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     

高速公路交通流的分形特征实证分析

高速公路交通流演化分形特征的研究有助于深刻理解高速公路交通系统的内在演化规律, 为高速公路交通流的预测和控制提供理论依据. 本文利用统计学方法和复杂网络可视化技术对高速公路交通流的分形特征进行实证分析. 首先, 利用重标极差法计算了交通流时间序列的Hurst指数和V统计量, 发现不同时间标度下高速公路交通流时间序列的Hurst指数都大于0.5, 并且V统计量曲线有上升趋势, 说明高速公路交通流时间序列具有自相似性和长程相关性; 然后, 根据可视算法, 将高速公路交通流时间序列转化为复杂网络, 计算网络的拓扑参数, 发现网络的度分布均呈幂律分布, 表明该网络为无标度网络, 进一步揭示高速公路交通流时间序列为分形序列. 同时发现网络的平均路径长度随网络规模的增大呈对数增长, 说明网络具有小世界特征. 实证分析的结果对高速公路交通流量预测中时间标度的选择和预测长度的确定有重要的参考价值. 本文的研究可以为揭示高速公路交通流演化的复杂性提供新的思路和方法.     

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.     

空中交通流时间序列的复杂度分析

空中交通系统是复杂的非线性系统,时间序列是研究空中交通系统的有效措施。为了定量分析空中交通的复杂性,首先阐述Lempel-Ziv算法复杂度及其修正复杂度;然后采集三亚01号、02号、04号扇区连续28 d的实际运行数据,构建了空中交通流时间序列;计算了3个扇区交通流时间序列的算法复杂度,并对相关参数的影响进行了分析。计算结果表明,修正的算法复杂度适用于长度较短的时间序列,可用于量化测度空中交通流复杂性;符号化方法、序列长度、时间尺度等对算法复杂度有较大影响。     

基于门控循环单元神经网络的交通流预测模型

针对交通流数据的时间序列关联性特征,在大数据处理技术基础上,构建了基于门控循环单元(GRU)神经网络的交通流预测模型.根据交通流数据产生速度快、数据量大的特征,基于Flink框架并应用Kafka消息队列机制对获取的实时交通流数据进行预处理;基于门控循环单元神经网络,设计了当前时间与上一步时间的隐藏交通流状态;计算了交通...     

机场的进离场空中交通流复杂性

机场进离场空中交通流复杂性的量化是空管和机场进行预测和管控的重要依据。提出基于排列熵的复杂熵因果平面(complexity entropy causality plane, CECP)以及Fisher-Shannon(FS)因果平面的机场进离场空中交通流复杂性量化分析模型,量化单机场进离场空中交通流量复杂度,研究多机场进离场空中交通流复杂度之间的关联性。针对单机场,首先将机场进离场空中交通流量时间序列符号化,计算时间序列的标准排列熵和统计复杂度以及Fisher信息,量化机场进离场空中交通流时间序列的复杂程度;针对多机场,构建CECP以及FS,分析比较各机场在CECP和FS中的位置,区分进离场空中交通流复杂性较高的机场。验证结果表明：提出的模型对于量化机场进离场空中交通流复杂性具有可行性和准确性,可以有效区分进离场空中交通流复杂程度较高的机场,对机场交通流的实时预测和管控具有指导意义。     

基于近似熵的交通流序列趋势变化检测

交通流趋势变化特征分析是交通流预测的基础.为了提取交通流序列随时间推移所呈现出来的宏观变化规律,提出了一种用于检测交通流序列趋势变化的滑动移除近似熵方法.通过对交通流序列趋势规律进行研究,首先将其细分为上升趋势、平稳波动趋势、下降趋势,然后根据不同趋势变化的时间序列复杂程度不同,建立了滑动移除近似熵方法求解其滑动移除近似熵的值,并根据得到的时间序列提取交通流序列趋势变化.最后以北京市四环路某一断面交通流序列为例,用建立的模型对交通流序列趋势变化进行检测,并与滑动t检验方法结果对比.研究结果表明本文提出的方法能够对交通流序列趋势变化进行检测,且检测结果与实际交通流序列趋势变化比较吻合,研究结论可为短时交通流预测建模提供参考依据.     

