基于贝叶斯网络模型的交通状态预测

城市的交通状态是可以预测的。有效的交通状态预测能从很大程度上优化交通状态,减少交通阻塞。贝叶斯网络(Bayesian Networks,BN)是目前不确定知识和推理领域最有效的理论模型之一。文中提出了一种基于贝叶斯网络模型理论的交通状态预测方法,在综合考虑交通阻塞成因的基础上构建网络模型,在已有的交通状态数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算交通阻塞发生的可能性,达到预测的目的。

基于贝叶斯网络模型的交通状态预测

城市的交通状态是可以预测的。有效的交通状态预测能从很大程度上优化交通状态,减少交通阻塞。贝叶斯网络(Bayesian Networks,BN)是目前不确定知识和推理领域最有效的理论模型之一。提出了一种基于贝叶斯网络模型理论的交通状态预测方法。综合考虑交通阻塞成因的基础上构建网络模型,在已有的交通状态数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算交通阻塞发生的可能性,达到预测的目的。

基于贝叶斯网络模型的交通状态预测

城市的交通状态是可以预测的。有效的交通状态预测能优化交通状态,减少交通阻塞。贝叶斯网络(Bayesian Networks,BN)是目前不确定知识和推理领域最有效的理论模型之一。文章在综合考虑交通阻塞成因的基础上构建网络模型,在已有的交通状态数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算交通阻塞发生的可能性,达到预测的目的。

基于回声状态网络模型的短时交通流混沌预测

为了提高短时交通流预测的准确度,提出基于回声状态网络模型的短时交通流混沌预测方法;利用C-C法计算相空间重构的延迟时间和嵌入维数;利用遗传算法对回声状态网络模型进行参数寻优,进而构建基于遗传算法的回声状态网络模型;采用城市快速路实测数据进行实验验证和对比分析。结果表明,所提出方法的预测效果明显优于支持向量机模型、小波神经网络模型和反向传播神经网络模型的预测效果,平均预测精度分别提升了35.9%、42.1%和45.6%。

基于复杂网络的城市交通拥塞因子风险传播机理及其应用研究

为了解城市交通拥塞因子风险传播特性,提升拥塞风险控制能力,依据昆明市路网拥塞实际调查数据,利用Pearson相关系数分析风险影响因子间的相关性,构建交通拥塞因子风险复杂网络。通过软件gephi0.9.2计算复杂网络各指标,验证网络的可行性和适用性。计算网络节点的相关指标进而引入网络节点重要度k的概念,据此将网络节点划分为核心节点、一般节点和边缘节点,同时引入直接免疫率ρ共同构建风险传播模型。对筛选出的核心节点进行直接免疫控制,免疫概率ρ分别取0.028,0.056,0.112后计算分析可知,免疫概率ρ取值基本与感染节点峰值比例值成反比。结果显示,识别出网络中重要度较大的节点并进行免疫控制后,交通拥塞因子风险的传播规模和传播速率将得到较好控制,对现实生活中治理城市道路路网交通拥塞有较好的指导意义。

基于回声状态网络的船舶交通事故预测

船舶交通事故的预测结果对船舶交通智能管理具有指导性意义,针对当前船舶交通事故的预测误差大,建模过程耗费时间长等难题,设计基于回声状态网络的船舶交通事故预测模型。首先对当前船舶交通事故预测研究现状进行分析,指出各种船舶交通事故预测建模方法的局限性,然后收集大量的船舶交通事故历史数据,并进行一定预处理,构建船舶交通事故预测样本数据,然后通过回声状态网络的学习建立船舶交通事故预测模型,并采用具体船舶交通事故预测仿真实例分析其性能,回声状态网络的船舶交通事故预测精度超过95%,预测结果十分稳定,缩短了船舶交通事故预测建模过程耗费的时间,是一种高精度、速度快的船舶交通事故预测方法。

