基于动态时间规整和长短期记忆的空中交通流量短期预测

空中交通流量短期预测对于精准实施空中交通流量管理具有重要意义。为提高空中交通流量短期预测准确性,充分利用历史运行数据,提出了基于动态时间规整和长短期记忆(dynamic time warping-long short-term memory, DTW-LSTM)的空中交通流量短期预测模型。首先,分析了空中交通流的时空相关性特征,采用DTW算法衡量扇区之间交通流相关性;其次,依据相关性度量结果构建数据集,在不同输入条件下建立LSTM网络预测模型;最后,在不同时空参数组合模型间展开预测性能对比及分析。实验结果表明,相较于不考虑时空相关性的LSTM模型,本模型平均绝对误差(mean absolute error, MAE)降低24.5%,均方根误差(root mean squared error, RMSE)降低31.4%,相较于时空相关性的支持向量回归(support vector regression, SVR)模型,MAE降低36.4%,RMSE降低30.6%。由此可见,通过考虑交通流时空相关性可以有效提升流量短期预测的准确性,为空中交通流预测提供有益参考。     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

基于NPP-VIIRS的福建省人口网格化方法改进对比分析

基于夜间灯光人口校正指数(NANI)、城市夜间灯光校正指数(VANUI)、人居指数(HSI)3种指数修正NPP-VIIRS夜间灯光过饱和与溢出效应的修正模型，直接面向网格，采用按县域中有人口分布的网格数加权，使用最小二乘法回归对人口空间网格化，并随机抽取一定比例网格化后的乡镇域样本加以验证.结果表明：(1)3种修正模型改进后的网格化系数均通过p=0.001的统计学意义检验，拟合优度增加、预测标准误差大幅降低；(2) 3种修正模型的人口绝对误差(MAE)、人口纯方根误差(RMSE)、人口相对误差(MRE)值均有较大幅度降低；(3) 3种修正模型两两之间的夹角余弦系数为0.981～0.996,每个网格绝对距离为29.1～75.8人，同一性大，互证有效.说明3种修正模型的改进既考虑了县域规模差异的影响又避免了建模过程中行政单元与网格单元的尺度变换，显著提高了人口网格化精度.     

沥青生产过程中软化点的SVR预测

根据30组不同电阻和温度下的沥青软化点的实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,并结合留一交叉验证(LOOCV)法对沥青软化点进行了建模和预测研究,将其预测结果与多元线性回归(MLR)模型的计算结果进行了比较。SVR-LOOCV预测的最大误差为2.1 ℃, 远比MLR模型计算的最大误差7.9 ℃要小得多。统计结果表明：基于SVR-LOOCV预测结果的均方根误差(RMSE=0.75 ℃)、平均绝对误差(MAE=0.32 ℃)和平均绝对百分误差(MAPE=0.28%)相应也比MLR回归模型的预测结果(RMSE=3.3 ℃,MAE=2.6 ℃和MAPE=2.34%)要小。因此,应用SVR实时预测沥青产品的软化点,可为生产优质沥青提供准确的科学指导。     

基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果

准确识别地层注水情况是油田开发的重要前提,对制定合理的注水发展规划也具有重要的指导意义。为准确预测注水,提出一种结合卷积神经网络、双向长短期记忆网络与注意力机制的油田注水流量预测方法,该方法首先将卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirection long short-term memory,BiLSTM)进行联合,用于捕获注水流量的复杂非线性时空关系,然后采用注意力机制来关注输入的重要特征。并针对油田历史数据匮乏问题,提出使用数据增强技术来增加一维时间序列的数据量。采用国内某油田注水井真实历史注水数据进行实验,研究结果表明,本研究中提出的CNN-BiLSTM-Attention预测模型的平均绝对误差(Mmean absolute error,MAE)、均方根误差(root mean square errorRoot Mean Square Error, RMSE)、平均绝对百分比误差(mean absolute percentage errorMean Absolute Percentage Error,MAPE)和决定系数(Ccoefficient of Ddetermination,R2)MAE、RMSE、MAPE 和R2 分别为0.027、0.043、9.936和0.968,通过多种模型对比,表明该方法具有较高的预测精度,可以更准确地预测注水流量。此外,研究还证实,采用数据增强技术可以有效提高模型的预测精度。研究成果可为油田精细化注水提供调整方案与高质量数据,从而为油田智能化开发提供理论依据。     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,本文为了准确的对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证,结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型,以均方误差（MSE）为评价指标,将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。     

