拥挤流状态下城市快速路交通流时空特性

为了定量分析拥挤流状态下城市快速路交通流时间和空间特性,首先采用自相关函数法判断交通流率、占有率和速度时间序列的平稳性;其次,研究拥挤流状态下交通流参数空间传递特性;最后,基于混沌分析中的G-P算法建立模型将非平稳的交通流参数时间序列转化为平稳时间序列.研究表明:拥挤流状态下,交通流率表征为平稳的时间序列,速度和占有率属于非平稳时间序列;空间上,上游断面对下游断面的速度参数具有传递作用,下游断面的速度参数对上游具有回溯影响,当时间延迟为2 min时,取嵌入维为4进行相空间重构,可将速度时间序列转化为平稳的时间序列.     

速度梯度模型的高速公路交通流状态估计方法

为改进高速公路交通流状态估计方法,采用速度梯度模型作为交通流的系统状态方程构建交通流状态估计模型.通过对速度梯度模型参数的敏感性分析,发现模型估计误差对自由流速度和阻塞传播速度两参数较为敏感,需在线估计.然后分别给出了速度梯度模型与扩展卡尔曼滤波以及无迹卡尔曼滤波相结合的高速公路交通流状态估计方法,并应用实测数据对两类交通流状态估计方法的性能进行了评估.结果发现:两类交通状态估计的精度均可达85%左右,无迹卡尔曼滤波算法精度略好于扩展卡尔曼滤波,但计算时耗大.基于速度梯度模型的交通流状态估计方法能有效估计和跟踪交通流状态的变化,且相较于同类方法,所需标定的模型参数更少.     

基于模糊逻辑的交通拥挤状态识别算法

在模糊综合评判算法的基础上,提出基于模糊逻辑的交通拥挤状态识别算法。该算法将占有率、密度和行程时间3个基础交通流参数进行组合,得到服务水平、相对密度、相对行程时间3个新的特征变量,采用梯形函数分别计算隶属度,根据隶属度评判交通拥堵状态,最后结合某城市主干道路采集的交通动态参数对此方法进行算例分析,显示该算法的工作流程与输出结果。       

基于非线性动力学分析的车辆运行状态参数数据特征辨识

考虑到车辆运行状态参数时间序列不仅呈现随机性,有些还呈现混沌特性,因此,有必要对其参数数据特征进行正确辨识,以区分其参数时间序列是随机的还是混沌的。应用延迟坐标状态空间重构和最大李雅普诺夫(Lyapunov)指数法进行了非线性动力学分析,对车辆运行状态参数数据的有效信息进行深层提取。研究结果表明,由G-P算法求解得到的饱和关联维数是非整数,且最大Lyapunov指数大于零,两者综合表征此序列是混沌时间序列。因此,依据辨识结果选择适宜方法进行后继研究更具科学性。     

基于多维时间序列的数控机床状态预测方法研究

针对数控机床状态数据的多样性、时序性,机床状态难以预测等问题,提出了一种基于多维时间序列的数控机床状态预测方法。首先,基于OPC（OLE for Process Control）技术进行机床状态数据采集,采用Min-max标准化和自回归移动平均模型对数据进行预处理,构建多维时间序列矩阵,建立机床状态的度量模型和评价函数,采用特征向量、特征趋势距离标示状态模型,利用差异度对状态模型进行对比衡量。其次,利用滑动时间窗口技术表征机床未来状态,以时间窗口长度l和滑动时长w获取机床历史状态集合,提出基于窗口滑动的多重匹配状态预测方法,利用β-耦合相似度量标准寻找与当前状态矩阵相似度最大的历史状态集合Xk,根据给定的相似性阈值确定最优滑动时长w和预测时长l,以Xk跟随状态Xk*的变换趋势和规律作为机床下一时刻的状态。针对噪声数据干扰问题,提出基于密度空间聚类算法的状态序列分析方法,通过引入欧几里得距离和缩小权重因子确定算法参数,求出表征机床某时刻状态的最佳状态矩阵。最后,以机床主轴四项参数为例进行数控机床状态预测实验,根据状态序列相似性分析结果确定了预测时长为24s,滑动单位为2s。预测结果表明,基于多重匹配的矩阵形式、向量形式的状态预测方法比传统的AR预测模型的各项误差都低,预测结果更加准确。     

结合灰聚簇与Fisher变换的城市快速路交通状态判别

为提高少数据下的城市快速路交通流状态类型判别精度,提出一种结合灰聚簇与Fisher变换(GC-Fisher)的组合方法.选择交通量Q、速度v、占有率O作为基础参数,首先经灰聚簇理论将基础参数数据聚簇为4类,其次对分类后的数据构建训练集,训练GC-Fisher模型,获取每一种交通流状态类型的Fisher变换方式及判别函数,最后选择结合K均值与多分类支持向量机(K-SVM)的组合方法进行比较.结果表明:在数据量较少条件下对交通流状态类型进行判别,GC-Fisher模型判别率为92%,优于K-SVM模型的判别率69%,GC-Fisher组合方法在少数据下能够更好地提高交通流状态类型的判别效果.     