大型医疗监护设备电池健康状态检测算法研究

目的 研究大型医疗监护设备电池健康状态的检测算法,用以检测电池的健康状态,解决电池由于在使用过程中受到温度变化、充放电循环等影响而产生的时变效应和故障多样性等问题。方法 分析设备电池在充电和放电过程中的电压变化情况,提取等压降放电时间、电池内阻和等间隔放电时间序列3种健康因子;将其输入至基于非线性自回归模型神经网络的非线性回归模型中进行训练,评估大型医疗监护设备的电池容量;结合粒子群算法改进反向传播神经网络,检测电池健康状态。结果 实验结果表明:该检测方法的误差较小;提出的3种健康因子与估计大型医疗监护设备电池容量的相关性大于0.95,且电池容量估计结果准确。结论 通过该方法,可及时发现电池问题,提前采取措施,减少因电池故障引起的设备停机时间,降低医疗事故风险。

基于SIS传播理论的城市交通拥堵传播模型

为研究城市交通拥堵传播的机理与特性,建立了基于SIS传播理论的城市交通拥堵传播模型。首先,确定了路段交通状态的判别方法,并比较分析了不同判别标准下拥堵传播效率和消散效率的数值变化;其次,考虑了出行时间的差异性并在经典SIS理论中加入了时间偏差参数;随后,研究了拥堵路段比例随时间的变化趋势以及拥堵路段比例与其变化率间的关系,并将其作为描述拥堵传播特征的依据;最后,以成都市道路交通网络作为研究路网,以早高峰真实数据对模型进行标定与验证。结果表明,模型可以精确地描述拥堵路段比例与其变化率之间的关系。

城市轨道交通牵引变电所开关柜运行状态量预测与故障推断

城市轨道交通牵引变电所开关柜故障直接关系供电系统运行安全,一旦发生故障,会直接影响城市轨道交通系统的安全稳定运行,严重情况下甚至会引发重大安全事故。为科学指导开关柜维护,有效降低运行风险,需要准确预测开关柜运行状态变化趋势并实现故障推断。提出一种基于长短期记忆神经网络的方法来预测开关柜各状态量变化趋势,并借助鲸鱼优化算法对长短期记忆神经网络模型进行参数优化,采用灰色关联分析的方法对牵引变电所开关柜状态量预测值和故障进行关联度分析。基于南方某城市轨道交通牵引变电所开关柜的历史运营数据,利用模型进行预测分析,并将预测信息提供给运维人员,指导开关柜维修决策。结果表明,提出的基于鲸鱼优化算法-长短期记忆神经网络的方法能够准确预判开关柜故障,为城市轨道交通牵引供电设备运行提供可靠保障。

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型。模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成。该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预测上表现较好,预测精度达到90.2%,比决策树模型精度提高了12.4%,比自回归模型精度提高了5.6%。

评《基于复杂城市道路网络的交通拥堵预测模型》

复杂的城市道路网络上，交通状态瞬息万变，如何对其进行准确预测一直是交通科学以及信息科学长期的挑战。以往的基于时间序列的交通拥堵预测方法大都着眼于对单一道路上的交通流进行建模，忽略了相邻道路交通状态对自身的影响，难以在复杂道路网络环境下实现高精度预测。

基于收费数据的高速公路实时网络状态估计研究

随着高速公路建设速度的加快,引发了诸如交通安全、交通拥堵、环境污染等一系列衍生问题.高速公路实时网络状态的获知就是减少拥堵延迟、保障高速公路快捷通畅的方法之一,但是由于基础数据获取的渠道还比较单一,因此在高速公路网络状态估计方面还缺乏科学的指导.本文利用高速公路进出口收费站数据,通过统计技术得到路网的OD量,在改进中观交通仿真模型的基础上,采用仿真手段将动态OD进行网络加载,从而产生实时的高速公路全路网无缝覆盖的网络状态估计.通过真实的山东省域高速公路全网络进行例证,结果表明,本文方法可以比较准确地估计出实时的网络状态,可以得到网络中任意路段的交通流速度、密度、流量等信息,可以为高速公路管理部门发布动态诱导信息、规划检测器设置等提供参考和帮助.

