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.     

基于混沌理论的交通流短时预测模型

交通流预测是交通系统可行性分析、交通设计和交通管控的基础,短时预测是交通流预测的难点.论文在分析现有交通流预测方法的基础上,提出了一种基于混沌理论的交通流短时预测方法,利用基于小数据量的W olf改进算法计算了流率序列的最大Lyapunov指数.将基于Lya-punov指数的一维预测模式具体化,建立了交通流短时预测模型,并对模型进行了改进,改进后的预测结果具有较高的精度.该模型在智能交通系统(ITS)的交通控制与诱导方面具有广阔的应用前景.     

基于非线性理论的短期交通流预测研究

尝试用非线性理论对短期交通流进行分析和预测.建立了基于混沌动力学理论的短期交通流预测模型和方法,给出短期交通流预测的框架,用主分量分析法(PCA)对三种采样间隔(1 min5、min和15 min)的短期交通流数据进行分析,在判定短期交通流表现出混沌特性的基础上,用基于相空间重构理论的加权一阶局域预测法进行短期交通流预测.理论研究成果在上海延安高架路5 min采样间隔的交通流线圈检测数据中得到了验证,预测数据与实测数据吻合较好.     

基于WA-LSTM的短时交通流组合预测模型

为解决一维短时交通流数据难以提取特征而造成预测精度低的问题,引入小波分解对传统LSTM模型进行改进,构建一种基于WA-LSTM的短时交通流组合预测模型。首先通过小波多尺度辨析将一维短时交通流时间序列数据分解为低频趋势分量和高频细节分量,舍去最高频细节分量达到去噪效果;然后对剩余的分量使用LSTM进行建模和预测,将每个分量得到的预测结果重构,最终得到短时交通流预测结果;最后通过Pems系统实测数据对模型进行验证。研究结果表明,在以5 min为间隔的短时交通流预测中,WA-LSTM模型比传统BP、传统LSTM、WA-BP模型的预测精度更高。     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

基于模糊卡尔曼滤波的短时交通流量预测方法

为解决卡尔曼滤波模型预测交通流量存在的时间滞后性问题,在已有卡尔曼滤波短时交通流量预测模型基础上,结合城市道路交通流日相似性特点,对已有卡尔曼滤波预测模型进行改进,并通过模糊逻辑方法对改进模型中的参数加以确定,设计出模糊卡尔曼滤波交通流量预测模型,从而对短时交通流量进行实时准确预测.数值分析及对比结果表明:相较于卡尔曼短时交通流量预测方法,模糊卡尔曼短时交通流量预测方法能够提升预测过程的实时性,并使平均相对误差降低0.27%,平均绝对相对误差降低7.26%,最大绝对相对误差降低32.43%,进一步提高了预测精度.     

基于相空间重构的负荷动态分析

负荷管理系统的主要目的是缓解目前电力供需紧张的矛盾。通过对负荷动态预测,优化负荷的配给,从而达到社会效益和经济效益的最佳。因此,准确地预测负荷动态变化是负荷管理的关键。针对该问题,根据实践的情况,提出了日（月）最大负荷率和日（月）最小负荷率,在此基础上,按相空间重构的负荷动态分析方法对负荷进行动态预测,模拟试验表明效果较好。     

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.     

两种基于相空间重构的电力系统短期负荷预测方法分析

短期负荷预测是电力系统调度运营部门一项重要的基础工作,预测精度的高低直接影响到电网运行的安全性、经济性以及电能质量。采用符合短期负荷特性的混沌理论对短期负荷进行预测,在相空间重构和混沌识别的基础上,建立短期负荷加权一阶局域多步预测模型和最大Lyapunov指数的预测模型,通过对一组实际的短期负荷数据进行预测,仿真结果表明:两种方法都能较准确地预测短期负荷,对于一周内的预测结果,最大Lyapunov指数预测模型的预测精度略高于加权一阶局域多步预测模型的预测精度。     

相空间导数重构法的探讨

探讨了导数重构法在实际应用中存在的问题：重构相空间的坐标间尺度差异太大及由时间序列求导时产生的计算误差太强。这两个问题重构相空间受到强烈的噪声干扰,而无法用来表征系统的混沌特征。提出针对性的改进措施：一是采取坐标归一化措施,二是采用曲线拟合对时间序列求导。实际的重构证明,改进导数重构法有效地克服了导数重构法的实际应用困难,能有效地用来揭示系统的混沌特征。     

基于Att-Bi-LSTM的高速公路短时交通流预测研究

针对高速公路短时交通流预测问题,从数据驱动视角出发提出考虑注意力机制的双向长短时记忆神经网络(Attention Bi-directional Long Short-Term Memory,Att-Bi-LSTM)高速公路短时交通流预测模型。首先,从实际的高速公路运营线路中获取样本数据并进行相应的预处理;其次,采用滑动窗口模型进行数据重采样,并基于重采样后的样本数据构建Att-Bi-LSTM高速公路短时交通流预测模型;最后,为验证所构建模型的准确性,依托京台高速泰安收费站断面的交通流数据进行实例应用,并将其预测结果与LSTM、BP、SVR算法的预测结果进行对比。结果表明:所构建的Att-Bi-LSTM预测模型预测精度较高、模型泛化能力强,可为高速公路短时交通流预测提供一种新的思路。     