基于Gamma分布的交通流时间序列分割模型

准确获取交通流量变化点,对后续的交通流预测、分类及多时段控制具有重要意义.鉴于交通流时间序列的非负性及异方差性,采用Gamma分布拟合交通流时间序列,并对其进行有效分割.针对多元交通流时间序列,首先利用非负主成分分析方法实现降维并提取特征序列,之后利用最大似然估计得到Gamma分布参数,通过不同参数的Gamma分布拟合特征序列的不同片段,并由赤池信息准则(AIC)确定最优分割边界及分割阶数.实验结果表明,所建立的分割模型能够反映不同时段的交通流变化,与现有分割方法相比,取得了更好的分割结果.     

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。     

结合时间注意力机制的Bi-GRU-Atten的短时交通流预测

为使用深度学习模型预测未来高速公路交通流的情况,利用双向门控循环单元算法（Bi-GRU）从双向传播中提取信息,充分学习到历史交通流的时间相关特征,同时采用注意力机制通过正确分配权重来区分交通时间序列的重要性,进一步提高预测的计算效率。采用开源高速公路数据集对模型进行验证,结果表明：与递归神经网络算法、长短期记忆网络算法、双向长短期记忆网络算法,以及没有结合注意力机制的双向门控循环单元算法相比,本文所提算法在计算效率和预测精度方面更优,可以用于短时交通流的预测。     

基于小波分析和ARIMA模型的交通流预测方法

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;采用综合自回归移动平均(ARIMA)时间序列模型对交通流进行预测;并对实测交通数据进行验证分析.结果表明,该方法具有较高的预测精度,可用于交通流的实时动态预测.     

高速公路旅行时间的自适应插值卡尔曼滤波预测

为解决高速公路收费站间非平稳交通流状态下因卡尔曼滤波算法自适应性能差而导致的旅行时间预测精度不稳定的问题,提出等间距插值和Sage-Husa自适应卡尔曼滤波相结合的预测算法。融合人工半自动收费和电子不停车收费数据计算平均旅行时间;引入等间距插值方法重构实时与历史旅行时间之间的时间序列;利用最小二乘法原理构建Sage-Husa自适应预测模型;开发旅行时间预测应用系统,实时主动预测高速公路站间旅行时间。在某示范路段的应用表明:在正常、事故、小长假3种交通流状态下,所提方法的所有周期平均相对误差均在7.5%内,事故周期平均相对误差均在10%内.     

基于基线漂移校正的旅行时间预测模型

路段旅行时间及其预测值是管理部门实施交通流组织,提供交通信息服务的重要依据,也是出行者合理选择出行路径的重要参考.文中基于浮动车检测数据研究了路段旅行时间的计算算法及数据预处理方法;分析了旅行时间序列中的基线漂移现象,并运用小波分析法给出了基线漂移的校正方法以达到对时间序列降噪处理的目的;最后,基于自回归移动平均法建立了路段旅行时间的预测模型,并选取实际数据验证了文中模型的有效性和精确性.     

引入变化趋势参数的短时交通流预测研究

为了在预测中体现短时交通流序列的变化趋势,提高预测精度,对短时交通流序列变化特征进行研究,将其细分为上升趋势、平稳波动趋势、下降趋势,并运用转折突变法求解变化趋势参数。将变化趋势参数作为一个输入变量,建立径向基(RBF)神经网络预测模型。选取实际交通流序列,计算其变化趋势参数,并对交通量进行预测。研究结果表明:预测结果的最大相对误差为5.72%,小于未引入变化趋势参数预测的最大相对误差;提出的变化趋势参数能体现交通流变化趋势,引入该参数能提高预测精度,该预测方法可行。     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进...     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

基于多元时间序列的交通流预测模型

交通流预测是智能交通系统的一项重要研究内容。本文考虑路网的复杂性,使用多元时间序列模型建模,针对贵阳市省医路口2016年4月上下游交通流数据:首先建立ARIMA模型,采用Ljung-Box方法对模型效果进行检验,模型未能通过显著性检验;然后根据车辆的基本通行规律,构建多元时间序列ARIMAX模型,第一步利用主成分回归建立上下游交通流回归模型,第二步对模型残差进行ARIMA建模,得到的ARIMAX模型能够通过LB检验;最后利用预测误差绝对值均值和预测误差百分比绝对值均值进行模型性能评价,构建的ARIMAX模型均优于ARIMA模型。     

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。     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

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。