最优组合预测及其在短时交通流预测中的应用

交通流量预测结果的好坏直接关系到交通控制与诱导的效果,因此,短时交通流预测是先进交通管理信息系统中关键技术问题之一。在简要介绍最优组合预测模型基础上,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现交通流预测模型的最优组合,并利用实际数据通过与单一时间序列模型、线性回归模型、卡尔曼滤波模型及人工神经网络模型的预测精度比较分析,验证了交通流最优组合预测模型的有效性和实用性。     

桥区航道船舶通过能力仿真

为合理分析计算桥区航道船舶通过能力,根据武汉长江大桥桥区航道船舶AIS数据及实测数据,分析船舶类型比例、船舶尺寸分布规律、船舶到达速度分布规律、船舶到达规律分布和船舶间时距等数据特征,利用VC编程生成仿真船舶交通流,并嵌入电子江图,实现数据的可视化输出.建立桥区航道船舶通过能力仿真模型,通过数据输出及分析处理,实现桥区航道船舶通过能力的分析计算,可为桥区航道规划设计及航道整治提供理论依据.     

基于集合经验模态分解和差分进化算法优化BP神经网络的船舶交通流预测

针对船舶交通流时间序列的非线性和非平稳性特点,设计一种结合集合经验模态分解(ensemble empirical mode decomposition,EEMD)和差分进化算法优化BP神经网络(back propagation neural network optimized with differential evolution algorithm,DEBPNN)的船舶交通流组合预测模型(EEMD-DEBPNN).首先,利用EEMD算法降低船舶交通流时间序列的非平稳性;然后,对EEMD分解后获得的各非线性分量采用DEBPNN模型(先采用DE算法对BPNN的初始权值和阈值进行预寻优,再利用预寻优获得的初始权值和阈值训练BP神经网络得到最优的权值和阈值)进行预测;最后,再将各分量预测值进行叠加即得到最终预测结果.基于长江某港口航道船舶月交通流数据,将该组合模型与BPNN、DEBPNN模型进行实例对比分析.结果表明,EEMD-DEBPNN较DEBPNN、BPNN模型的预测精度更高.     

Y形分叉复式航道船舶交通调度优化建模

为解决复式航道中存在的船舶交通冲突,以天津港复式航道为原型,抽象出一种Y形分叉复式航道模型.基于该航道船舶交通流特点及航行规则,划定影响航道船舶交通的三个关键区域,分别构建航道入口处主、辅航道及航行模式分配模型,警戒区主、辅航道交通流转换模型及Y字航道口分合流模型,以船舶总等待时间最小为目标函数,建立复式航道船舶调度数学模型,并设计相应的遗传算法求解模型.基于船舶进出复式航道模拟数据,利用MATLAB进行仿真实验.经过航行连续性、安全性、调度高效性分析,验证了模型的合理性及算法的有效性,可为VTS管理人员进行复杂水域船舶交通管理提供辅助决策.     

基于船舶行为特征的港口航道通过能力仿真

为使港口航道通过能力的计算更符合港口航道的实际情况,分析了港口航道系统特征及船舶交通流特征,建立基于船舶行为特征的港口航道通过能力模型.定义船舶行为特征的有关概念,并根据国内某大型海港的历史资料进行模型仿真试验.结果表明,该模型能较好地模拟港口航道交通流的实际运行状况,对港口航道通过能力的计算、评估和预测具有重要的理论价值和实际意义.     

基于ARIMA-KF模型的船舶系统设备状态参数预测

针对目前大多数预测模型在船舶智能运维领域应用过程中存在的预测精度偏低、模型不易构建等问题,提出了自回归积分滑动平均模型(Auto-Regressive Integrated Moving-Average Model,ARIMA)和卡尔曼滤波(Kalman-filter,KF)相结合的船舶系统设备状态参数组合预测模型—ARIMA-KF模型。该模型首先构建了自回归积分滑动平均(ARIMA)单步和多步预测模型;然后利用卡尔曼滤波(KF)算法对ARIMA预测模型参数值进行寻优,得到ARIMA-KF组合预测模型;最后,基于组合模型对船舶海水冷却系统状态参数进行预测,将预测值与实船获取的实际值进行对比及误差分析。结果表明,采用基于ARIMA-KF组合模型比单一的ARIMA模型预测精度提高3%左右。研究结果对船舶系统设备的健康管理和视情维修具有一定的指导意义。     

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。     

基于交通流参数相关的阻塞流短时预测卡尔曼滤波算法

提出一种考虑交通流参数相关关系的卡尔曼滤波算法,实现阻塞流状态下道路网交通流短时预测.在交通流守恒方程的基础上,借鉴偏微分方程求解Lax-Wendroff格式离散的思想,结合阻塞流状态下交通流时间和空间特性及进出口匝道等因素的影响,建立阻塞流状态下交通流短时预测状态空间模型,并设计基于卡尔曼滤波方法的模型求解算法.最后以北京市某一区域路网为例,进行了实证性研究.研究结果表明:所建立的阻塞流状态下交通流短时预测卡尔曼滤波算法由于同时考虑了时间和空间因素,能够使预测平均绝对百分比误差(MAPE)控制在10%以内;平均MAPE仅为7.96%.相同条件下,ARIMA模型和Elman模型预测MAPE分别为19.88%和10.51%.     

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.     

基于时空关联的京杭运河苏北段通行状态研究

基于船-岸时空关联特性与模糊综合评价理论,对京杭运河苏北段不同航段通行状态进行研究.以2019-2020年京杭运河苏北段数据为基础,综合时间尺度与空间尺度分析交通流单因素时间与空间特征;以交通流与航道基础设施为一级指标,结合多因素综合评判各航段的通行状态.结果 表明:京杭运河苏北段航道在空间尺度上具有明显区域相似性,从北至南通行流量逐渐增加,通行压力增大;时间尺度上以2月为突变点,夏季交通运输繁忙,其他时间呈平稳震荡分布;苏北段航道通行状态整体饱和.研究结果能够有效反映京杭运河苏北段航道时空状况,在宏观交通通行状态判别、水上交通规划和通航调运管理等方面具有实际应用价值.