基于经验模态分解的时间序列预测方法

时间序列预测方法广泛应用于各个领域。对非平稳非线性时间序列预测方法进行了研究,利用经验模态分解法将此类序列分解为平稳时间序列,然后选择合适的步长,应用机器学习算法对各个平稳子序列进行预测,各个子序列的预测值之和即为原序列的预测值。将该方法应用于楼宇等电能能耗数据,实验结果表明,基于经验模态分解方法的时间序列预测方法精度较高,适用于预测非线性非平稳时间序列。     

基于交通状态估计的快速路交通联合控制

采用模糊C均值聚类方法将快速路交通状态划分为畅通、轻度拥挤和拥挤状态。将快速路二阶宏观交通流模型与粒子滤波算法相结合,实现对快速路交通状态参数的估计,并将交通状态参数估计结果划分到对应状态中,得到交通状态估计结果。在交通状态估计的基础上,考虑3种交通状态下的交通运行特性,结合可变限速控制和入口匝道控制建立快速路联合控制模型。采集吉林省长春市东部快速路交通数据进行实例验证,结果表明:联合控制模型的应用减少了快速路交通流总时间费用消耗的4.55%,降低了交通流密度,在一定程度上缓解了交通拥挤。     

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。     

基于纵向时间序列的快速路交通事件检测算法

为了提高快速路交通事件检测算法的效率,减少交通事件对快速路交通流的影响,在提出交通参数数据纵向时间序列定义的基础上,重新界定了异常交通状态的概念,分析了异常交通状态与交通事件之间的关系,利用增益放大原理设计了交通状态变异指数和以此为基础的交通事件检测算法,在确定交通事件位置的同时,给出事件的空间影响范围,并以某城市快速...     

基于特征符号表示的网络异常流量检测算法

为了准确检测网络中的流量异常情况,确保网络正常运行,提出基于特征符号表示的网络异常流量检测算法（NAAD-FD）. NAAD-FD算法利用趋势转折点将网络流量数据按照基于趋势特征的符号表示方法进行转化,按照表示结果将原始数据转化为包含7项特征值的子序列,将7项特征值运用到提出的距离计算方法中;结合基于密度的算法,按照时间序列的网络异常流量定义执行异常检测. 通过对算法参数、仿真数据和真实网络流量数据的实验与分析可知,该算法具有较强的鲁棒性,验证了该算法的有效性和稳定性. 该算法通过降维简化表示,显著降低了算法的时间复杂度,有效加速异常检测过程约40%.     

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．     

基于群体智能聚类算法的电梯交通流分析

提出了一种基于群体智能的电梯交通流分析方法,该算法将电梯交通流模式投影于二维平面上,然后依据群体智能聚类,实现电梯交通流的自组织聚类分析．为了提高群体智能聚类算法的运行效率,采用了主成分分析方法改善模式投影时的随机性,同时在聚类过程中引入密度引导策略减小分类错误率和运行时间．仿真结果表明,群体智能聚类算法能对电梯交通流数据进行有效的聚类分析,具有较好的自组织聚类特性．     

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。     

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.     

Prediction of elevator traffic flow based on SVM and phase space reconstruction

To make elevator group control system better follow the change of elevator traffic flow (ETF) in order to adjust the control strategy,the prediction method of support vector machine (SVM) in combination with phase space reconstruction has been proposed for ETF.Firstly,the phase space reconstruction for elevator traffic flow time series (ETFTS) is processed.Secondly,the small data set method is applied to calculate the largest Lyapunov exponent to judge the chaotic property of ETF.Then prediction model of ETFTS based on SVM is founded.Finally,the method is applied to predict the time series for the incoming and outgoing passenger flow respectively using ETF data collected in some building.Meanwhile,it is compared with RBF neural network model.Simulation results show that the trend of factual traffic flow is better followed by predictive traffic flow.SVM algorithm has much better prediction performance.The fitting and prediction of ETF with better effect are realized.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性,实时准确的交通流预测是智能交通系统,特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点,给出了基于遗传算法的小波神经网络的交通预测模型GA WNN,用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法,克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键．基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA-WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练，部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷．仿真实验验证了GA-WNN预测模型对短时交通流的预测的有效性．