结合可视图的多状态交通流时间序列特性分析

交通流时间序列的研究主要采用数据挖掘和机器学习的方法,这些"黑箱"挖掘方法很难直观反映序列特性.为增强交通流时间序列及其特征分析的可视化性,结合可视图理论来构建交通流时间序列的关联网络,从复杂网络角度实现交通流时间序列的特性分析.在网络构建的过程中,考虑到不同交通状态下交通流表征具有的差异性,首先利用交通流参量的相关性对交通流状态进行分类,然后构建不同交通状态下的时间序列复杂网络,并对这些网络的特征属性给出统计分析,如度分布、聚类系数、网络直径、模块化等.研究表明,可视图法可为交通流时间序列映射到网络提供有效途径,并且不同状态下交通流时间序列构建的复杂网络的模块化、聚类系数和度分布等统计特征呈现一定的变化规律,为交通流运行态势的研究提供了可视化的分析角度.

空中交通流时间序列的复杂度分析

空中交通系统是复杂的非线性系统,时间序列是研究空中交通系统的有效措施。为了定量分析空中交通的复杂性,首先阐述Lempel-Ziv算法复杂度及其修正复杂度;然后采集三亚01号、02号、04号扇区连续28 d的实际运行数据,构建了空中交通流时间序列;计算了3个扇区交通流时间序列的算法复杂度,并对相关参数的影响进行了分析。计算结果表明,修正的算法复杂度适用于长度较短的时间序列,可用于量化测度空中交通流复杂性;符号化方法、序列长度、时间尺度等对算法复杂度有较大影响。

交通流时间序列的多重分形分析

为研究交通流时间序列的分形特征,计算实测交通流量序列的多重分形谱,结果表明交通流序列的分形谱线为端点左高右低,且顶点左偏的曲线,说明序列的分形结构是不规则的,交通流量处于最大值的次数大于处于最小值的次数。比较不同统计间隔的交通流序列的多重分形谱,结果表明随着标度增大,分形谱宽度增加,但离差始终大于零,说明较大统计间隔的交通流序列的奇异性较强。

基于Gamma分布的交通流时间序列分割模型

准确获取交通流量变化点,对后续的交通流预测、分类及多时段控制具有重要意义.鉴于交通流时间序列的非负性及异方差性,采用Gamma分布拟合交通流时间序列,并对其进行有效分割.针对多元交通流时间序列,首先利用非负主成分分析方法实现降维并提取特征序列,之后利用最大似然估计得到Gamma分布参数,通过不同参数的Gamma分布拟合特征序列的不同片段,并由赤池信息准则(AIC)确定最优分割边界及分割阶数.实验结果表明,所建立的分割模型能够反映不同时段的交通流变化,与现有分割方法相比,取得了更好的分割结果.

快速路交通流时间序列的多重分形分析

采用多重分形消除趋势波动分析法研究城市快速路交通流的多重分形特征。首先,计算和比较了实测的流量和速度序列的广义hurst指数,结果表明:流量序列和速度序列均呈现多重分形,且流量序列的波动程度强于速度序列。然后,对两种序列的重排序列的计算结果显示,重排序列的广义hurst指数远小于原序列且不为0.5,说明交通流的多重分形特征主要由序列的长程相关性决定,同时与概率分布有关。

利用0-1测试快速识别交通流时间序列中的混沌

交通流时间序列混沌识别的方法主要有最大Lyapunov指数法、关联维数法和替代数据等方法,但这些方法需要对交通流时间序列进行相空间重构。引入一种新的判别交通流时间序列混沌特性的方法——0-1测试方法,该方法不需要对时间序列进行相空间重构,因而方便对交通流时间序列中的混沌现象进行快速检测。首先利用Logistic映射产生的时间序列对该方法的有效性进行了检验,随后又选用两组不同的实测交通流时间序列利用0-1测试进行了混沌检验。研究结果表明:在两组交通流时间序列中都存在混沌成分,而在其中一组数据中还存在随机成分。

探测交通时间序列长相关性的多重分形消除趋势波动分析方法

交通时间序列的多重分形性通常与交通流时间序列的长相关性或概率密度函数有关。本文应用多重分形消除趋势波动分析(MF-DFA)方法来研究交通流时间序列。通过分析北京玉泉营快速路的速度时间序列,我们发现速度时间序列存在一个时间标度值,其前后的信号分别具有不同的相关指数。最后,我们用MF-DFA方法对原始序列和扰动序列进行分析比较,发现交通时间序列的多重分形性主要是由交通流的相关性决定的。

基于混沌理论的交通流短时预测模型

交通流预测是交通系统可行性分析、交通设计和交通管控的基础,短时预测是交通流预测的难点.论文在分析现有交通流预测方法的基础上,提出了一种基于混沌理论的交通流短时预测方法,利用基于小数据量的W olf改进算法计算了流率序列的最大Lyapunov指数.将基于Lya-punov指数的一维预测模式具体化,建立了交通流短时预测模型,并对模型进行了改进,改进后的预测结果具有较高的精度.该模型在智能交通系统(ITS)的交通控制与诱导方面具有广阔的应用前景.

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.

基于Box-Cox指数变换改进的ARIMA模型交通流预测方法

由于交通流量的日变化趋势带来的长期自相关性引起了交通流量时间序列的异方差性,使差分自回归移动平均模型在交通流量预测中预测精度降低.针对此问题,提出一种改进的方法应用于交通流量预测.该改进方法通过Box-Cox指数变换建立了观测交通流量数据均值和方差之间的函数关系,并由此推导了交通流量时间序列的方差齐次转换函数,有效消除了非平稳的交通流量时间序列的长期自相关引起的异方差性.结果表明:改进后的ARIMA模型由于考虑了长期自相关引起的异方差性这一非线性特性,相比非平稳的HoltWinter模型,具有更小的平均绝对百分误差和均方根误差,在低流量时刻能提供更为精确的置信区间.

交通流实测数据的时间序列分析

提出了一个建立车速、车头间距等交通流参数大样本时间序列的方法,依据实际交通录像获得总数据量超过8万条的4个时间序列样本,对它们进行分形指标的计算和分析.研究发现:Hurst指数和平均循环周期的计算结果较为客观,受数据采集过程中的人为因素影响较小;交通流时间序列存在趋势的正相关特征,并随着路段拥挤程度提高而加强;构建的时间序列适用于短期或较长时间的交通流预报和诱导.