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。     

交通能源需求量组合预测模型研究

本文尝试将组合预测法应用于我国交通能源需求量的预测,以提高预测精度．通过赋予合理权重,将误差修正模型、非线性回归模型和多元回归模型加权组合建立组合预测模型．对各模型进行平均绝对百分误差（MAPE）、希尔不等系数（Theil IC）和均方根误差（RMSE）等指标的比较,证明单一模型经过组合能够提高预测精度．     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。     

基于城市道路卡口数据的交通流量预测

交通流量的预测可以为交通管理部门的工作和车主的出行规划提供很大帮助,如何进行准确且高效的交通流量预测是一个非常重要的问题。传统的交通流量预测数据通常是车速和行车轨迹,研究人员通过在高速上每隔一段距离布置交通传感器获得数据,这些方法应用于城郊地区和高速公路上,取得了很好的效果,但城市道路人口密集且交通情况复杂,不适合大规模布置传感器获得所需交通数据,所以不能使用现有的方法进行预测。笔者提出了一种利用城市道路卡口的交通流量数据进行预测的方法。首先,通过对已有的交通数据分析来总结交通流量周期性变化的特点;然后,基于这些周期性变化的特点来提取相应特征;最后,依据这些特征训练适用于城市卡口的交通流量预测模型。基于真实交通数据集进行了大量实验,结果表明,交通流量预测模型的预测值的RMSE和MAPE分别为15.3和7.3,即预测准确度可以达到92.7%。     

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。     

基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测

对电动公交车进行较为精准的短期充电负荷预测,有利于电网合理调度,从而在一定程度上缓解大规模电动公交车接入对电网冲击的影响。因此,提出一种基于DTW-SC与Bi-LSTM网络的电动公交短期充电负荷预测方法,以提高负荷预测精度。首先,结合电动公交车充电负荷具有的间歇性和波动性特点,提出基于动态时间规整(dynamic time warping, DTW)的改进谱聚类(Spectral Clustering, SC)方法,对公交车日充电负荷曲线进行聚类;其次,对每类负荷综合考虑时间、日类型、温度及历史负荷值等影响因素,利用双向长短期记忆(bi-directional-long short-term memory, Bi-LSTM)构建电动公交车短期充电负荷预测模型;最后,利用某市实际天气数据和历史负荷数据进行仿真验证,并与其它预测方法进行对比分析。实验结果表明,所提方法能提高短期充电负荷预测准确度。     

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。     

An improved BP artificial neural network algorithm for urban traffic flow intelligent prediction

The traffic flow is interrelated to traffic congestion, the big traffic flow directly results in traffic congestion of some section. In this paper, on the basis of the research of overseas traffic accident, considering the characteristic of Chinese traffic, artificial neural network was used to predict traffic accident, and an improved BP artificial neural network model according with Chinese the situation of a country was proposed. The urban traffic flow prediction was simulated under the particular situation, the simulation result shows that the improved BP artificial neural network can fit the urban traffic flow prediction very well and have high performance.     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function, PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。     

基于小波降噪与贝叶斯神经网络联合模型的短时交通流量预测

在短时间内准确、稳定地预测出交通流量,是实现智能交通控制系统的重要环节,对于交叉口信号控制方案的实时调整具有重要意义。鉴于此,提出一种 联合模型的预测方式,引入 和 作为模型评价指标,从精度和稳定性两个方面对模型进行评价。结果表明,在 、 、 等不同的时间预测尺度下, 联合模型的 和 均小于小波网络、贝叶斯网络、 网络等方法,短时交通流量预测结果的精度和稳定性得到了不同程度的提高。