基于实际最大信号控制周期的交通流预测方法研究

引入非线性理论分析方法,在分析判定采样周期为实际最大信号控制周期（3min）的交通流数据表现出混沌特性的基础上,用基于相空间重构理论的局部预测方法进行预测,预测数据与实测数据吻合较好。     

基于MCTLBO-RNN的短时交通流预测

短时交通流预测对提高运输效率和缓解交通拥堵具有重要作用。为解决交通流信号因非线性和强干扰特征所带来的预测精度低的问题,作者研究了一种小波阈值去噪算法处理交通流信号中的噪声,并提出了一种基于多班级教学优化算法的循环神经网络(MCTLBO-RNN)模型进行短时交通流预测,通过加入多班级策略,教师优生自学策略和差生反馈学习策略,来提高模型收敛速度和局部寻优能力,最后通过与其他神经网络进行对比,验证文中方法具有较好的全局寻优能力和预测精度。     

短时交通流智能混合预测技术

为了克服现有单项预测技术对不同交通流状况的局限性,提出一种新的短时交通流智能混合预测模型.该智能混合预测模型包括3个子模型:历史平均模型、人工神经网络模型和模糊综合模型.历史平均模型以历史数据为基础,利用一次指数平滑法良好的静态稳定特性,对交通流量进行预测.人工神经网络模型采用常见的由S函数神经元组成的1.5层前馈神经网络,由于人工神经网络具有强大的动态非线性映射能力,该模型对动态交通流量的预测具有较高的精度和满意度.根据上述2个单项模型的特点,为了充分利用它们对不同交通状况的适应性,进一步提高整体预测效果,采用模糊逻辑来综合这2个单项模型的输出,并把模糊综合模型的输出作为整个智能混合模型的最终交通流量预测值.实际应用结果表明,该混合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了2种模型各自的优势,是短时交通流预测的一种有效方法.     

基于G-P算法的快速路交通流参数相空间重构

提出了一种基于混沌分析的G-P(Grassberger-procaccia algorithm)算法将非平稳交通流参数时间序列近似转化为平稳时间序列的方法。首先采用自相关函数判断自由流状态、拥挤流状态和阻塞流状态下交通流基本参数时间序列的平稳性。然后应用G-P算法计算嵌入维,进行相空间重构,给出交通流参数时间序列平稳化方法。最后利用快速路交通流实测数据,对3种状态下非平稳的交通流参数时间序列的平稳化进行验证,结果表明:本文方法能够为交通流参数分析、拟合和预测提供科学合理的输入集。     

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。     

基于相空间重构的降雨时间序列降噪及预测研究

为解决降雨混沌时序预测精度较低的问题,基于相空间重构思想,引入改进的局部投影算法进行降雨时序的降噪;采用定性和定量的混沌特性判定方法,指出降雨时序具有明显的混沌特性.并在此基础上构建了基于最小二乘支持向量机的降噪、预测一体化模型并进行了多步预测实验.实验结果表明:降噪前后预测精度相差很大,表明噪声是造成混沌预测方法预测精度较低的主要原因.最后通过与其他预测方法比较,验证了所建立的混沌预测模型预测精度高、误差较小,可用于工程实际.     

确定相空间重构嵌入维数的研究

由于相空间重构是船舶机械系统混沌振动识别的重要基础,研究了确定相空间重构嵌入维数的新方法.首先应用相空间局部流形变化最小原理和互信息方法计算重构延迟时间,在此基础上提出无阈值计算嵌入维数方法.在嵌入维数过低的情况下,吸引子被压缩,在低维空间中产生了伪邻点,随着维数的增加,邻近点对之间的距离逐渐增大,伪邻点数逐步减小.研究发现吸引子上邻近点之间距离的变化速度随嵌入维数增加并不是无限增大,而是受一定条件的限制.通过定义指标G对邻近点对的演化行为进行定量刻画,当嵌入维数达到某一特定值时,G曲线趋向于饱和,吸引子结构最为有序,因而所对应的嵌入维数为最小嵌入维数.该方法在计算过程中不需要选择阈值,因而更具有客观性.通过对Lorenz以及Henon系统产生的混沌数据进行分析,证实了该方法的有效性,同时研究了数据长度、噪声以及延迟时间对该方法的影响.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

基于DFP的自适应算法及其在短时交通流预测中的应用

研究了一种基于可变收敛因子的Davidon-Fletcher-Powell(DFP)自适应算法,给出算法中自相关逆矩阵估计的递归更新公式。对DFP算法中参数τ(n)的作用及算法的计算复杂度进行了分析。当分别输入正弦信号和高斯白噪声时,对不同滤波器阶数的τ(n)随样例个数变化情况进行了仿真,并将DFP算法分别应用于3 min和5 min短时交通流预测。结果表明:τ(n)最终将趋于稳态值0.5,DFP算法能够较好地反映交通流量变化的趋势和规律,预测精度较高。