基于多源数据融合的高速公路路网短时交通流参数实时预测

针对高速公路路网交通数据中存在大量噪声数据与缺失数据,数据完整度较低,导致预测精度下降的问题,提出一种基于多源数据融合的高速公路路网短时交通流参数实时预测方法。采用小波分析阈值法对高速公路路网交通数据进行去噪处理,在最小二乘支持向量机基础上采用组合阈值填补方法填补交通数据序列中存在的缺失数据,提高交通数据的完整度。结合小波神经网络和遗传算法建立短时交通流参数预测模型,采用遗传-小波神经网络处理多源检测器采集到的交通流参数,通过最小二乘动态加权融合算法融合多个检测器的交通流参数,将交通流参数输入预测模型中,得到高速公路路网短时交通流参数实时预测结果。实验结果表明,采用本文方法处理后的交通数据序列中不存在缺失数据,数据完整度较高,且所得预测结果与实际车流量变化曲线较为贴近,预测精度高,可以广泛应用在交通流预测领域。     

基于时空特性和灰色神经网络的短时交通流预测

为了提高城市道路短时交通流的预测精度,提出一种基于时空变化特性和灰色神经网络的短时交通流预测模型。通过对道路短时交通流时间和空间特性的分析,将预测路段与相邻路段进行灰色关联度分析,深度挖掘道路交通流的空间信息,并利用灰色神经网络组合模型对预测路段进行短时交通流预测。以合肥市的道路实测数据进行实例分析,结果表明,相比单一时间序列预测模型,该方法有效提高了道路短时交通流的预测精度。     

基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

基于奇异谱分析和CKF-LSSVM的短时交通流量预测

为了提高短时交通流预测的精度,提出了基于奇异谱分析和组合核函数最小二乘支持向量机(CKF-LSSVM)的短时交通流预测模型。首先,采用奇异谱分析方法,滤除交通流序列的噪声成分。然后,使用降噪后的交通流数据训练CKF-LSSVM,并通过粒子群优化算法确定模型参数。最后,以厦门市的实测数据为基础,对预测模型进行实验验证和对比分析。结果表明:本文所构建模型具有较好的预测效果,能够有效提高短时交通流预测精度。     

改进的支持向量机算法在短时交通流预测中的应用

把交叉验证和网格搜索算法引入支持向量机预测算法,建立了改进的支持向量机预测模型,并将其应用于短时交通流预测进行实证分析。以某城市道路的实时数据来对模型进行验证,预测结果表明了该模型的有效性。     

一种融合纵横时空特征的交通流预测方法

针对现有城市道路交通流预测研究中，上下游交通流时滞特性与空间流动特性挖掘不足、车道级交通流时空特性考虑不充分的问题，提出一种融合纵横时空特征的交通流预测方法。首先，通过计算延迟时间量化并消除上下游交通流断面间的空间时滞影响，增强上下游交通流序列的时空相关性。其次，将消除空间时滞的交通流通过向量拆分数据输入方式传入双向长短时记忆网络，用以捕捉上下游交通流纵向的传递与回溯双向时空关系，同时利用多尺度卷积群挖掘待预测断面内部各车道交通流间多时间步横向时空关系。最后，采用注意力机制动态融合纵横时空特征得到预测输出值。实验结果表明，相较于常规时间序列预测模型，所提方法在单步预测实验中，平均绝对误差、均方根误差分别下降了约15.26%、13.83%,决定系数提升了约1.25%。在中长时多步预测实验中，进一步证明了所提方法可有效挖掘纵横向交通流的细粒化时空特征，并具有一定的稳定性和普适性。     

高速公路短时交通流组合预测研究

为解决单一高速公路短时交通流预测模型预测精度低的问题,提出一种基于门控循环单元神经网络(Gated Recurrent Unit,GRU)和支持向量回归(Support Vector Regression,SVR)的组合预测模型。在对收集到的样本数据进行降噪处理后,分别构建GRU和SVR预测模型并基于最优组合赋权法对二者的预测结果进行赋权以得到最终预测结果。为检验所构建的GRU-SVR预测模型的实践适用性,依托实际高速公路交通流数据进行实例验证,并与单一的GRU、SVR模型预测结果进行对比。结果表明:所构建的预测模型具有较高的预测精度和泛化能力,可为高速公路短时交通流预测提供指导和借鉴。     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.     

高速公路动态交通流支持向量机预测模型

为了提高高速公路的交通运行效率,需要实时预测各路段交通流参数状况,通过对高速公路宏观动态交通流模型的分析,以及对SMO支持向量机参数选择的研究,提出了高速公路动态交通流支持向量机预测模型.以西安-宝鸡高速公路交通流信息采集数据对模型进行训练、测试和仿真,预测平均相对误差小于3.84%,表明了模型的有效性.     

