交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

基于混沌理论和MEA-BPNN模型的快速路短时交通流预测

为提高短时交通流预测的精度,在分析北京市二环路实测交通流数据时空特性和混沌性的基础上,利用混沌理论方法对交通流量时间序列进行相空间重构,并基于思维进化算法提出一种改进的BP神经网络模型,将重构的时间序列数据作为模型输入进行交通流预测。结果表明,基于该模型的预测结果与基于传统BPNN模型的预测结果相比,均方根误差、平均绝对误差和平均绝对百分误差分别下降31.11%、20.71%和37.28%,证明了模型具有更精确的预测能力。     

城市燃气负荷的混沌特性与预测

采用混沌理论分析方法,对燃气负荷时间序列进行了相空间重构,通过计算关联维数和最大李亚普诺夫指数判定燃气负荷具有混沌的性质.在此基础上,分别采用基于混沌理论的加权一阶局域法、最大李亚普诺夫指数法和贝叶斯正则化神经网络模型对城市燃气日负荷进行了预测.实例预测结果表明,混沌时间序列分析方法可应用于燃气负荷预测研究,特别是结合了混沌理论、神经网络与贝叶斯正则化方法各自优点的神经网络模型取得了较好的预测效果.     

基于回声状态网络模型的短时交通流混沌预测

为了提高短时交通流预测的准确度,提出基于回声状态网络模型的短时交通流混沌预测方法;利用C-C法计算相空间重构的延迟时间和嵌入维数;利用遗传算法对回声状态网络模型进行参数寻优,进而构建基于遗传算法的回声状态网络模型;采用城市快速路实测数据进行实验验证和对比分析.结果表明,所提出方法的预测效果明显优于支持向量机模型、小波神...     

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.     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

基于二进制序列索引的灰色马尔科夫交通流量预测模型

针对短时交通流量预测在精度和收敛速度方面的不足,将二进制序列索引和灰色马尔科夫波动性预测模型相结合,用于短时交通流量预测.通过二进制序列索引,将传统灰色马尔科夫模型中的直接流量数据变为间接流量数据,以减少后期数据处理中误差导致的蝴蝶效应;同时通过波动性数据处理方法的逆方法将预测值还原到索引序列,使灰色马尔科夫预测模型可用于波动性数据的预测,并自主调整预测精度和收敛速度.以松原市兴业大街松原大路交叉口某一进口道的短时交通流量过程为例,对模型进行检验,结果表明:将经过二进制序列索引后的间接交通流量数据运用于优化后的灰色马尔科夫模型后,短时交通流量预测值的相对误差由0.46缩小至0.07,大幅提升了预测数据的精度,说明模型具有良好的预测精度,可以满足短时交通流量预测的要求,具有较高的实用性.     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

基于相空间重构及Elman网络的停车泊位数据预测

针对停车诱导系统（PGIS）中短时空余停车泊位时间序列数据预测问题，提出应用相空间重构与Elman神经网络相结合的方法来进行预测．首先分析了相空间重构的技术原理，在此基础上导出时间序列预测模型，并以Elman神经网络训练模拟该模型．介绍了相空间重构与Elman神经网络相结合的预测方法的具体实现过程与步骤，提出了短时空余停车泊位数据的预测效果评价指标．通过预测实例表明，该方法用于停车诱导系统中短时空余停车泊位数据的预测具有较好的预测准确性和有效性．     

船舶电力推进系统电力负荷混沌特性分析及预测

为实现船舶电力推进系统功耗的最优控制,提高船舶运行的经济性,建立了基于正则化的电力负荷混沌局域预测模型.运用相空间重构理论对船舶电力推进系统电力负荷进行单变量时间序列相空间重构,计算吸引子的Lyapunov指数,验证船舶电力推进系统电力负荷具有混沌特性,进而构建更为精准的由船舶电力负荷及其影响因素构成的多变量时间序列相空间.实验结果表明,该预测模型是有效的,且具有较高的预测精度.     

基于核函数的混沌交通流预测

采用一种基于核函数的局域线性预测算法进行城市短时交通流预测．在对混沌时间序列进行重构的基础上,利用径向基核函数将相空间中邻近点投影到更高维的核空间,然后在核空间中用线性自适应算法对时间序列进行预测,现场数据的试算结果表明,该方法能有效提高短时交通流的预测精度．     

基于混沌理论的高速公路交通流预测研究

对衡枣高速公路短时交通流进行了混沌识别,结果表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的高速公路交通流神经网络模型,实际数据验证了该方法对短时交通流预测的有效性.     

基于小波变换的交通流预测及模型优化

将小波变换的理论应用于短时交通流量的预测。通过小波分解与重构获取交通流量数据中的低频近似部分和高频随机部分,然后在分析各种模型的优、劣的基础上,选取较有效的模型或模型结合方式,建立了交通流量预测模型。最后,利用实测交通流量数据对模型仿真,结果表明该模型可以有效地提高短时交通流量预测的精度。同时,深入研究了小波基、分解层数选取的依据,通过实验检验表明效果良好。     

基于定量递归特征提取的流量监测方法

提出一种基于定量递归特征提取的流量预测算法,构建了网络端到端路由缓冲区短时网络流量的时间序列分析模型.采用虚假最近邻点算法和平均互信息算法对网络流量时间序列进行相空间重构,计算递归图平面中时频特征点占平面总点数的百分比,实现网络流量的时频熵特征提取,有效反应流量时间序列的内部结构特征和变化趋势,实现对流量的准确预测和监测.仿真结果表明,采用该算法能准确实现对网络流量相轨迹的预测判断,预测过程具有较好的抗干扰能力,预测精度较高.     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较验证了该方法的有效性.     

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。     

基于混沌时间序列的水电机组状态短期预测

基于混沌时间序列短期可以预测的特点,构建水电机组状态短期预测。用采样周期确定相空间时延τ,G-P算法确定关联维数从而确定相空间的嵌入维数m,小数据量法证明水电机组振动状态的混沌特性。在重构相空间中,运用加权一阶局域法构建水电机组状态短期预测模型。结果表明:混沌特性指数λ=0.2605的水电机组振动状态具有混沌特性,可以在最佳嵌入维数m=4的情况下进行预测,实例结果表明采用混沌理论进行水电机组状态短期预测是可行的。     

KPCA-KELM在短期交通流量预测中的应用

为了提高短期交通流量预测的收敛速度、预测精度,提出一种核主成分分析(kernel principal component analysis,KPCA)与核极限学习机(kernel extreme learning machine,KELM)相结合的KPCA-KELM方法.KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;而KELM方法无须设定网络隐含层节点的数目、通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性;新方法融合了KPCA与KELM的优点.采用西雅图华盛顿大学ITS研究组以及北京交通管理局实测的交通流量预测数据进行了试验,并将KPCA-KELM方法与单一的KELM,LSSVM,SVM以及KPCA-LSSVM,KPCA-SVM等预测方法进行比较.试验结果表明:新方法的收敛速度以及预测精度均优于对比方法;对北京交通管理局实测交通量数据的单步预测中,KPCA-KELM方法的预测精度比KELM方法提高了1.991 3.