基于公交运行数据的到站时间填充方法

公交实时到站数据是乘客出行行为分析的基础,但是现有公交运行数据存在到站时间缺失问题。以公交实时到站数据为基础,结合公交车辆的运行特性以及拥堵传播特性,建立考虑多因素加权的多项式插值方法,对公交车辆的到站缺失数据进行填补。填补后的到站时间能够更详细地描述车辆运行过程,得到更精确的车辆到站间隔。应用该方法对北京市地面公交运行数据进行补全,得到了修正的时刻表,并对公交运行间隔与串车现象进行分析。     

基于公交运行数据的到站时间填充方法

公交实时到站数据是乘客出行行为分析的基础,但是现有公交运行数据存在到站时间缺失问题。以公交实时到站数据为基础,结合公交车辆的运行特性以及拥堵传播特性,建立考虑多因素加权的多项式插值方法,对公交车辆的到站缺失数据进行填补。填补后的到站时间能够更详细地描述车辆运行过程,得到更精确的车辆到站间隔。应用该方法对北京市地面公交运行数据进行补全,得到了修正的时刻表,并对公交运行间隔与串车现象进行分析。     

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.     

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．     

具有混沌特性的风电功率预测研究

风能作为一种可再生的清洁能源,逐渐成为人类社会可持续发展的首选能源,风速的不确定性和随机性,使得风力发电具有不可调度性,因此准确的分析风电特性和预测风电功率对电力系统的发展至关重要.本文首先基于混沌理论对风电功率数据进行相空间重构,使用自相关法及CAO方法分别确定合适的时间延迟和恰当的嵌入维数,从而达到提高相空间重构质量及其预测精度的研究目的;其次依据指数判断重构的相空间是否具有混沌特性,若具有混沌特性,则建立混沌局域预测模型,对风电序列作混沌特性分析,最后对风电数据运用加权一阶局域预测模型进行短期预测.     

基于交通方式选择的公交出行需求预测

在对国内外研究现状分析的基础上，研究立足于影响公交乘客意愿和出行选择的公交服务水平因素分析，应用期望偏好（SP）调查方法得到国内2个城市出行选择行为特征数据，分析国内城市出行者意愿和交通方式选择行为的特征和规律，在此基础上应用慈溪市的数据建立了考虑个人特性和出行时间及成本等选择特性因素的交通方式选择模型，对公交出行需求进行了预测，并结合交通方式选择行为特征调查数据和出行比例预测结果，提出了相应的公交优先发展策略．     

混沌算子网络在经济数据预测中的应用研究

采用多个混沌算子单元组成一种新的预测网络,实现经济数据的预测分析.利用已知数据构造出训练样本,通过调节混沌算子单元的控制参数来控制其动力学特性,以此改变预测网络的动力学行为,使预测网络的动力学特性逐渐逼近被预测系统,并随之一致变化,从而实现时间序列的动态预测分析.利用该方法对国内生产总值和国民总收入等经济数据进行了预测...     

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。     

基于混沌理论的高炉一氧化碳利用率的预测研究

以一氧化碳利用率为能耗评估指标,在高炉一氧化碳利用率混沌特性的基础上,提出了一种基于混沌理论高炉一氧化碳利用率的预测方法.首先以两座具有代表性的中高型高炉的一氧化碳利用率时序为样本,采用混沌相空间重构技术,对其进行相空间重构.其次利用自相关方法和G-P方法计算其重构空间的参数(时滞时间和嵌入维数).最后基于已获的混沌重构相空间参数,采用混沌加权一阶多步预测方法,建立高炉一氧化碳利用率的混沌预测模型,对其进行多步预测.现场实际数据的预测结果表明了所提出方法的有效性和预测模型的精准性.     