城市交通短时交通信息自适应遗传预测方法

目的 根据交通流特性,建立短时交通信息预测模型,预测短时交通信息.方法 在大规模、时变路网中,采用遗传算法进行短时交通信息的预测,建立了一种基于自适应遗传算法的短时交通信息预测模型,给出了相应的自适应遗传和变异算子,提出了适用于交通信息预测的模型评价指标.结果 仿真试验表明自适应遗传算法短时交通流预测模型可以满足大规模路网中交通信息预测的准确性、实时性和快速性要求.结论 采用自适应遗传算法进行交通信息预测优于基本遗传算法.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

Adaptive Modeling and Forecasting of Time Series by Combining the Methods of Temporal Differences with Neural Networks

ＡｄａｐｔｉｖｅＭｏｄｅｌｉｎｇａｎｄＦｏｒｅｃａｓｔｉｎｇｏｆＴｉｍｅＳｅｒｉｅｓｂｙＣｏｍｂｉｎｉｎｇｔｈｅＭｅｔｈｏｄｓｏｆＴｅｍｐｏｒａｌＤｉｆｆｅｒｅｎｃｅｓｗｉｔｈＮｅｕｒａｌＮｅｔｗｏｒｋｓＹＡＮＧＬｕ；ＨＯＮＧＪｉａｒｏｎｇ；ＨＵＡＮ...     

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型. 该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆（LSTM）网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构. 分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测. 结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性. 对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.     

基于WA-GRNN模型的年径流预测

针对传统的中长期水文预测方法由于缺乏对水文要素本身内部结构和变化特性的描述,往往导致建模过程中确定模型结构、参数等存在盲目性,而以往常用预测模型收敛速度较慢、模型结构及参数优化复杂等问题。本文将小波分析（WA）和GRNN神经网络联合使用,建立了中长期水文预测模型：即先应用WA揭示水文序列内部结构及变化特性,从而将原序列分为确定性成分和随机成分两部分,然后利用GRNN神经网络对确定性成分和随机成分分别进行模拟预测,最后将两部分结果叠加作为最终预测值。将该模型用于沱江中上游三皇庙水文站年径流的预测,并与传统方法进行对比。结果显示该模型预测效果较传统方法更好,能有效地揭示序列的时频结构和变化特性,对于生产应用具有较强的实际意义。     

面向航空发动机多传感器并行预测模型的设计与实现

为了准确预测航空发动机工作时传感器数据的变化趋势,有效监控航空发动机的工作状态,该文就发动机高压压气机转子转速、燃烧室燃油喷嘴压力、涡轮后温度等数个航空发动机主要传感器数据,使用滑动窗口算法截取子序列构建数据集并对其进行标准化。提出了一种基于Seq2Seq的面向航空发动机多传感器数据预测神经网络模型(AMSDPNN),并对该网络进行优化,最终实现了对航空发动机多传感器数据的预测。实验表明,相较于其他传统数据预测模型,该模型有着更好的预测效果,其均方误差值为0.1%,同时提前320 ms实现了对航空发动机传感器数据的预测。     

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．     

一种基于灰色系统和支持向量机的预测优化模型

针对传统的灰色系统中预测模型涉及相关因素多,预测效率与精度不足等问题,结合粗糙集理论和支持向量回归机方法,提出了一种改进的预测优化算法。该模型算法首先利用属性约简技术解决影响因子不相容性问题并有效缩减了影响预测值的因子空间,降低计算的复杂性;然后采用灰色模型进行数据预测,并将预测结果作为支持向量机的输入,进而求解优化模型的预测值,最后采用1990～2010年我国人口数据对我国人口进行预测。实验结果表明该预测优化模型在预测效率和精度方面具有较好的表现。     

三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。     

BP神经网络在带钢宽展预测中的应用

传统数学模型对非线性系统进行预测往往造成较大误差，而BP神经网络能取得较好的效果．本文将BP神经网络的思想用于热连轧精轧自然宽展预测。研究并建立了基于BP神经网络的精轧自然宽展预测控制数学模型。经用现场实测数据仿真验证表明该模型大大优于传统的数学预测模型的预测精度．     

混沌局域法与神经网络组合供水量预测

城市供水量是非线性、非平稳时间序列,组合预测模型能获得更高精度预测结果。通过深入分析混沌局域法与神经网络预测模型特点,提出了一种新的组合预测模型。首先,应用混沌局域法对城市日供水量进行初预测,然后,应用神经网络对预测结果进行修正。由于所提出的组合模型利用了混沌局域法及神经网络进行优势互补,能同时提高预测精度与计算效率。为验证所提出组合预测模型的可行性,采用某市7 a实测供水量数据,对混沌局域法、BPNN、RBF及GRNN神经网络4种单一预测模型及相应的3种组合模型预测精度进行定量分析,结果表明,组合预测模型精度都高于对应单一预测模型,混沌局域法与GRNN神经网络组合模型预测精度最高,且运算时间远低于单一神经网络模型运算时间。