短时交通流组合模型预测

针对城市道路流量的非线性和不确定性特点,为避免单一模型预测准确率不高的缺陷,该文提出了一种短时交通流组合模型。该模型包含卡尔曼滤波模型和径向基函数神经网络模型2个子模型,较好地解决了神经网络不能反映大流量下的稳态性问题,以及卡尔曼滤波在流量不稳定时预测准确率不高的问题。在组合模型中引入惯性因子,确保了模型的稳定性。仿真结果表明该方法是可行有效的。

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.

基于BP神经网络的扇区空管运行亚健康关联因子预测

为判别扇区空管运行是否处于亚健康状态,从空中交通流、空中交通管制等方面选取具有内在关联性的关键指标,即每架航空器平均管制工作负荷、扇区内航空器平均飞行时间、交通流超容比、交通流空间分布不均衡度和交通流瞬时超容率,结合厦门1号扇区空中交通流实际运行雷达数据,以15 min为研究区间,利用BP神经网络在数据挖掘和自适应方面的优势,构建扇区空管运行亚健康关联因子的BP神经网络预测模型。经实例验证表明:该BP神经网络模型的预测值与实际值的相对误差小于3%,说明其满足扇区空管运行亚健康关联因子预测的应用要求;经过对目标时间片的输出结果进行分析,结果显示扇区空管运行在该时段内处于健康状态。

基于BP神经网络的交通信息量预测方法

交通信息量预测受到其影响因素的非线性影响,传统的基于统计方法的预测模型、动态分配模型和灰色预测模型等虽然可用于交通信息量的预测,但是克服非线性影响能力较差,预测结果已经达不到物联网的精度要求。为了更加精确地预测交通信息量,建立了基于BP神经网络的交通信息量预测模型,并通过因子分析和因子分析结果归一化处理减少了BP神经网络输人数据规模,缩短了神经网络预测时间。最后,通过对成都市某路段的数据进行处理和仿真,验证了模型的适应性。仿真所得的停止训练时间为3分2秒,预测误差为0.015,由此可知该模型对交通信息量的预测效果良好,可以对今后交通信息量的预测提供参考。

基于贝叶斯网络的交通事件持续时间预测

随着数据采集手段的不断提高和相关研究技术的发展,基于数据挖掘的模型逐渐成为交通事件持续时间研究的主要方向。根据荷兰交通部门提供的交通事件采集数据,进行分类和预处理,观察事件持续时间的频数图,并根据相关的研究按照事件典型的类别把采集的数据进行分类。使用主成分分析和逐步回归提取出显著性的影响因子,利用数据挖掘软件WEKA建立贝叶斯网络模型,用数据集中80%的数据进行学习建模,20%的数据作为测试集来检测模型的预测效果,并做出性能评价。实验结果表明,与同类数据集的其他预测方法相比,贝叶斯网络模型对于变数众多,随机性特别大的交通事件,预测精度较高,证明贝叶斯网络模型的算法是具有一定优越性和实用价值。

车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均(Auto-Regressice Mo-ving Average,ARMA)模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态(行驶的方向、行驶的车道、车辆的速度和加速度)。首先,开发了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。

基于改进拉普拉斯中心性的高速路网状态识别方法

为提高高速公路网络运行效率,提出一种考虑不同路段对系统时空影响差异性的高速公路网络交通状态识别方法。定义路网各类型路段为节点及其状态计算方法,建立基于改进拉普拉斯中心性和时空影响因子的路网状态识别模型。其中,利用皮尔逊相关系数改进拉普拉斯中心性方法以评估节点自身影响,设计时空影响因子评估邻居节点影响;融合节点自身及邻居节点影响,建立节点权重系数模型;在以上基础上建立反映路网交通状态的综合判别模型。以京港澳高速徐水-清苑的高速公路网络为例予以验证,结果表明:在不同交通需求情景下,所提方法能有效识别交通状态;对比交通运行指数(traffic performance index,TPI)模型和车辆行驶时间(vehicle hour traveled,VHT)模型,所提方法状态识别精准度均为最优,尤其是在交通需求大的情况下,对于含匝道节点3和纯主线节点4,与稳定性较强的TPI模型相比,所提方法准确率提升了9.7%和7.1%,进一步证明了模型的适用性强,能够满足工程实际的需要。

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型(Traffic Factor State Network, TFSN),考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明:根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。