空中交通流量预测建模与仿真研究

研究空中交通流量预测问题,由于航空流量密集,流量增大,造成延误.同时空中交通流量变化具有非线性、时变性等特点.根据线性传统预测方法不能准确描述交通流量变化规律,导致空中交通流量预测精度低.为了提高空中交通流量预测精度,提出一种灰色预测和支持向量机相结合的空中交通流量混合预测模型.混合预测模型先采用灰色模型对空中交通流量线性部分进行预测,然后采用支持向量机非线性部分进行预测,最后将两者结果相融合得到最终预测结果.仿真结果表明,混合模型提高了空中交通流量预测精度,克服了传统预测模型缺陷,为空中交通流量预测提供了依据和有效的方法.     

基于神经网络的空中交通管制决策支持系统

随着民用航空运输的迅速发展,为满足更大的需求,减少管制人员的工作压力和工作量,设计了一个实时的空中交通管制决策支持系统。系统按照决策支持系统理论框架搭建,包括数据库、模型库、方法库、知识库和人机界面,其中主要模型和方法：空域流量预测模块,空域状态识别模块和冲突解决方案产生模块利用神经网络技术来实现,其中空域流量预测模块利用模糊神经网络技术。系统通过与近期真实数据相结合,进行仿真,取得较好的效果。     

空中交通流量管理系统效果评估指标分析

随着我国航空运输业的蓬勃发展及飞行流量的急剧增加,空中交通流量管理问题日益突出。对空中交通流量管理系统效果进行评估,需要从科学、客观、实用的角度来建立空中交通流量管理系统效果评估指标。文中根据目前国内外采用的空中交通流量评估指标,分别从含义、统计方法、计算方法、解决方案及意义等不同角度,对空中交通流量评估指标进行了分析和研究。     

空中交通流量管理方法初探

空中交通管理是为解决空中交通拥挤而进行的系统化管理,文中介绍了空中交通流量管理的基本概念,并进行了流量管理方法的初探,同时提出了改善流量拥挤现状的环境和合理化建议。     

空中交通流量管理研究综述

根据空中交通流量管理发展历史以及已经提出的一些模型和算法，从地面等待策略、终端区流量管理和具有再寻径能力的空中流量管理3个主要研究侧重点进行简要综述。分别讨论了各种情况下的地面等待情况、终端区的不同排序算法以及具有寻径能力流量管理的几种主要模型．比较了各种模型和算法的一些优缺点。介绍了有关空中交通流量管理存在的一些主要问题。提出了一些解决办法，同时还介绍了未来空中交通管理的发展模式。     

面向对象的空中交通流量管理系统建模与仿真

针对我国空中交通流量日益增长的空中交通管理的现状,研究建立空中交通流量管理系统,通过监视一定范围的空中交通状况,进行交通流量的预测和控制。面向对象理论已成为复杂系统设计和分析中一种必不可缺的工具,这种技术为交通流量管理系统的研究提供了重要的平台。利用抽象、分类、封装、继承、关联、消息通讯等概念建立的交通流量管理系统的模型结构清晰,更好的反映了系统的工作流程和各模块间的交互关系。     

基于Conv-LSTM融合模型的空中交通流预测

随着民航领域在新常态下的快速恢复,国内空域流量逐渐增加,空中交通智能预测的重要性日益显著。空中交通预测有助于空管部门全面掌握空中交通态势,因此文章将一种结合了卷积神经网络和长短时记忆模型特点的Conv-LSTM融合模型应用于空中交通预测领域。实验结果表明,该模型能有效捕捉空中交通数据的时间相关性和空间相关性,为智能化空管建设提供了一定的理论参考。     

基于双向GRU模型的网络流量预测的研究

当前使用门控循环单元(Gated Recurrent Units,GRU)神经网络进行流量预测时,普遍存在滞后性以及预测准确性不高的问题,因此提出一种改进的GRU模型进行流量预测的方法.首先基于GRU神经网络提出一种双向GRU神经网络和人工神经网络堆叠的网络模型,适用于流量特征、时间特征、事件特征等多维向量的输入;同时...     

