短时交通流量预测方法

短时交通流量是短时交通参数的基础参数之一,其变化规律可直观反映调查路段或区域的交通变化趋势,可为交通出行提供有效的路径选择信息。基于对统计分析模型、人工智能模型、非线性理论、交通模拟、组合预测模型等短时交通流量预测方法特点和应用的分析,鉴于短时交通流量自身的随机波动特性,指出单一的交通参数预测方法很难有效提高预测的精度和效果,而基于组合预测模型的预测方法具有广阔的应用前景和实践意义,并指出短时交通流量预测方法研究领域今后可能的发展趋势。

基于人工蜂群算法优化BP神经网络的交通流预测

建立基于人工蜂群算法(Artificial Bee Colony Algorithm,ABC)优化BP(Back Propagation)神经网络(ABCBP)的分析预测模型,对城市道路短时交通流进行预测。以BP神经网络为基础,通过人工蜂群算法优化神经网络的各个权值和阈值,考虑交通流的时间特性,将历史交通流量作为训练样本,预测某日的交通流量。多种算法的仿真试验对比表明:基于ABC-BP的预测结果比传统BP神经网络、小波预测神经网络以及PSO(Partide Swarm Optimization)-BP神经网络的预测结果更加精确。

基于信息熵动态拟合的路径通行时间预测方法

文章采用基于信息熵动态拟合方法实现通行时间预测。首先,基于已有行程时间研究方法对各路段交通状态和通行时间计算,随后采用最小二乘法获取待预测路径的历史典型相似路径样本,进而获取待预测路径的各路段的通行参数并外推计算获取其通行时间,最后,基于信息熵的理念对通行路况进行动态拟合。实验表明该方法的可行性和准确性,从而为交通出行路径的规划,提供稳定可靠的指导建议。