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．     

组合非参数回归和卡尔曼滤波的公交车到站时间预测

准确预测公交车到站时间并实时向公交乘客发布,是提高公交车服务水平的关键因素。本文在采集的公交车GPS数据的基础上,建立了组合非参数回归和卡尔曼滤波的公交车到站时间预测模型。以北京公交300路内为例,选取1020组公交车行驶数据,取其中128组作为验证数据,选用平均绝对误差率作为评价指标,详细评价了不同时段及滤波前后模型的预测效果。预测结果表明,该模型具有较高的预测精度。     

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.     

基于混沌理论的短时公交到站时间预测

为分析公交到站数据的混沌特征及可预测性,选用运行在非公交专用道上连续6日的单线公交到站实测数据,利用能够应用于工程实践的混沌判别手段和预测方法对数据进行分析.结果表明:公交单日到站数据均具有混沌特性,且在工作日和休息日均具有该特性,同时公交多日到站数据同样具有一定的混沌特性证实了混沌特征在公交到站数据中的存在.可见基于混沌理论的预测方法能够对公交到站延误和站点停靠时间的多日数据进行有效预测.     

基于ε-支持向量机回归的快速公交到站时间预测

选择ε-支持向量机回归(ε-SVR)算法预测快速公交(BRT)车辆的到站时间,以提高公共交通的准点性.分别对BRT的停靠时间和路段行驶时间建立模型.根据分析,在停靠站时间预测建模过程中选取车头时距、时段、天气等7维特征向量作为模型输入,采用人工调查法,对厦门BRT-1路的数据进行采集,归一化处理后建模.仿真结果显示该模型能够比较准确地预测厦门BRT-1路的运行路线到站时间,并验证天气因素对该线路的到站时间预测影响最大.     

基于数据挖掘的高速公路行程时间预测

以高速公路上路段行程时间历史数据集作为研究对象,以交通数据实际特征作为行程时间历史数据集分类的依据,建立基于数据挖掘的高速公路行程时间预测模型.采用山东高速收费站记录实际数据,以实例数据验证模型并计算平均绝对误差.为对比分析预测强度聚类预测模型的有效性,采用多种算法对测试集行程时间预测,对预测结果误差进行了对比.结果表明:预测强度修正的k-means法可以提高高速公路路段行程时间预测的准确性,模型在降低数据采集成本的同时可为高速信息服务提供可靠的预测行程时间,为出行者提供有力的决策依据.     

长距离干道混合车流路径分割与绿波协调同步优化

城市长距离交通干道中,小汽车和公交车的运行轨迹存在显著差异,合理的信号协调控制策略应统筹考虑两类车型的需求.针对包含大流量公交车的长距离干线绿波协调路口传统分组片面化的问题,分析了带有公交站台的长距离干道上小汽车和公交车时空轨迹特征,提出了差异化路口分组的信号协调方法.该方法将小汽车和公交车的协调路径分割点分别设置在路...     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

基于交通数据融合技术的行程时间预测模型

针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题,构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络,解决了小波神经网络初始参数选取时盲目与随机性问题,大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好,表明该模型是有效的和可靠的.     

在线检测系统中对预行程误差预测和补偿的应用分析

预测和补偿预行程误差,能在很大程度上提高在线检测系统中测量的精确度,基于这一原理,提出基于BP与正则化RBF神经网络的一种新的检测误差预测的方法,同时基于BP和正则化RBF神经网络,建立了一个能够在线检测系统并且预行程误差的模型,利用相关的实验数据,将已经训练好的网络运用到实际中,对加工零件的误差进行预测与补偿.     

