基于蚁群优化支持向量机的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种蚁群算法(ACO)优化支持向量机(SVM)参数的短时交通流量预测模型(ACO-SVM)。将SVM参数的选取看作参数的组合优化问题求解,采用鲁棒性较强的ACO来搜索最优解。仿真结果表明,ACO-SVM在预测精度、收敛速度、泛化能力等方面均优于参比模型,更适合于短时交通流量的预测。     

基于多核混合支持向量机的城市短时交通预测

城市道路交通的不确定性、非线性和时空相关性使得交通系统参数描述和知识获取极为困难,从而使短时交通预测难以获得满意结果。利用多核混合支持向量机识别和处理不同类别输入数据的能力,提出了一种基于多核混合支持向量机的城市短时交通预测方法。该方法在统计分析交通状态数据样本的基础上,继承了支持向量机良好的泛化能力、全局最优和较强自适应性的特点,并采用改进的粒子群算法对支持向量机的参数进行了优化选择。同时,针对道路实时交通状态与历史平均交通状态较强的线性相关性、道路实时交通状态与前几时段交通状态及上下游路段实时交通状态的非线性相关性,分别设计了线性核函数和非线性核函数对城市交通状态进行映射和拟合。该方法既考虑到交通状态历史规律对预测的指导意义,又顾及交通的时变特征,充分提取了交通系统相关参数的知识信息。实验结果表明,本文提出的短时交通流预测方法具有准确性、鲁棒性和自适应性特点,具有较好的实际应用价值。     

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。     

输送带煤流量短时预测方法研究

对煤流量短时间内的趋势进行预测,是实现带速与运量匹配的前提条件,而现有输送带煤流量短时预测方法存在实时性不好和精度不高的问题。针对上述问题,提出了一种基于支持向量机的输送带煤流量短时预测方法。该方法首先利用支持向量机算法选择实时煤流量作为因变量、统计数据时间作为自变量,然后对实际采集到的煤流量数据进行归一化处理,利用交叉验证方法选择出最优的参数,利用最优参数训练支持向量机,拟合出理想的短时间内煤流量预测曲线,最后通过进一步对比拟合均方误差、相关系数等预测指标来分析煤流量预测曲线与原始数据曲线的拟合程度,得到最佳预测曲线。Matlab仿真结果表明,该方法能够较好地预测输送带短时间内的煤流量,预测数据与真实值之间的偏差很小,均方误差为0.000 152 563,相关系数为99.784 8%。     

基于ICA和SVM的道路网短时交通流量预测方法

交通流量预测是智能交通系统(ITS)研究的一个重要课题。通过对多个观测点交通流量数据特点进行分析,采用一种基于独立成分分析(ICA)与支持向量机(SVM)相结合的短时交通流量预测方法。首先,通过独立成分分析得到同一条道路上各个观测点的交通流量的独立源信号;接着利用支持向量机预测模型对源信号进行建模和预测,并通过遗传算法(GA)优化参数;最后将其转换为交通流量数据,得到预测结果。实例分析结果显示,该算法优于直接利用支持向量机对交通流量进行预测的方法,并能去除同一条道路上多个观测点测量数据之间的相互影响。     

面向高速公路大数据的短时流量预测方法

针对高速公路传统的短时交通流预测方法适用数据规模小、全网预测效率较低、数据的时空关系被忽视等问题，提出一种结合了K近邻（KNN）模型且面向高速大数据的短时交通流预测方法。首先，对模型的K值和距离度量进行调优，利用交叉验证进行模型参数的对比实验；然后，考虑数据内在的业务时空关联，建模基于时空特性的特征向量；最后，在大数据环境下建立回归预测模型，以最优参数的模型实现预测。实验结果表明，与传统时间序列模型相比，所提方法一次可预测出全站点的流量，单次运行速度快，效率提高了77%，平均绝对百分比误差（MAPE）和绝对百分比误差中位数（MDAPE）均有明显减低，且具有良好的水平扩展性。     

