基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

短时交通流预测方法综述

以交通流预测研究的步骤为主线,对短时交通流预测的方法进行研究.对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于新兴技术的预测方法.将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;基于非线性理论的预测方法有较好的发展前景.     

短时交通流预测方法综述

短时交通流预测是道路交通控制系统、交通流诱导系统等领域需要解决的首要问题之一.因此,如何能够实时准确的预测交通流量成为了交通管理与控制是否能够有效实现的关键问题.     

基于时空特性的短时交通流预测模型

根据交通流的历史周期性和空间相关性,文中综合SARIMA模型在历史周期性预测上的优势和RBF模型在空间相关性预测上的优势,提出了SARIMA-RBF模型.该模型采用SARIMA模型通过历史数据预测下一时刻的交通流,然后将预测值与该点上下游关联的交通流数据相结合,采用RBF神经网络模型得出输出值,并将该输出值作为SARIMARBF模型对下一时刻交通流的预测结果.实验结果表明,该模型因同时考虑了交通流的历史周期性和空间相关性,相比SARIMA模型和RBF模型具有更好的交通流预测效果.     

基于组合预测方法的安徽经济发展预测

利用最优加权组合法,对时间序列模型、灰色预测模型和神经网络模型进行组合,通过计算确定其权重,得出未来五年安徽省的GDP,同时根据平均绝对百分误差、均方根误差以及泰尔系数,将组合预测模型与单一的预测模型进行比较,得出组合预测模型的精度比单一预测模型预测精度高,并根据组合预测结果可以看出在未来五年安徽省的经济会持续稳定的发展。     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于BF-SVR-GRU的短时交通流预测方法

短时交通流预测是智能交通管理的重要依据.为了提高短时交通流预测的精度,从交通流内在的稳态特征和动态特征着手,提出一种基于巴特沃兹滤波(Butterworth filter,BF),结合支持向量回归(support vector re-gression,SVR)算法和门控循环单元(gated recurrent unit...     

基于组合模型对我国能源消费的预测

鉴于我国能源消费系统的复杂性及非线性特征,本文分别采用神经网络和时间序列两种方法建立我国能源消费总量的单项预测模型,并对各模型进行了检验,模型的检验结果表明建立的模型可以作为预测未来能源消费量的有效工具。根据标准差法对各模型的结果进行权重分配,建立我国能源消费的组合预测模型,组合预测模型既克服单一模型的缺陷,又提高了预测精度,之后应用此模型对我国未来六年的能源消费进行预测,2015年我国能源消费总量将会达到41.9亿吨标准煤。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型.本文首先利用APdMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM(1,1)模型拟合和预测效果好于GM(1,1)模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM(1,1)模型两种方法得到ARIMA-GM的组合预测模型.预测结果表明:组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势.     

基于GA-tBP模型的城市道路交通量预测

针对城市道路交通量时间差异性强的问题,提出了一种使用遗传算法(genetic algorithm,GA)优化BP(back propagation)神经网络并考虑时间特性的模型(GA-tBP)预测道路交通量。从月、周、日3个维度统计分析了历史交通量数据存在的差异,得出影响城市道路交通量的时间因素。以江西省南昌市赣江中大道交通量为例,对未来24 h内每5 min交通量进行预测,对比分析了不同模型在预测精度和学习能力等方面的表现。研究结果表明,同不考虑时间特性的模型及其他传统预测模型相比较,GA-tBP模型的预测效果最好,其均方误差(mean squared error, MSE)及平均绝对误差(mean absolute error, MAE)分别为14.87 veh/5 min和2.44 veh/5 min,故该模型具有可行性和有效性。     

灰色系统的交通流量短期预测

为了缓解交通拥堵问题,建立灰色模型对交通流量进行短期预测,从而提前知道道路的交通状况,最终起到交通诱导。     

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.     

面向视频智能分析的商业街行人交通流预测建模

 阐述了利用面向视频智能分析技术,对商业区行人交通流数据进行样本提取、预处理和建模分析的方法全过程。以北京西单商业区为例,构建了包含不同类型监测点、不同时间点的日期分组式纵向时间序列,并完成了预测建模和效果对比。研究表明,所有序列均为平稳非白噪声序列,具有相似的自回归移动平均（ARMA）模型形式,能较好地实现对行人流量的预测。     

基于非集计模型的交通需求预测方法

交通需求预测是城市规划和城市交通规划的核心内容之一,同时也是制定交通需求管理（TDM）策略的基础.传统的预测模型多以“四阶段法”为基础,对调查数据进行集计处理,忽略数据所携带的有关出行者行为的个体信息,存在信息的浪费和冗余.依据现代交通规划学理论,在回顾传统预测方法的基础上,对非集计模型进行深入研究;根据淄博市中心城区居民出行调查数据,预测居民出行方式分担率.研究结果表明,较集计模型,非集计方法能更好地刻画居民出行方式选择行为.     

非参数回归方法在短时交通流预测中的应用

为了提高短时交通流预测的准确性,提出了应用改进的非参数回归方法进行短时交通流预测。利用反馈机制动态调节系统变量和输入变量集是对非参数回归方法的主要改进之处。将建立的模型用于北京实际大规模路网的交通流预测预报,实例分析结果表明,应用非参数回归方法的5m in交通流预测结果明显优于神经网络方法;有反馈调节机制的非参数回归方法优于有固定输入变量集的非参数回归方法。