使用AVL数据的公交到站时间CEEMD-LSTM预测模型

准确的公交到站时间预测具有重要意义，但现实公交运行受突发路况影响，运行速度具有非平稳性，本文结合时序特征处理技术和深度学习，建立一种使用AVL数据预测公交到站时间的互补集合经验模态分解-长短期记忆神经网络模型。模型收集公交自动车辆定位数据，经预处理后引入互补集合经验模态分解平稳化公交运行速度，再借助Adam参数寻优后的长短期记忆神经网络对福州市303路公交某日早高峰公交到站时间进行预测。结果表明：优化的公交到站时间预测模型平均绝对误差比单一模型低了1.69min，预测精度高于长短期记忆神经网络模型和经验模态分解的到站时间预测模型，可有效地为安装车载自动车辆定位系统的公交线路预测公交到站时间提供参考。     

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。     

注意力机制的长短时记忆神经网络航线订座需求预测

针对航线订座需求预测中存在的预测结果不稳定,偏差较大的问题,提出了一种基于注意力机制 的长短时记忆神经网络(Long Short-term Memory Neural Network,LSTM)航线订座需求预测模型。首先, 对采集得到的航线订座需求数据进行数据清洗与指标计算处理,接着,对处理后的指标数据基于注意力机 制做权重分配,然后进行 LSTM 航线订座需求预测模型的建立,从而得到航线订座需求的最终预测结果 值。将训练优化得到的模型应用于国内某航司的航线订座需求预测中,计算出预测结果。实验结果表明, 基于注意力机制的 LSTM 航线订座需求预测模型预测精度较高,以厦门-上海为例,预测结果在与真实值 的对比下,平均绝对误差(Mean Absolute Error,MAE)为 13.1,均方根误差(Root Mean Square Error,RMSE) 为 17.2,相比较于移动平均法,指数平滑法,循环神经网络（Recurrent Neural Network,,RNN）,CNN-LSTM 混合模型有较好的预测效果。     

基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测

针对尾矿坝位移变形的动态特性和传统预测模型在进行尾矿坝位移预测中的不足，提出了一种基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测方法。首先，通过ICEEMDAN将尾矿坝位移监测数据进行分解为趋势项和波动项；其次，一方面采用高斯拟合方法对趋势项进行拟合预测，另一方面通过灰色关联度进行波动项相关影响因子筛选，并将注意力机制与LSTM相结合，建立了基于注意力机制及LSTM的波动项位移预测模型，同时利用SSA对该模型的超参数寻优；最后，将趋势项与波动项叠加得到总的位移预测值。以攀西地区某尾矿库为例对模型性能进行了验证，并与BP、LSTM、LSTM-Attention等模型进行对比，结果表明，该方法得到的均方根误差、平均绝对误差和确定系数分别0.742mm、0.553mm和0.994，所提方法能较大幅度提高尾矿坝位移变形的预测精度。     

基于注意力机制的CNN-LSTM模型的航迹预测

基于数学模型或统计模型的传统航迹预测方法存在一定的局限性，无法满足现代航空领域对于高效、准确、实时的航迹预测需求。针对此问题，提出基于注意力机制的CNN-LSTM模型的实时航迹预测方法。该模型首先使用一维卷积对航迹数据的多维度特征进行提取，从而减少输入特征的数量。其次利用获取的多维度时序数据作为LSTM的输入，通过LSTM提取上下文的信息。最后使用注意力机制为LSTM中不同时序节点的输出赋予权重，达到聚焦关键航迹信息的作用。经过实验验证：本文的模型与LSTM模型和CNN-LSTM模型相比，预测出的路径更接近真实航迹；文中的模型比LSTM模型的平均预测误差降低了29.7%，比CNN-LSTM模型降低了25.4%。综上所述，文中方法可以显著提高航迹预测的精度。     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

基于小波分解和长短时记忆网络的地铁进站量短时预测

针对城市地铁车站进站客流量短时预测问题，提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型，小波分解和重构可以有效处理数据的波动性，长短时记忆网络可以学习时序信息。以北京地铁西直门站为实例，实现了组合模型对进站量的预测，发现本方法能够得到比较准确的预测效果，平均绝对百分误差为5.48%，与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59%和2.94%，表明本方法有更好的预测精度。     

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。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。