基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测

为了提高短时交通流速度预测的精度,提出一种基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测模型.首先对交通流速度序列进行浑沌性分析,重构序列的相空间,将对交通流速度序列的研究映射到其所在的相空间中进行;然后引入变步长因子和模拟退火技术对天牛须算法(beetle antennae search,BAS)进行改进,并以改进算法优化确定性跳跃循环状态网络(cycle reservoir with regular jumps,CRJ)的参数构建预测模型;最后通过实例对比分析模型的有效性.结果表明:通过相空间重构对交通流速度序列处理,能够挖掘序列内部的动态特性,使之更加适用于网络的建模;所提模型的预测结果同对比模型相比,平均绝对百分比误差下降了1.05％ ～6.04％,有效地提高了短时交通流速度的预测精度.     

用于短时交通流预测的多项式分布滞后模型

提出了用于短时交通流预测的多项式分布滞后模型.其建模思想是交通状态时间序列同时受自身滞后项之外的多个因素影响,并且影响分布到了多个时段.通过与ARIMA模型(自回归整数移动平均模型)的预测精度对比分析,表明PDL（多项式分布滞后）模型具有与ARIMA相同的预测精度,而在模型可移植性、算法复杂性和实现方面更具优势.研究结果为短时交通流预测理论提供一种新的研究思路.     

基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础.应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算.预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短.     

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。     

ABC-BP神经网络对AERMOD模型敏感参数的预测及应用

为提高短时风速预测精度,提出人工蜂群算法(ABC,Artificial Bee Colony algorithm)优化BP神经网络的方法对短时风速进行预测.首先验证了ABC算法性能;接着利用ABC算法对BP神经网络的权值和阈值优化并进行风速预测;然后将预测结果与PSO-BP神经网络以及GA-BP神经网络进行比较分析.对比结果表明,本文提出的方法对短时风速序列的预测精度优于其他方法,预测误差率为1.82%;最后分析了短时风速在应急救援系统中的应用可行性并实现了AERMOD模拟气体扩散态势应用.结果表明,本论文提出的方法可以使AERMOD模型为应急救援提供更加准确的决策依据.     

基于IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.     

基于隐Markov模型的短时交通崩溃事件预测

交通崩溃事件会造成道路通行能力下降,成为导致城市快速路拥堵的主要原因之一,精准的短时交通崩溃事件预测在交通管理与控制中具有重要意义。该文以美国加州高速公路性能评估系统(PeMS)提供的交通流数据为基础,对道路的崩溃状态进行了分级定义,并以道路崩溃状态为隐状态、道路占有率为显状态,结合二者之间的联系,建立了隐Markov模型。通过数理统计,对模型参数进行了学习,最后采用Viterbi算法对该模型进行了求解,实现了快速路交通崩溃事件的预测。预测结果与实际数据的对比表明:该方法能预测大部分的交通崩溃事件。     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

基于IPSO-BP神经网络的短时交通流量预测

短时交通流量具有非线性、随机性等特点,如何准确地进行短时交通流量预测,是智能交通系统研究的一项关键内容。传统的预测模型不能实时反映短时交通流量变化特点,同时BP神经网络的交通流量预测存在收敛速度缓慢、易陷入局部极值、预测精度低等缺点。为了提高短时交通流量预测精度,提出了一种基于改进粒子群算法(IPSO)优化BP神经网络的复合预测模型,引入相对误差指标作为预测模型的评价指标,并利用实测的道路短时交通流数据对所构建的预测模型进行验证。结果表明,所提出的预测模型在短时间内寻出全局最优解,具有较好的预测精度,提高了短时交通流量预测的准确性和可靠性。     

