基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精...     

基于云模型的短时交通流预测

对云模型的理论知识进行说明,提出用云模型建立短时交通流预测模型,采用成都市路口实测的实时数据,通过平均误差以及平均绝对误差指标(分别为36.5辆和4.8%)来验证基于云模型的短时交通流预测的可行性、实时性以及准确性。     

基于遗传灰色GM(1,1,ρ)模型的短时交通流量预测

为了提高短时交通流量的预测精度,本文根据短时交通流量的数据特征,结合灰色模型在短时预测方面的优势,利用遗传算法根据已知数据优化灰色新陈代谢GM(1,1,ρ)模型的背景值参数ρ,对实时采集的交通流量数据进行仿真分析,实验结果验证了该模型的准确性、实时性和有效性。     

基于VMD-HSSA-BP神经网络模型的短时交通流预测

针对交通流数据的非平稳性和短时交通流预测高精度要求的问题,提出了一种由变分模态分解（VMD）、改进麻雀搜索算法（HSSA）和BP神经网络的组合预测模型。模型利用变分模态分解降低历史交通流数据的非平稳性,使用Hammersley和自适应控制因子分别改进麻雀搜索算法种群初始化和发现者位置更新公式,提高麻雀搜索算法的收敛速度和寻优能力,使用改进后的麻雀搜索算法寻找BP神经网络的最优权值和阈值,提升BP神经网络预测的精准度。通过仿真,将模型与现有模型进行对比,模型预测结果更好,验证了模型能克服交通流数据非平稳性,并具有较好的预测精度。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解（VariationalMode Decomposition,VMD）和改进麻雀搜索算法（ImproveSparrowSearchAlgorithm,ISSA）与长短期记忆（LongShort-Term Memory, LSTM）神经网络相结合,建立一种短时交通流预测模型（VMD-ISSA-LSTM）。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。     

应用手机GPS数据预测交通流速度

准确估计交通状况,定位交通拥堵是方便人们出行的重要一步。利用手机GPS信息,预测交通拥堵具有很广阔的应用前景。本文采用基于主成分分析的多元线性回归的方法构建预测模型,利用GPS定位数据对短时交通流速度进行预测。实验结果表明,基于手机GPS数据所构建的回归模型能够对交通流速度进行有效的预测。     

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

基于灰色理论的GM(1,1)模型对配电网进行中长期负荷预测

经济的发展带动了我国电网的建设,电能来是不能够进行储存的,因此,电能的生产、传输以及销售等环节都是同时进行的,因此,保持电能在各个阶段能够稳定地满足任何时刻的需要是至关重要的,但是电能也是随时发生变化的,因此如何对电能做出一个预测和判断,需要相关更加关注,以便能够提前对电能进行安排,保证满足生产所需,保证供电能够正常进行,预测过程中根据以往的数据分析及影响的相关因素,总结变化发展规律,运用一定的预测方式,达到时间以及空间的统一.     

基于组合模型的短时交通流量预测算法

交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍,均方误差为BP的1/50, ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。     

基于模糊C均值聚类和随机森林的短时交通状态预测方法

交通拥堵长期以来是城市面临的主要问题之一,解决交通拥堵瓶颈刻不容缓。准确的短时交通状态预测有利于市民预知交通出行信息,及时采取措施避免陷入拥堵困境。该文提出一种基于模糊C均值聚类(FCM)和随机森林的短时交通状态预测方法。首先,利用一种新颖的融合时空信息的自适应多核支持向量机(AMSVM)来预测短时交通流参数,包括流量、速度和占有率。其次,基于FCM算法分析历史交通流,获取历史交通状态信息。最后,利用随机森林算法分析所预测的短时交通流参数,得到最终预测的短时交通状态。该方法在融合时空信息的同时采用随机森林算法应用于短时交通状态预测这一全新的研究领域。实验结果表明,FCM对历史交通状态的评估方式适用于不同的高速路和城市道路场景。其次,随机森林比其它常见的机器学习方法具有更高的预测精度,从而提供实时可靠的短时交通出行信息。     

基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。