基于改进LSTM的城市轨道短时流量预测研究

针对LSTM应用于城市轨道短时流量预测存在的模型参数确定困难、对预测精度影响大的问题,采用改进的BA算法对模型参数进行优化。对传统BA算法,采用自适应策略来动态调整脉冲频率和蝙蝠速率,同时蝙蝠位置更新模型中引入随机扰动项,提高了BA的优化性能。采用BA对LSTM参数进行优化,提出了基于改进LSTM的城市轨道短时流量预测模型。将提出的模型应用于郑州地铁1号线,通过和BP神经网络预测模型、LSTM预测模型的对比,验证了所提出的改进LSTM预测模型具有更高的预测精度。

基于EMD-KNN-BP组合模型的高速公路短时流量预测

为了高效、准确地预测高速公路短时交通流量,本文建立EMD-KNN-BP的组合模型进对高速公路短时流量进行预测,并以山东省高速公路某收费站数据进行实证分析。研究发现:1) 基于EMD分解的组合模型能够提高短时交通流预测的精度,EMD-BP、EMD-KNN相较于单一模型的MSE、RMSE分别降低了24.4%、13.4%和9.6%、4.9%;2) 根据IMF分量特征的不同建立的EMD-KNN-BP模型有效地降低了预测误差,使预测效果达到最优,MSE、RMSE的误差分别降低了61.8%、38.2%。

智慧交通短时流量预测研究

交通流量预测及诱导是当前研究的热点,准确的预测交通流量才能高效规划和诱导交通,保证交通通畅。通过分析并搭建小波神经网络预测模型,利用现有短时交通流量数据进行训练验证并仿真,科学的指导交通流量的相应预测,从而精确的指导交通诱导。

城市交通路口短时流量预测

为了能够提升短时交通流量预测的性能及精度,在支持向量回归机算法基础上引入了经改进的粒子群算法做参数寻优。同时,针对短时交通流量具有不确定性和弱规律性等特点,本文通过对交通数据进行挖掘,得出相邻路口交通流量的时空关联性,构建出通过历史数据预测及结合时空关联性的预测模型。利用BP神经网络在线修正两者权值,让两者优势互补、实时更新。通过仿真实验表明:提出的预测模型可以达到预期结果,对短时流量的预测精度和性能都有所提高。

基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

基于XGBoost算法的高速公路短时交通流量预测

在快速城市化背景下,高速公路交通流畅度对经济效率与民众生活至关重要,故在复杂多变的高速公路网中,快速精准预测交通流量成为实时交通管理的核心前提。然而,由于短时交通流具有非线性和随机变化的特点,交通流量的准确预测一直面临着巨大的挑战。为了克服这些挑战,构建了一种基于XGBoost算法的短时交通流量预测模型,旨在提高交通流量预测的准确性。该模型基于XGBoost算法的强大学习能力和优秀的泛化性能,通过对历史交通流量数据的学习,能够更好地捕捉交通流的复杂模式和规律。为了检验XGBoost模型的准确性和有效性,使用江西永武高速公路某路段ETC门架数据进行了一系列测试,并将结果与传统的ARIMA、BP、GBDT、Prophet模型进行了比较。实验结果表明,相比于传统的预测模型,XGBoost模型在短时交通流量预测中具有更高的预测精度。这将为公路交通管理部门提供更有效的决策支持,帮助其优化交通流,减少交通拥堵,提高交通运行效率。

基于支持向量机回归算法的旅游短时客流量数据预测模型

传统的客流量数据预测模型获取的数据维数较高,难以消除冗余数据,导致预测结果误差较大。为此本文提出了基于支持向量机回归算法的旅游短时客流量数据预测模型。首先利用局部线性嵌入算法对旅游短时客流量数据样本点进行局部重构,减小重构误差,降低数据维数,并消除客流量数据中存在的噪声数据和冗余数据。然后利用支持向量机回归算法构建旅游短时客流量数据预测模型。实验结果表明:该模型预测结果的最大百分比误差、平均百分比误差和均方误差均较低,证明该模型实现了设计预期。