基于改进GMDH算法的路口短时交通流量预测

城市交通是一个复杂的大系统,实时而准确的短时交通流量预测,可以为城市交通诱导和控制提供科学支持。针对GMDH算法建模泛化能力差的问题,结合集成学习的思想对GMDH算法进行改进,并将改进的算法应用到短时交通流量模型的构建中。结果表明,该方法可以有效地对短时交通流量进行预测,建模平均相对误差为1.10%,预测相对误差为0.58%。     

基于深度学习的短时交通流预测

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明：文中提出的预测模型与传统预测模型相比,具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

城市主干道交叉口交通流的模糊控制

城市主干道的交通效率,从整体上影响着整个城市的交通运作效率。该文以城市中心地带主干道交叉路口为对象,进行了交通流的模糊控制研究,提出的基于闭环模糊控制算法的智能化控制策略,有效地提高了主干道交叉口相关区域内的道路使用率。     

基于决策树的城市短时交通流预测

运用决策树对城市道路上下游短时交通流量关系进行了分析，并建立了相应的规则库，得到了一个城市短时交通流的预测方法，为城市交通流控制与诱导提供了良好的基础。     

基于核机器方法的城市交通流量实时预测

对城市交通流量的特征进行了分析，尝试将核机器方法引入这一领域，对交通流量进行实时预测。综合比较了核机器方法与人工神经网络法的预测效果，同时展示了常规核与复合核的性能对比。实验结果表明，复合核的性能与Sigmoid核和Gaussian核大致相当，稍优于单一的核，为交通实时控制与诱导提供了参考。     

基于交通流量自适应控制的路口子系统

在经济快速发展、道路建设不足等多重压力下,城市交通负担越来越重.在现有的资源条件下,如何提高道路资源的利用效率和道路的通行效率是缓解交通问题的重要途径.本文以设计一种基于交通流量自适应控制的路口子系统为目标,首先分析、研究了交通管控系统的相关算法和相关信息系统的现状,在综合现有系统的基础上,设计了一个交通管控系统的体系结构,系统包括路口子系统、区域中心和信息与控制中心等3部分.通过路口子系统实现交通流数据的实时采集和路口本地的智能控制;设计并实现了路口子系统的检测方案,路口子系统的数据采集和本地的智能控制是云数据存储,以及实时的交通信息平台发布的关键,同时对于实现多个路口的协调管控具有重要的意义.     

短时交通流预测模型综述

随着智能交通系统(ITS)的蓬勃发展,智能交通控制与诱导系统已经成为ITS研究的热门核心课题,而实现该系统的关键和基础是准确的短时交通流量预测。论文介绍了短时交通流预测模型的发展历史,并从不同的角度对短时交通流预测模型进行了分类。接着对国内外最新的研究成果进行了详尽的分析和阐述,指出了理论研究和实际应用中所存在的困难和一些亟待解决的问题。     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

基于模糊推理的无检测器路口短时交通流预测

短时交通流预测是交通诱导与控制的关键技术之一.针对目前无检测器路口交通流预测研究相对较少的情况,提出了一种基于模糊推理的无检测器路口交通流预测方法,即在研究交叉口相关性的基础上,确定关键路口,通过模糊化交通流数据得到无检测器路口与关键路口的模糊关系,接着用模糊推理法得到关键路口对无检测器路口的流量查询表,无检测器路口的流量预测直接由流星查询表得出.采用该方法对合肥市实际路口的交通流量进行预测,实验结果证明了该方法的有效性、可行性.     

基于VMD-BiLSTM-BLS模型的短时交通流预测

准确的短时交通流预测在智慧交通系统中至关重要.近年来,双向长短时记忆网络(BiLSTM)被广泛地应用于短时交通流预测中,但由其结构特点,易产生过拟合现象,从而影响预测精度.鉴于宽度学习系统(BLS)能够解决过拟合的问题,本文将深度学习与宽度学习相结合.进一步地,为减少噪声对车流量数据的干扰,引入变分模态分解(VMD)进...