基于相似聚类分析的交叉口交通流量预测

从城市道路交叉口交通流量的特征出发,采用数理统计学相关系数和聚类的方法,利用安装检测器交叉口检测出来的交通流量进行相似分析和聚类分析,对无检测装置的交叉口进行判别、归类,并对其交通流量的预测,可较好实现城市路网节点交通流量的预测和交叉口的宏观管理.     

上证综合指数的随机过程方法预测

应用随机过程方法预测了上证综合指数的走势.不同时期股价的运动是独立的,表现为一种随机状态.将上证综合指数当作一个随机变量进行预测,并作了实证分析.     

基于系统科学理论对交通流量预测的研究方法

随着经济的高速发展,城市化进程在不断加快．针对道路交通拥挤和交通控制等问题进行研究;基于系统科学理论研究分析城市道路交通系统结构的特性,研究利用这些特性进行道路交通拥挤预测和拥挤控制的模型,进而提出道路交通拥挤控制或缓解的措施和方法．     

基于BP神经网络的交通流量预测设计

在研究交通流量特性的基础上,以交通流量控制为最终目标,建立了基于BP（Back Propagation）神经网络的交通流量预测模型。以某市某三叉口路段为例进行仿真模拟,结果表明预测系统能较准确地预测出交通流量状况。     

探讨交通流量预测的几种方法

交通堵塞是制约城市经济发展的重要因素之一,如何解决使其畅通无阻是目前我国各大城市面临的一个难题.本文运用先进的理论技术,从不同的角度提出了几种进行交通流量预测的方法,如人工智能中的神经网络,面向对象等.可以及时、有效地对交通流量进行合理预测.为解决交通堵塞问题提供参考依据,最终达到规避拥堵,实现车流畅通的目的.     

基于循环独立机制的交通流量预测

交通流量预测是智能交通控制和管理系统的一个重要环节,但交通流量数据具有时间和空间上的非线性和复杂性等特征,为对其进行精准预测,本文提出了Graph Temopral Recurrent Independent Mechanisms (G-tRIM)模型。该模型使用图注意力网络(Graph Attention Networks, GAT)来有效捕获交通流量数据的空间依赖关系,使用循环独立机制(Recurrent Independent Mechanisms, RIM)来精准刻画交通流量数据的潜在状态。最后在北京和贵州数据集上,以均方误差(Mean Square Error, MSE)和平均绝对误差(Mean Absolute Error, MAE)为指标进行实验,结果表明,G-tRIM在各个数据集上的表现均优于基准模型。     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

基于聚类分析法的城市路网节点交通流量预测研究

城市路网系统节点（交叉口）的交通流量预测是城市交叉口宏观规划管理和交通流在路网中高效调度的依据,对其进行合理的预测意义重大,本文基于聚类分析法结合判别分析结果对主要交叉口及待判别交叉口交通流量进行预测,并用实例加以验证说明其实用性。     

基于交通流量预测的动态最优路径规划研究

针对传统算法仅适用静态路况的缺点,提出基于交通流量预测的动态最优路径规划方法.通过建立道路运营网络模型,计算流量碰撞概率和道路拥堵概率,重新定义路段的权值并改进了传统算法,实现了动态路况下的最优路径规划,并对传统算法与改进算法进行仿真实验,得到3种实验结果.结果表明,改进算法在交通高峰期得到的最优路径所需行驶时间比传统算法得到的最优路径行驶时间减少16%～23%,有效提高了交通调度效率.     

城市交通流量智能组合预测方法研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,实时、准确的交通流量预测是智能交通系统实现的关键技术之一,也是实现智能交通诱导及控制的前提。文章对几种重要的交通流量预测模型的理论和优缺点进行了比较,分析了影响预测模型的因素,提出了一种智能组合预测方法。该方法利用遗传算法群体搜索的特点,组合各种算法,优化预测思路,充分发掘不同算法的差异优势,实践证明该思路是切实可行的。     