基于Prophet与LightGBM气象特征优化模型的短时机场飞行流量预测

随着经济的高速发展,地域性枢纽机场飞行流量日益增大,若短时流量过大则易产生拥塞,管制部门为解决拥塞问题会采取飞行流量管制措施,从而造成大量航班延误并增加了管制员工作负荷。针对以上问题,提出一种基于Prophet的高精度进出场流量预测模型。该模型在时间序列上充分考虑到季节性、趋势性和假期性,分别采取不同的拟合函数,在周期性较强的数据集上具有良好的预测效果。选择双流机场2019-07-27至2019-09-25之间的高精度起飞降落报文统计数据,对其进行数据清洗和Z-SCORE标准化处理后构建进出场流量数据集。依照实际流量曲线特点,选择每日固定时间段作为变点调整Prophet预测模型,再结合图像进行可视化调参,将得到的结果与基于ARIMA和LSTM的模型结果进行比较,发现所提模型相较性能最为接近的LSTM算法在MAE上有17.9%的提升,在RMSE上有52.0%的提升,在MAPE上有50.82%的提升。同时,为了解决单一特征在流量预测中的局限性,引入多种气象特征数据,并根据实际飞行情况进行特征转换,再结合LightGBM算法对Prophet预测结果进行优化修正,最终结果较原始Prophet得到进一步提升,且正确反映了气候变化对飞行流量的影响。

交叉口短时流量CEEMDAN-PE-OSELM预测模型

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.

基于贝叶斯估计的短时空域扇区交通流量预测

为准确把握空域扇区流量分布态势及未来变化趋势,提出了一种基于贝叶斯估计的短时空域扇区交通流量预测方法.首先,通过解析空域系统内航空器原始雷达数据,提取各扇区历史运行信息,建立了多扇区聚合交通流模型;其次,采用贝叶斯估计理论对模型参数进行最优估计和动态更新,预测了空域扇区交通流量的未来演变趋势及其不确定范围;最后,选取国内5个典型繁忙扇区为例,以5 min为时间段,以未来1 h为预测范围,对所提预测方法进行了验证.研究结果表明:85%以上时段交通流量预测结果的绝对误差在3架以内,平均绝对误差均在2架次以内,预测结果的稳定性较好,可充分反映各空域扇区之间短时交通流的动态性和不确定性,符合空中交通的实际情况.

基于二次分解和融合多特征的短时交通流量组合预测模型

考虑到交通流的随机性和非线性特征导致预测精度低的问题,本文提出一种基于二次分解和融合多特征的组合预测模型。利用时序分解方法将提取交通流量中的趋势性和周期性特征,通过优化后的变分模态分解对残差分量进行二次分解,并对所得分量进行重构;使用相关系数法选取交通流的外部特征,建立3个相异模型对融合外部特征后的分量进行预测;利用强化学习优化各模型的权重,加权求和得到最终的预测结果。利用长沙市区的交通流量进行仿真分析,结果表明:与长短时记忆神经网络模型、卷积神经网络和门控循环单元的组合模型、二次分解后的BP和二次分解后的轻量级梯度提升机相比,本文建立的模型对城市道路交通流的预测效果更好,平均绝对误差为2.622,均方根误差为3.479,均优于对比模型的预测误差,验证了模型的有效性。

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元(GRU)神经网络模型预测趋势项,自回归滑动平均模型(ARMA)模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。

基于组合模型的城市轨道站点短时客流分类预测

轨道交通客流预测是轨道交通线网规划的重要内容,是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异,进而导致站点的进出客流量呈现显著的时空分布不均衡性。为了挖掘各类型站点的客流变化规律,将站点自身特征和周边环境特征组成向量因子,运用K-means聚类方法对站点进行分类。在此基础上,将影响乘客出行的多源数据作为输入特征,分别构建了随机森林(RF)模型、门控制循环单元(GRU)模型以及RF-GRU组合模型,从而进行站点短时客流分类预测。利用杭州地铁站自动检票系统(AFC)采集的刷卡客流数据,对所构建的预测模型的有效性进行检验。研究结果表明:利用7个刻画站点自身特征和周边环境特征的参数作为聚类因子,并结合站点客流时间分布数据,可将杭州市地铁站点分为就业导向型车站、职住混合型车站和住宅偏远型车站;采用平均绝对误差以及均方根误差作为评价指标,参数化模型(ARIMA),非参数化模型(SVR),深度学习模型(LSTM,GRU,SAEs和GCN),组合模型(DCRNN,STGCN,STHGCN和DSTHGCN)的预测误差依次降低,其中RF-GRU组合模型的预测精度优于其他的组合模型;对站点进行分类之后,单一模型和组合模型预测结果的精度均有提高。

