基于多种模型组合的短时交通流预测

日益增加的交通流量使得道路交通面临着严峻考验,运用现代技术手段,对短时交通流进行精准的预测,能为改善及便利道路交通管理.为此提出一种基于长短时记忆神经网络(LSTM)、门控循环单元(GRU)、栈式自编码器(SAE)以及简单循环单元(SRU)模型相结合的短时交通流预测模型——LGSS模型.实验表明LGSS组合模型的预测效...     

基于组合模型的短时交通流预测

为了提高预测精度,利用每周同一天交通流变化相似的特点,提出了一种短时交通流组合预测模型,采集每周同一天的交通流数据进行预测。组合模型包括两个子模型:BP神经网络模型、GM(1,1)模型。BP神经网络模型具有强大的非线性逼近能力,对于庞大无序的交通流数据信息具有良好的处理能力。GM(1,1)模型能够反映交通流时间序列的总体变化趋势,相对误差小。通过计算两种子模型在上一时间段的预测误差比值,确定出在下一时间段的预测中两种子模型预测结果所占的权重,然后将这两个子模型在下一时间段的预测结果进行加权求和,作为组合模型的最终预测值。实验结果表明,组合模型发挥了两种子模型各自的阶段性预测优势,是短时交通流预测的一种有效方法。     

基于组合模型的短时交通流预测

在交通管理中,为了解决城市交通道路拥塞问题,提出一种可靠稳定的短时交通流预测算法.基于小波神经网络和历史趋势两种方法建立单性预测子模型,提出用小波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,实现对单项预测子模型结果的融合,通过MatLab平台对实测交通流量数据进行了仿真,结果表明,该种组合预测在短时交通流量预测方面是切实可行的.     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

组合预测模型在短时交通流预测中的应用研究

根据智能交通诱导和信号控制的需要,短时交通流预测应具备实时性、准确性和可靠性,应用单项预测模型已不能满足当前交通流预测的要求,借此提出了以时间序列法、非参数回归法和RBF神经网络预测法为基础的定权系数和变权系数组合模型进行短时交通流预测,实例应用表明组合预测模型较单项预测方法预测精度有显著的提高。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于加权组合模型的短时交通流预测研究

为了改善城市路网中短时交通流预测效果,提高预测精度,设计了一种基于改进的K近邻非参数回归和小波神经网络加权组合的短时交通流预测方法.针对K近邻非参数回归预测方法搜索量大、相似性差等问题,采用基于交叉口相关系数加权的欧氏距离选择K近邻值.小波变换与神经网络有机结合形成的前馈型网络,对非平稳的输入信号能够呈现出良好的时频特性和变焦能力,对短时交通流预测效果有着明显的提升.通过算例分析,说明所设计的预测方法能够获得比较精确的短时交通流预测结果.     

基于核学习方法的短时交通流量预测

基于核学习的强大非线性映射性能,针对短时交通流量预测,提出一类基于核学习方法的预测模型。核递推最小二乘(KRLS)基于近似线性依赖(approximate linear dependence,ALD) 技术可降低计算复杂度及存储量,是一种在线核学习方法,适用于较大规模数据集的学习;核偏最小二乘(KPLS)方法将输入变量投影在潜在变量上,利用输入与输出变量之间的协方差信息提取潜在特征;核极限学习机(KELM)方法用核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性。为验证所提方法的有效性,将KELM、KPLS、ALD-KRLS用于不同实测交通流数据中,在同等条件下,与现有方法进行比较。实验结果表明,不同核学习方法的预测精度和训练速度均有提高,体现了核学习方法在短时交通流量预测中的应用潜力。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络（FCMAC）将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络(FCMAC)是将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

基于粒子群优化的神经网络短时交通流量预测

基于短时交通量的不确定特性,对城市相邻交叉口路段的交通流建模方法进行了研究.提出了基于粒子群优化的BP神经网络的信号交叉口交通量预测模型.该模型以BP神经网络为基础,用PSO算法对BP神经网络权值和阚值进行优化,从而提高了网络的预测精度.实时预测时,不只考虑本路口前几个时段交通量,同时也考虑了上下游路段的交通量的影响.仿真结果表明,粒子群-BP神经网络预测模型可以成为交通量预测的一种有效手段.     

基于CNN-XGBoost混合模型的短时交通流预测

准确、高效的交通流预测是实现交通诱导和交通控制的前提和关键。针对传统机器学习方法需要人工构造特征、无法充分提取交通流的时空特征等问题,提出一种混合预测模型,该模型结合卷积神经网络（Convolutional Neural Network,CNN）和XGBoost（Extreme Gradient Boosting）各自的优势,在网络底层使用CNN对交通流数据进行特征的自动提取和选择,并将得到的高维特征向量输入到XGBoost模型中进行预测。为验证模型有效性,取高速路段的交通流数据对CNN模型、XGBoost模型和CNN-XGBoost模型进行实验对比,结果表明,在预测精度上,CNN-XGBoost模型比CNN模型和XGBoost模型分别提高了约6%和7%,是一种有效的短时交通流预测模型。     

基于数据预处理灰色神经网络组合和集成预测

当研究的系统扰动因素过大或系统行为在某个时川点发生突变，出现严重扰动系统的异常数据时，提出不应直接按原始数据建模预测，而应根椐实际情况适当地对数据预处理．提出了基于数据修正的改进型灰色神经网络组合和集成预测，并根据南昌火车站旅客发送量时间序列建立了多个模型，从模型预测效果对比中说明数据修正、改进型灰色模型和改进型灰色神经网络、灰色神经网络组合和集成确实能提高预测精度．另外，修正数据要把握一个度，不能修正全部数据，只能修正较异常的数据，要在数据的趋势性和预测的灵敏性间取得平衡。     

灰色Verhulst模型在短时交通流预测中的应用

为提高短时交通流预测模型精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。短时交通流某一时段内数据具有饱和状态S形过程的特性,采用Verhulst预测模型比GM(1,1)模型具有更高的预测精度。利用2007年10月21～23日6:00～8:25的交通流数据进行实验,结果表明:Verhulst模型的预测精度明显优于GM(1,1)模型。     

基于SOA-LSSVM的短时交通流量预测

针对短时交通流量存在的非线性与不确定性的问题,结合搜索者算法收敛精度高和最小二乘支持向量机计算速度快的优点,提出基于搜索者-最小二乘支持向量机( SOA-LSSVM)的流量预测模型,将该模型应用于短时交通流量预测,并与人工神经网络进行对比分析,结果表明,该模型具有较高的预测精度和泛化能力,适合于短时交通流量的预测,具有良好的推广应用价值。     

基于遗传算法的交通流量组合预测研究

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的关键技术之一，也是实现智能交通诱导及控制的前提。本文首先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，然后提出了一种基于遗传算法的流量组合预测方法，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有效的。