Short-Term Traffic Flow Prediction Based on Road Network Topology

Accurate short-term traffic flow prediction plays a crucial role in intelligent transportation system (ITS), because it can assist both traffic authorities and individual travelers make better decisions. Previous researches mostly focus on shallow traffic prediction models, which performances were unsatisfying since short-term traffic flow exhibits the characteristics of high nonlinearity, complexity and chaos. Taking the spatial and temporal correlations into consideration, a new traffic flow prediction method is proposed with the basis on the road network topology and gated recurrent unit (GRU). This method can help researchers without professional traffic knowledge extracting generic traffic flow features effectively and efficiently. Experiments are conducted by using real traffic flow data collected from the Caltrans Performance Measurement System (PEMS) database in San Diego and Oakland from June 15, 2017 to September 27, 2017. The results demonstrate that our method outperforms other traditional approaches in terms of mean absolute percentage error (MAPE), symmetric mean absolute percentage error (SMAPE) and root mean square error (RMSE).     

基于数据挖掘技术的交通流数据分析研究

利用数据挖掘技术,通过对历史数据的分析预测下一个时间间隔的交通流状况,可以为交通流诱导和信息发布打下基础;通过对路口流量历史数据的聚类分析可得出单路口TOD控制算法的最优时段分段和各时段中的最优控制参数,从而优化单路口控制算法的控制效果;通过对路段流量历史数据之间的关联分析,可得出路段之间的关联规则,从而可以由一个路段的流量推断其关联路段的流量,为实时交通流诱导和信息发布提供实时依据。     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

基于小波的Web流量组合预测方法研究

为了提高Web流量的预测精度，提出一种基于小波、神经网络和自回归的组合预测方法．首先将Web流量构造为2个相关序列：历史序列和相似值序列；对具有平稳特征的相似值序列用AR模型进行预测；对体现了Web流量非线性、非平稳特性的历史序列则经过小波分解与单支重构后，针对各分支特点分别采用神经网络和自回归模型预测；最后组合2条序列的预测结果获得最终预测值．理论分析与实验表明：组合预测方法可以充分利用与流量相关的多种数据关系；小波分析可以将历史序列分解为多层频率成分更加单纯、更加易于预测的时间序列．因而所建方法比传统的预测方法具有更高的预测精度．     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.     

改进的LS-SVM算法及在交通流量预测上的应用

对标准的LS-SVM算法进行了改进,得到一种新的学习算法.这种新的学习算法不仅能减少计算的复杂性,提高学习速度;同时能提高函数估计的精确度.将改进的LS-SVM算法应用于交通流量的预测,同时与传统的多元线性回归及支持向量机方法进行比较,结果表明改进的LS-SVM方法具有较高的预测精度,且实验取得了较好效果.     

基于组合模型的网络流量预测

网络流量预测模型对于网络性能评价和服务质量保证有着重要意义。网络性能评价、网络规划、网络预测都离不开真实的数据和现象的捕获。基于自回归滑动平均模型（ARMA）,利用时间序列建模,提出了利用组合模型对网络流量进行预测的方法。理论分析和实验结果表明,组合模型能达到较高的预测精度。     

基于随机森林的流量分类方法

网络流量识别在提高网络管理能力和保护网络安全方面有着重要作用。传统的基于端口识别和深度包检测的方法由于无法应对端口随机化、数据加密等原因,识别效率大大降低。近年来,出现了基于流统计特征的识别方法。然而,已有的基于流统计特征的识别方法大多使用单个分类器进行流量识别,存在着精度提高难、环境依赖强等局限性。针对这一问题,提出一种基于随机森林的流量分类方法,基于多分类器集成的思想,采用由多个决策树集成、由随机向量决定决策树构造方式的随机森林,实现对网络流量的分类。实验分析结果表明,所提出方法的分类性能优于常见的基于C4.5和Naive Bayes的流量分类方法。     

基于车流量的智能交通控制系统设计

设计了一种交通灯与车流量信息相匹配的智能交通控制系统,主要包括交通灯控制模块、无线数据通信单元、红外车流量检测电路、红绿灯显示电路、车距检测电路、LCD液晶显示以及电源转换电路等模块.测试结果显示,电路各个功能模块运行稳定,能够根据检测到的车流量信息实时调整交通灯时长,同时车流信息能通过无线模块实时发送给移动车辆,从而有助于引导车辆分流,对缓解交通拥堵,提高交通安全性具有良好的应用价值.