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。

基于RVM和ARIMA的短时交通流量预测方法研究

为进一步提高短时交通流量预测精度,提出一种基于RVM和ARIMA的短时交通流量降噪方法.设计了降噪方法的流程,选取了降噪方法误差评价指标;基于RVM和ARIMA的短时交通流量预测方法和预测流程,引入平均绝对相对误差(MAPE)作为预测方法误差评价指标,以某城市道路的录像数据为实例,对构建的预测方法有效性进行验证.结果表明,在不同公用时间尺度(5,10,15min)下,所提出的短时交通流量预测方法的平均绝对相对误差均小于直接运用指数降噪模型、BT神经网络模型、ARIMA模型等方法预测的结果,有效地提高了短时交通流量预测精度.

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。

面向手机信令数据的交通枢纽人流量短时预测算法

为实现对重点区域人群聚集动态的有效掌握,保障区域人群的及时疏运,预防群体性安全事故的发生,以广州市火车站枢纽区域为例,通过对海量手机信令数据进行信息处理,结合地理信息系统将手机信令数据映射至研究区域,实现区域人流量的实时统计,同时分析了大都市火车站枢纽区域春运人流量变化情况,得出春运期间区域人流量存在周期性变化的规律,以此为基础,构建了以平均绝对百分比误差最小的k值自适应计算模型,设计了基于手机信令数据的城市交通枢纽人流量k近邻预测算法,并以节假日与非节假日两种不同交通模式环境进行算法测试.结果表明:所建立的预测算法在两种模式下其平均绝对百分比误差PMAPE分别在6%与5%以内,均能够较为准确地对区域人流量进行预测.

基于时空分析的短时交通流量预测模型

根据交通流的时空关联性和非线性,提出一种基于时空分析的短时交通流量预测模型.在相关系数的基础上扩展时空语义,提出时空相关分析算法,并以支持向量机为预测工具进行预测.弥补现有模型在预测因子选取方面的不足,提高预测精度并避免预测的人为主观性.实验结果表明了算法和模型的有效性.

基于图结构的城市道路短时交通流量时空预测模型

准确、实时的城市短时交通流量预测可为驾驶员提供实时的道路状况预警,是城市智能交通系统发展的重点之一。考虑交通流量数据的时空特征,该文提出一种基于注意力机制的GC-GRU时空预测模型(STGCGRU),模型输入根据交通流量时间特性划分为邻近片段、日周期片段、周周期片段3类,以嵌入图卷积(GC)计算的门控循环单元(GRU)作为基本单元搭建Encoder-Decoder模型框架。其中,GC用以捕捉城市道路图中的空间特征,GRU用以捕捉交通流量时序特征,注意力机制用以调节交通流量的趋势变动性。基于北京市出租车GPS轨迹数据集的实验结果表明,该模型适用于短时交通流量预测,预测精度随预测时长减少而升高;未添加周期性信息模型的预测精度优于常规基准模型,添加周期性信息后预测精度提升,并优于添加周期性信息的DeepST模型。对比不同交通情况,该模型可捕捉易堵路段交通流量的趋势变动性,晚高峰时期预测精度更高,但对交通流量的突增突减不敏感。

基于GA优化IWNN的短时交通流量预测方法

由于交通流量的非线性、复杂性和不确定性,确定数学模型的预测方法难以满足交通管理控制中对预测精度和收敛速度的要求。为了对交通流进行准确、实时、高效的预测,提出将小波理论与神经网络相结合,并改进网络的训练过程从而构建改进型小波神经网络;同时运用遗传算法优化网络的初始权值,最终提高了预测精度,加快了收敛速度,避免陷入局部极小。通过仿真和分析,提出的方法具有较好的预测结果。