深入研究空中交通流量管理技术

空中交通流量管理是一项复杂化的、系统化的管理举措,它是应空中交通运输的需求,针对空中交通拥堵而采用适应的交通流量管理模式,在有限的空域资源的制约背景下,通过对终端管制区的自动化交通管理系统,对空中交流流量进行合理控制,从而指导安全有序的空中交通流量、维护正常和谐的空中秩序。本文就当前的空中制约和拮据的各要素条件,分析了空中交通流量的基本概念,针对目前出现的大规模空中管制的问题进行了剖析,探讨终端管制区的体系建设。     

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。     

基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．     

基于小波分析与神经网络的交通流短时预测方法

提出基于小波分析与神经网络的交通流短时预测方法，把多维输入进行小波分解降维，预测由多个子网络独立完成，有效解决了多维神经网络的映射学习容易产生“疆数灾”的问题．示例结果表明，该方法比典型的神经网络预测准确度高、误差小．     

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。     

基于小波模糊神经网络的实时交通流预测

实时交通流预测是智能运输系统研究的重要内容之一.本文将小波分析的相关知识与模糊神经网络相结合,给出了基于小波模糊神经网络的交通流预测模型,采用小波函数作为模糊隶属度函数,用神经网络来实现模糊推理,完成对下一个周期性交通流的估计.同时,用遗传算法来优化整个网络,实测数据验证这种方法预测精度高,收敛过程平稳,适应性强.     

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。     

基于FWADE-ELM的短时交通流预测方法

受道路环境和人为因素影响,实际交通系统可视为一个复杂的非线性动力系统,交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征.针对复杂环境下的短时交通流预测问题,提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测方法.采用奇异谱分析方法滤除原始交通流数据中包含的噪声成分,降噪后的交通流数据用于训练极限学习机(ELM)网络预测模型.进行相空间重构,利用C-C算法确定ELM网络的结构和关键参数.通过融合烟花算法和差分进化算法提出一种烟花差分进化混合算法,可有效提高基本算法的整体优化性能.将改进的混合优化算法用于优化ELM网络的权阈值(结构为9-11-1,维数为110),建立短时交通流预测模型.测试与应用结果表明,所构建的短时交通流预测模型具有较高的预测精度和较强的泛化能力(均方误差为7.75,平均绝对百分比误差为0.086 7),预测值与实际值的拟合程度较好.     

基于混沌搜索的人工蜂群优化神经网络交通流预测方法

为了提高长时交通流的预测精度,提出一种改进的人工蜂群优化BP神经网络分时段预测交通流的方法。利用Tent混沌映射采蜜蜂放弃的新解,实现具有混沌搜索策略的人工蜂群算法,然后优化BP神经网络的权值和阈值,最终训练BP神经网络以求得最优值。利用该预测方法对合肥市黄天路全天的交通流分时段预测,实现了对长时交通流的准确预测,与传统的人工蜂群优化BP神经网络预测对比,能有效改善预测精度,降低预测误差。     

基于变权重组合模型的铁路客运量短期预测

科学、准确的铁路客运量短期预测是提高铁路客运系统竞争力与服务水平的关键。针对铁路短期客运量的特点,提出了一种基于灰色理论的变权重组合预测模型。为了获取不同模型在不同时刻的权重系数,采用广义回归神经网络对动态权重进行跟踪和预测。以2014年1~12月份的铁路客运量为研究对象,分别建立均值GM（1,1）模型、离散GM（1,1）模型、灰色Verhulst模型以及变权重组合预测模型。实例分析的结果表明,三个单一模型的平均相对误差分别为17.14%、16.99%和12.94%,而变权重组合模型为7.01%,变权重组合预测模型的预测精度明显高于单一模型。     

航材消耗广义加权函数比例平均组合预测模型

提出一种新的组合预测模型--广义加权函数比例平均组合预测模型,并利用二次规 划算法给出其加权系数的参数估计方法.同时,针对航材消耗的季节性与波动性特点,建立了航 材消耗预测的灰色系统模型与神经网络模型,最后建立了基于灰色系统与神经网络的航材消耗 广义加权函数比例平均组合预测模型并以实例说明了其预测效果.     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。