基于SVM与自适应时空数据融合的短时交通流量预测模型

针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.     

基于最小二乘支持向量机的数控机床热误差预测

为实现数控机床热误差的补偿控制,提出基于最小二乘支持向量机进行数控机床热误差建模预测的方法.根据最小二乘支持向量机回归预测的原理,优化选择最小二乘支持向量机参数,对数控车床热误差进行最小二乘支持向量机建模.通过测量数控车床主轴温升值与主轴热变形量,将获得的数据进行最小二乘支持向量机建模训练,以建立机床热误差预测模型.实验结果表明,该模型能有效描述热动态误差,与最小二乘法建模进行比较,结果显示,基于最小二乘支持向量机的数控机床热误差预测模型精度高、泛化能力强;采用最小二乘支持向量机得到的预测模型可用于数控机床热误差实时补偿,以提高机床的加工精度.     

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。     

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。     

基于小波分解—支持向量机的短时交通量预测

基于交通流预测问题与函数估计和逼近问题是等价的的思想,提出一种基于小波分解-支持向量回归的短时交通量预测方法。首先对交通量数据进行小波分解,然后分别对基本信号和不同分辨率的干扰信号建立支持向量机模型,最后对多个预测结果进行合成,从而得到交通量的预测结果,并利用实例计算显示模型具有较低的误差,证明了该方法具有很好的可靠性。     

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。     

基于最小二乘支持向量机的企业库存预测方法

针对目前常用的基于神经网络的库存预测方法存在收敛速度慢或不收敛、存在局部极小值、网络结构选择具有随机性且对小样本库存预测容易出现过学习现象等问题,提出了基于最小二乘支持向量机的企业库存预测算法。通过结合某公司的库存实际计算以及与其他预测方法进行比较,通过仿真试验和实际数据验证,该算法计算简单,且具有更好适应性和很好的鲁棒性等特点。     

基于支持向量机和盒维数的滚动轴承状态预测

针对轴承在运行过程中状态难以预测的问题,提出一种基于最小二乘支持向量机(LSSVM)结合分形盒维数的方法预测滚动轴承状态。首先,分析滚动轴承在正常和三种故障状态下的盒维数和峭度值;然后,分析盒维数和峭度值对轴承运行状态的描述;最后,借助改进LSSVM预测轴承信号的盒维数和峭度值。实验结果表明,分形盒维数能对正常状态、内外圈及滚动体故障进行区分,结合峭度值能提高分类识别效果,改进的LSSVM方法能准确地预测特征参数,从而实现对轴承状态的预测。     

基于时空局部二值模式的火灾视频识别

为了获得较高识别率,引入时空局部二值模式,用以识别火灾视频。先以时空局部二值模式提取视频中的表观特征和运动特征后,再利用支持向量机对多种场景的火灾视频进行分类识别。针对白天火灾、夜晚火灾、室内火灾、室外火灾、森林火灾五种场景进行测试实验,结果显示,对夜晚火灾视频和室外火灾视频识别率可达到100%,对白天火灾、室内火灾、森林火灾视频的识别率分别为94.117 6%、95.238 1%、94.444 4%,这表明所提方法有效,其识别率不易受场景光照条件或复杂背景影响,具有鲁棒性。     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

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。     

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).     

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.     

基于随机过程下的交通流量预测方法

在考虑交通流量为随机过程的情况下,根据实际观测得到的交通流量,运用灰色预测模型、神经网络等方法,预测将要发生的交通流量数据.然后,根据以前相应的交通流量数据计算出预测结果的波动范围.最后,提出了解决交通拥堵的方案.     

逐步回归法在无检测器交叉口交通流量预测中的应用

在研究交叉口相关性的基础上 ,利用逐步回归法预测无检测器交叉口交通流量 ,并应用长春市路网的实际数据对结果进行了检验 ,取得了满意的效果。此研究成果有效地解决了无检测器交叉口交通流量的预测问题 ,它使得只有很少检测器交叉口的城市的交通流诱导成为可能 ,并为交叉口的宏观管理提供了理论依据。     

三种交通流量预测模型的建立及其比较

针对城市交通“智能运输系统”和交通流的特性,采用先进的支持向量机算法和由它改进的BP神经网络方法来建立交通流量预测模型,并将它们及多元线性回归模型分别用于实际流量模拟.实验验证了由支持向量机算法和改进的BP神经网络建立的预测模型具有更高的预测效果和模拟精度.     

道路交通噪声预测模型研究

道路交通噪声预测模型是噪声污染治理与防治工作中的重要环节之一.本文将道路交通噪声预测模型大致划分为统计模型、经验模型、理论模型和宏观评价模型4类,对各类模型的基本建模思想、代表模型、模型发展以及模型的优、缺点进行了分析,最后展望了道路交通噪声预测模型的发展趋势.     

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。     

不确定性量测的融合估计

为了解决多传感器环境下各传感器观测的有效性具有时变不确定性时,难以恰当地构造系统观测向量与观测矩阵的困难,提出一种不确定性观测向量的量测融合算法.该方法对现有并行滤波量测融合估计算法进行推广,为各传感器观测向量的每一维定义其有效度函数,来构造能表示量测不确定性的广义观测向量以及广义误差方差阵,获得形式上的有效量测,就可以利用现有的量测融合方法获得最优融合估计.为了便于数值计算,同时给出一种次优的融合估计算法.实验结果表明,文中方法能适应量测有效性时变情况下的多传感器量测融合估计,且计算量与现有确定性量测的融合估计方法基本相同.