测的模型，并结合实际项目进行交通量预测研究，得到部分路网交通量分配结果，并对基于TransCAD的交通量需求预测方法进行分析，总结项目研究过程中遇到的问题，提出在使用TransCAD软件进行实际项目研究时的建议以及在我国使用TransCAD进行项目研究的不足。     

基于高斯核函数的短时交通流量预测

交通出行在人们的生活中占据了重要的地位,准确、短时交通流量预测有助于实现交通控制.本文采用基于高斯核函数的Nadaraya-Watson估计方法对短时交通流量进行了预测.以所选取路段的车流高峰时段为研究对象,根据当前时刻的车流量对下一时刻的流量值进行预测,其中相邻两时刻的时间间隔为5分钟;就所选的高斯核函数而言,根据试凑法,选定核函数带宽为8.结果表明,该方法的预测效果良好,其均等系数为0.996545243,达到了很好的预测效果.     

基于非参数核密度估计的集装箱码头交通需求预测模型

针对现有集装箱集疏港时间概率分布建模中需要假设参数分布的问题,基于非参数核密度估计理论建立集装箱码头交通需求预测模型.非参数核密度估计的核函数选取高斯核,最优带宽由交叉验证法求得,通过检验、K-S检验和后验检验对比分析了核密度估计与两种传统参数模型的估计效果,并应用该模型预测DCT码头的交通需求.结果表明:非参数核密度估计模型具有更高的拟合精度、稳定性和适用性,得到的概率密度曲线能更加准确反映出口箱集港时间和进口箱疏港时间的整体分布形态,基于非参数核密度估计的集装箱码头交通需求预测模型具有比传统的参数模型更高的预测精度,可为集装箱码头基础设施规划、集疏港通道的道路交通管理、码头资源优化配置和调度等问题的研究提供更准确的交通量和作业任务量预测.     

永磁无刷直流电机驱动系统的动态模型

分析逆变器－永磁无刷电机系统的工作过程和建立此系统的一种动态模型．在此模型中,只要给出任何一时刻转子的位置信号和电机的一些参数,就可以推测下一时刻的相电流、转矩等波形．给出仿真和实验结果．     

基于非集计模型的城市铁路线路客流量预测研究

首先通过比较中国和世界上有代表性的几座大城市交通设施建设情况,提出在中国特大城市建设立体交通体系的必要性.然后,给出规划立体交通体系的技术方法,即利用个人出行调查数据和实测数据、预测各种出行目的的交通方式交通量的技术方法.还以日本大阪市港区--南港城市轨道线路为例,进行实例介绍.采用非集计模型进行了交通方式划分,并且利用个人出行调查数据拟合模型中的参数.在城市铁路线路交通量分配中,仍然采用了非集计模型,预测出了铁路各站的客流量,为城市综合交通设施的建设提供科学根据.     

基于云模型的无线传感器网络目标追踪算法

针对无线传感器网络中现有目标跟踪算法存在的不足,提出了一种基于云模型的目标跟踪算法(CMTT).该算法将传感器网络中的目标跟踪作为一个云模型的状态预测问题来处理,首先利用云模型预测目标下一时刻将要经过的区域,然后将该信息传送到预测区域,实现对追踪目标的预测和感知.仿真结果表明:对于线性和非线性目标跟踪问题,该算法具有良好的跟踪效率和跟踪精度.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于粒子群优化-支持向量回归的高速公路短时交通流预测

为实现高速公路短时非线性交通流的精准预测,依托高速公路运营积累的大量数据资源,构建了基于粒子群优化(par-ticle swarm optimization,PSO)的支持向量回归(support vector regression,SVR)预测模型.首先,对获取的高速公路交通流数据进行异常值剔除、缺失值填充以及归一化等预处理;其次,基于SVR算法采用滑动窗口的方式建立预测模型,并基于具有较强寻优能力的PSO优化算法获取SVR模型的最优参数组合;最后,通过京台高速济南西收费站断面交通流数据进行实例验证.模型的预测结果表明,所提出的高速公路短时交通流预测模型能够满足实际需求,且相较反向传播(back propagation,BP)、差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)模型具有较高的准确性,可为日后高速公路运营决策提供理论支持.     

基于流形距离的高速公路短时交通流预测模型

准确的高速公路短时交通流预测是实现交通诱导和控制的重要前提和基础。为了提高预测精度,提出一种基于流形距离(MD)的K近邻-长短期记忆(K-nearest neighbor-long short-term memory,KNN-LSTM)高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。实验表明,与单一预测模型相比,该方法能更好地提取交通流时空特性且预测精度更高,可为高速公路的交通管理提供必要的依据。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

一种改进的小波神经网络的网络流量预测算法

为了有效地对网络进行维护,提高网络性能,预知网络流量可以提前对网络出现的问题采取应对策略,从而对用户提供更好的服务。在神经网络预测模型中把隐含层的传递函数用小波函数替换,并采用共轭梯度下降算法,建立了一个小波神经网络的网络流量预测模型。通过实际流量数据对模型进行仿真,结果显示该模型与神经网络预测模型相比,该网络具有良好的预测效果,网络训练时间短,有效地提高了训练速度。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

双机制Stacking集成模型在短时交通流量预测中的应用

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息.通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性.选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析.实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性.     

高速公路网络交通突发事件辐射范围预测模型

在传统密闭道路集散波模型的基础上,提出了考虑汇入汇出匝道及衔接道路的路网事件辐射范围预测模型.该模型根据事件持续时间各阶段产生的集散波传播参数的不同,描述了在各列集散波相互作用下,事件造成的偶发性交通拥堵对路网范围交通流辐射影响的六种情况,并推导出了每种情况下的影响长度计算公式.然后,以面向对象的编程思路,构造了集散波类并模拟集散波在路网中的辐射过程,并通过渲染GIS地图来展示事件辐射态势.最后,利用AIMSUN交通仿真技术,检验了辐射预测模型的有效性,并进行了预测误差的致因分析.