基于粒子群优化投影寻踪回归模型的短时交通流预测

针对短时交通流数据的高度复杂性、随机性和非稳定性,为了进一步提高短时交通流预测的精度,提出一种基于粒子群优化投影寻踪回归模型的短时交通流预测方法。通过灰色关联度分析确定交通流预测影响因子,然后采用粒子群优化算法构建非参数投影寻踪回归模型,并利用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析。实验结果表明:PSO-PPR模型的短时交通流预测效果明显提高,其平均预测精度分别比ARIMA模型和BPNN模型提高37.8%和27.2%。     

基于不同时间粒度的城市轨道交通短时客流预测

为探究城市轨道交通进站客流量预测精度与时间粒度之间的关系,以西安地铁自动售检票(AFC)系统连续50 d进站客流量数据为研究依据,将地铁运营有效时间划分为5、15、30 min,1、2 h及1 d等不同时间粒度,并对不同时间粒度下客流量时间序列采用Pearson系数法进行相似性度量,然后利用差分整合移动平均自回归(ARIMA)模型对不同时间粒度下的全网进站量进行拟合。以Pearson系数等于0.95作为短时客流预测时间粒度的选取阈值,最终选取在30、60 min及1 d三种时间粒度下用ARIMA模型进行短时客流预测,并与自回归滑动平均(AR)模型、支持向量回归(SVR)模型和BP神经网络预测模型的预测结果进行比较分析。研究结果表明:时间粒度相关性系数变化呈现单波峰形态,在30、60 min及1 d时间粒度下,ARIMA模型预测结果平均相对误差分别为4.12%、3.54%、4.97%;在这4种模型中,ARIMA模型平均预测精度最高,在不同时间粒度下这4种模型的预测误差呈现相同的变化趋势,即平均预测误差由大到小的3种时间粒度分别为1 d,30、60 min。因此,时间粒度大小选取的极端化并不会带来短时客流预测效果的直接提升,优化后的时间序列模型在西安地铁全网进站客流量短期预测方面具有较高的精度,研究成果可为城市轨道交通行车组织优化提供技术支持。     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

随着我国经济的快速增长及城市化水平的不断提高，轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素，客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度，提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例，在选取轨道交通客流相关影响因素的基础上，利用建立的SSA-LSTM模型对相关站点进行短时客流预测，并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明，相比于前述参照模型，SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值，具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。     

基于K-means聚类与PLS回归模型的交通速度短时预测

为实现对交通流局部特征的有效提取，提高交通速度预测模型的可解释性，提出基于K-means聚类与偏最小二乘(Partial Least Squares, PLS)回归的交通速度短时预测模型。模型采用时空相关矩阵挖掘路网中相邻路段交通速度之间的关联性，利用K-means聚类算法划分历史数据集，并选取实测出租车GPS数据验证模型对交通速度短时预测的准确性。实验结果表明，与ARIMA、PLS回归和LSTM模型相比，该模型的预测误差减少了约30%。     

KNN算法的数据优化策略

为了解决基于KNN（K-Nearest Neighbors）算法的非参数回归短时交通状态预测模型执行效率低的问题，提出了KNN算法的数据优化策略。通过对交通状态时空特性的研究，采用层次化对象构造交通状态向量，并根据交通状态的自重复性对历史样本数据库进行数据压缩。实验证明，优化策略提高了KNN算法的执行效率,经过压缩后的数据存取时间比压缩前缩短了8.66%。     

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%.     

用于交通流预测的带距离权重模式识别算法

基于带权重的模式识别算法(WPRA)的交通流短时预测根据历史交通模式所属时段特征区分不同历史状态值权重系数的大小,但权重值的主观设定降低了方法实际应用的可靠性.通过分析基于数据驱动的非参数回归交通流预测算法核心原理,针对WPRA模型权重系数的主观随机性进行预测算法改进,建立了能预测短时交通流的带距离权重的模式识别算法(DWPRA).最后,应用实际交通流数据引入均方根误差进行算法验证,验证结果显示相同近邻K值情况下,DWPRA比WPRA均方根误差降低约4.8%~7.1%,证明了算法的有效性.     

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。