基于季节性ARIMA模型的短时交通流预测方法研究

综合道路特点、行驶时间和车辆的特征等信息,采用时间差值法筛除无效数据,剔除运营车数据;在通过序列分解与ADF-1平稳性检验后,提出基于季节性ARIMA模型的短时交通流预测技术,以探究该模型下车流量预测精度达到最佳预测效果时的最优采样间隔;采用AIC准则对参数寻优定阶,ADF检验和差分分析选择最优的差分阶层;为确保模型的可靠性,使用Ljung-Box Q检验进行白噪声检验。结果表明,时间间隔为15 min的车流量统计模型SARIMA(1,1,2)×(2,0,0)4在预测精度和稳定性方面均优于其他时间间隔和传统的ARIMA模型。同时,该方法也具有一定的通用性,可以应用于其他领域的短时流量预测。

城市快速路交通运行态势识别与评估方法研究

在传统指标的基础上,引入车辆类型的影响,分别使用K-Means和DBSCAN聚类方法识别城市快速路的运行态势,再使用BP神经网络学习划分结果,以进行城市交通运行态势的评估。结果表明,K-Means聚类的DBI值为0.889,效果优于DBSCAN。进一步将划分结果代入BP神经网络进行估计,测试集的准确率达0.997,说明该方法能够准确地对城市快速路的运行态势进行识别和估计,在城市交通管理和出行方面具有一定的参考价值。该方法还具有较好的扩展性和实用性。

考虑用户充电时间的电动汽车一次调频策略

由于电动汽车数量呈几何级倍增,其作为移动储能参与到电网辅助调频的潜力也越发明显。针对电动汽车用户充电时间行为特性,本文构建了充放电下垂特性与充电时间之间的函数关系,提出了电动汽车入网一次调频的动态下垂控制方法,提升了电动汽车一次调频的响应能力,同时相比传统方法更能满足电动汽车用户充电需求。最后在MATLAB/Simulink仿真平台建立了对应模型,验证了所提出策略的可行性。