基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于多维灰色预测模型的短期交通流预测研究

交通诱导和交通控制是智能交通系统的重要组成部分,实时准确的交通流短期预测是交通控制与诱导的前提及关键。以往灰色交通流预测模型采用GM（1,1）模型进行预测。其只利用某路段一个断面单点的交通流量进行该断面的交通流预测,并未充分利用上下游交通流之间的相关性。而有关学者研究表明,短时交通流预测值,不仅要与该段面的单点交通流量有关,而且还与其上下游断面交通流量有关。因此,本文引入MGM（1,n）模型。     

基于改进型贝叶斯组合模型的短时交通流量预测

针对短时交通流量预测的难题,在传统贝叶斯组合模型进行改善的基础上,提出一种改进型贝叶斯组合模型.该模型只根据各基本预测模型当前时刻之前几个交通流量的预测表现,通过提出的分配算法实时更新组合模型中各个基本预测模型的权重,从而改善了传统贝叶斯组合模型权重计算迭代步长过长的缺陷,提高了贝叶斯组合模型对各个基本预测模型预测精度的灵敏性.通过对实地的交通流量的预测发现,基于改进型贝叶斯组合模型的预测精度不仅优于单一的预测方法,而且也优于传统的贝叶斯组合模型,从而证明了改进型贝叶斯组合模型有效提高预测的可靠性和具有一定的实用性.     

基于特性和影响因素分析的短时交通流预测

可靠的短时交通流预测是智能交通系统的重要基础。为了提高短时交通流预测的预测精度和对于不同交通状态的适应性,在分析了交通流特性以及时空二维影响因素的基础上,提出了一种组合预测模型,使其能够综合反映这些特性和影响因素。该组合预测模型包括时间序列模块、空间相关模块和组合预测模块三个子模块。单项预测模型包括自适应单指数平滑模型和RBF神经网络模型,组合系数是以两个单项预测子模块的平滑百分比相对误差作为输入,以神经网络作为学习算法自适应地得到。最后通过平峰和高峰时段实测的交通流量数据来验证模型的有效性和可靠性,结果表明:该组合预测模型的预测精度高于单项预测模型各自单独使用时的精度,且对于不同的交通流状况具有较好的适应性。     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

面向区域交通状态预测的时空集成模型

在智能交通系统中,交通状态预测发挥着至关重要的作用。针对现有的交通预测方法集中于中微观层面,且时间和空间维度单一的问题,提出了一种面向区域宏观交通状态预测的集成模型。该模型以交通指数为依据,在时间维度上采用时间序列预测方法获得时间预测结果,在空间维度上采用支持向量回归方法获得空间预测结果,并在集成模型中将两者的结果融合。在交通指数云图上的实验结果表明,与单一维度的时间或空间模型相比,该模型能显著提高预测精度。     

基于时间序列与GSVMR模型的短时交通量组合预测

交通流预测是实时控制与诱导的前提,是智能交通系统实现的理论基础,对短时交通量预测方法的研究具有重要意义。分析中国短时交通流预测研究的现状,同时对目前被广泛应用于城市道路短时交通量预测的基于统计理论模型、神经网络模型等几种模型进行了简要概述及评价,最后以南昌市庐山南大道交通量实际数据为例,利用时间序列与GSVMR模型的组合短时交通量预测理论进行了预测。研究结果表明:与时间序列及GSVMR模型预测方法的预测结果相比,组合模型的预测精度有明显提高,结果令人满意。     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.     

基于时空多维的VMD-GAT-Attention短时交通流量组合预测模型

文章针对短时交通流量时空依赖性、非线性的特点,为提高交通流量的预测精度,将时间建模和空间建模相结合,提出一种整合改进的变分模态分解(variational mode decomposition,VMD)结合图注意力网络(graph attention networks,GAT)与注意力模型搭建的组合预测模型.在时间维度上,利用改进粒子群算法(improved particle swarm optimization,IPSO)优化的变分模态算法分解交通流量,保证了VMD的充分分解,并得到相对平稳的交通流量序列,提高了组合模型的预测精度;在空间维度上,构建有效分解模态与原交通流量序列的GAT,提取不同时间序列中各交通节点之间的空间信息;引入注意力机制提高主要时空信息权重,降低次要时空信息权重,进一步提升了组合模型的预测精度.实验结果表明,该组合模型比IPSO-VMD-GAT-Attention模型以及VMD-GAT-Attention模型的均方根误差分别下降了31％ 和21％,而且对于VMD-GAT模型和GAT模型,均方根误差分别从14.1231和9.9136下降到2.2928,说明该模型达到较好的预测效果.