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。     

网络数据包到达速率的混沌特性分析及其短期预测

本文利用关联维法分析了以太网数据包到达速率数据的混沌特性，在此基础上，结合相空间重构技术，利用混沌时间序列的局域一阶预测法对其进行了预测，预测结果表明该混沌预测方法能够对网络数据包到达速率取得很好的预测效果．这为进一步研究网络流量提供了基础，也为网络数据包到达速率具有混沌特性提供了新的依据．     

基于替代数据法的齿轮信号的混沌识别

替代数据法是准确判定时间序列是否具有混沌特征的一种有效方法,该方法不仅能很好地重构原始时间序列的特性,而且能避免直接识别混沌方法的局限性.应用替代数据法,以关联维数作为混沌判据,对故障齿轮信号进行了混沌特性判别.结果表明,齿轮故障信号存在混沌特征,替代数据法能对其进行准确识别.     

城市用水量预测的混沌理论研究

分析了混沌理论特征,利用城市用水量混沌特性,建立城市用水量短期预测模型,对城市用水量进行科学预测.利用历史数据信息,在相空间重构基础上对城市用水量时间序列进行分析,分析饱和嵌入维数、延迟时间和Lyapunov指数求解方法并对其进行计算,并以此为指导对城市用水量进行高精度预测.利用建立的模型对东北某市日用水量进行预测,结果表明基于混沌理论的城市用水量预测模型具有较高精度,对于受众多因素影响的城市用水量预测有良好的推广价值.城市用水量受众多因素影响,混沌理论为城市用水量预测提供了崭新思路.     

基于相空间重构-SVM的公交客流量预测研究

提出了一种基于相空间重构与支持向量机预测公交客流量的新方法.应用互信息法计算公交客流量时间序列的最优时间延迟;应用Ca0氏方法计算其最佳嵌入维数;然后计算出最大Lyapunov指数,证实客流节存在混沌现象.建立相空间重构-支持向量机预测模型并确定训练样本对,对公交客流量数据进行预测.实例证明,该方法能有效地进行客流量预测.     

基于局域波与混沌集成的中国股票市场预测

基于局域波分解和混沌理论提出了一种中国股票市场建模及其预测的局域波与混沌集成的方法。首先应用局域波分析方法对上证综指日收益率序列进行分解,分别得到低频部分和高频部分。接着利用二阶Renyi熵K2分析各部分的混沌特性,然后用相空间的多点相似预测方法对低频部分和高频部分进行预测。最后用局域波分解理论对各部分预测结果予以重构,完成对原始日收益率序列的预测。局域波分解方法是现有处理非平稳序列最有效的方法之一,相空间的多点相似预测方法适应于我国股票市场存在的混沌现象,较现有方法,结果具有更高的精确度。     

基于K-means聚类组合模型的公交线路客流短时预测

预测公交线路短时客流是实现公交动态调度的关键技术.文中通过分析客流特性,构建了基于K-means聚类算法的组合预测模型.首先利用K-means算法将短时客流数据按照时变特征的相似度划分为不同聚类,然后为每类客流数据分别建立最小二乘支持向量机、BP神经网络、自回归滑动平均模型,并考虑天气因素的影响,用遗传算法优化模型参数,对比预测结果,从中选择每个聚类的最佳预测模型构成组合模型.最后以长沙市104路公交客流数据作为实例进行预测分析,结果显示:客流数据时变特征对模型具有选择性,K-means聚类组合模型能够更好地根据不同时段客流数据的时变特征进行分类,因而有利于提高预测绩效;考虑了天气因素的K-means聚类组合模型能进一步提高公交线路的短时预测绩效.     

基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

基于混沌算子模型的人口数据序列预测

采用混沌算子预测模型对我国人口出生率、死亡率、自然增长率以及人口总数等数据进行预测分析.多个基本混沌算子单元通过加权和的形式构成预测模型.利用已知的人口数据组成预测网络的训练样本,根据网络预测值与期望值之间的误差,调节各混沌算子参数来减小误差,以此改变预测模型的动力学特性,使之逐渐与被预测系统的动力学特性相一致,从而完...     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.