融合多维时空特征的交通流量预测模型

为了精准预测交通流量,充分提取交通流中复杂的线性和非线性特征及其依赖关系,提出了融合多维时空特征的CLABEK模型。其中,由Conv-LSTM、BiLSTM和Dense神经网络分别提取时空特征、周期特征和额外特征(节假日、天气状况以及温度等),并通过将上述模型融合从而全面获取交通流的非线性特征;由卡尔曼滤波提取交通流的线性特征。在公开数据集上的对比实验证明,CLABEK模型在短期交通流预测任务上表现出最好的预测效果。     

两种整流方式的牵引供电系统仿真比较

24脉波整流器由于能量只能单向流动,制动时直流侧能量无法回馈,导致能量利用率较低,直流侧电压脉动大。新型城市轨道交通采用PWM整流器,很好的解决了这一问题。分别建立了24脉波整流器和PWM整流器的仿真模型,采用快扫描的方法分别对基于24脉波整流器的传统牵引供电系统和基于PWM整流器的新型牵引供电系统进行了运行仿真,对仿真结果进行了对比。从仿真的结果可以看出基于PWM整流器的新型牵引供电系统直流侧电压稳定,能提高能量利用率。     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.