基于VMD-LSSVM的扇区流量短期预测

对扇区流量进行短期预测,是精准实施扇区流量优化和管理措施的前提。基于分解集成预测方法论,建立了变分模态分解-最小二乘支持向量机(Vibrational mode decomposition-least square support vector machines,VMD-LSSVM)预测模型。首先,应用变分模态分解(Vibrational mode decomposition,VMD)方法将扇区流量时序数据分解为若干个模态;然后,使用最小二乘支持向量机(Least square support vector machines,LSSVM)模型分别对模态进行预测;接着,对模态的预测结果进行加和集成,得到了最终的预测值。算例计算结果显示,针对60 min统计尺度流量时间序列,VMD-LSSVM模型在1~6 h的均等系数(Equal coefficient,EC)值为0.97,在7~12 h的EC值为0.94;与差分自回归滑动平均模型(Autoregressive integrated moving average model,ARIMA),反向传播(Back propagation,BP)神经网络和LSSVM单一模型相比,VMD-LSSVM模型1~6 h的EC值分别提升了11.5%、7.8%、4.3%;与完整聚合经验模态分解(Compete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-LSSVM、CEEMDAN-BP和VMD-BP相比,提升了2.1%、6.6%、5.4%;与30 min和15 min统计尺度相比,的EC值分别提升了6.6%和19.8%;针对时间普适性的8次实验,EC值均在0.94以上,针对27个扇区普适性的实验,有24个扇区的EC值在0.9以上。算例结果表明,VMD-LSSVM模型具备良好的预测性能和较好的普适性,用于扇区流量短期预测是可行的和有效的。

特征分离编码的景区短期客流量预测模型

为增强景区科学管理、缓解交通压力、减少安全隐患、提升游客体验,提出基于特征分离编码和注意力机制的网络模型(feature separation encoding and attention mechanism network,FSEAMNet)预测景区短期客流量。该模型包含序列到序列(sequence-to-sequence,Seq2Seq)结构,将不同分布规律的特征进行分离并独立编码,融合成最终的编码向量序列。在每个解码时刻,注意力机制将编码向量序列重新组合成一个上下文向量,解码器从上下文向量解码出未来的游客数量。通过真实的景区数据库数据构建训练集、测试集。实验结果表明,与其它模型相较,FSEANet的预测误差最多可下降82.80%,该模型在工程应用案例分析中对未来一周客流量预测的每日相对误差均在10%以下。所提模型能对实际景区未来短期客流量实现较准确的预测。

基于K近邻模型的空中交通流量短期预测

为了准确预测空中交通短期流量,减轻空管协调压力,基于K近邻算法构建了空中交通短期预测模型。首先,通过多次取K值比较相对误差来确定合适的K值。之后,对原有的K近邻模型进行改进,引入空间参数,提出了3种状态向量组合的K近邻模型:时间维度模型、向台航路-时间维度模型与时空参数模型。以某扇区雷达数据对该模型进行检测,结果表明:同时引入时空参数的K近邻模型误差最小,平均为14.16%;基于指数权重的距离衡量方式均能达到预测精度优化的效果;高斯权重预测法在时间维度模型下优于反函数法,引入空间参数则反之;指数权重距离下的反函数法预测的时空参数模型误差为13.94%。改进后的K近邻模型对不同流量情况都具有普适性,预测结果可为空中交通流量管理提供理论参考。

基于ARMA-AE-LSTM模型的进场交通流预测方法

为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。

基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

混沌局域预测法在网络流量短期预测中的应用

网络流量数据表现出一定的混沌特性,而在传统的混沌预测算法中,使用欧氏距离衡量相空间中相点间的相关性。由于欧氏距离的局限性,在高维相空间中,传统混沌预测算法的精度迅速下降。使用夹角余弦取代欧氏距离,作为判别相点间相关性的标准;并将相点视为向量,以向量的模和夹角为优化目标,进行预测参数识别。将以上算法应用于网络流量数据的短期预测,结果表明,在高维相空间中,预测算法的精度得到了明显的提升。

基于分解集成方法的空中交通流量短期预测

为对空中交通流量进行短期预测,提出了基于分解集成方法的组合预测模型。首先,应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法将流量时序数据分解为若干个分量;其次,应用排列熵计算各分量的复杂度,复杂度高于0.5的归为高频分量,其余归为低频分量;然后,高频分量采用BP(back propagation)神经网络算法进行预测,低频分量采用最小二乘法进行预测;接着,对分量的预测结果进行加和集成,得到了最终的预测值。最后,采集实际运行数据进行算例分析。通过比较1~6 h和7~12 h的预测结果,本文模型在1~6 h的均等系数(equal coefficient,EC)值为0.905,准确度更高。与EMD-BP-OLS模型、BP模型进行比较,本文模型的评价指标均优于其他模型。通过比较60、30、15 min时间尺度数据的预测结果,60 min时间尺度的EC值为0.924,准确度最高。结果表明,提出的模型是可行的和有效的,更适用于短期流量预测。

考虑管制员负荷的空中交通流量动态短期预测

常用的空中交通流量预测方法忽视了因管制员工作负荷对航班流量实施控制引起的流量变化等动态因素,导致流量预测不够合理,为此,提出了考虑管制员负荷的空中交通流量动态短期预测方法。考虑到管制员负荷难以量化,引入与管制员负荷正相关的管制通信时间变量,以历史统计数据为依据,建立管制通信时间与航班流量的拟合模型;建立了航班流量和管制通信时间的向量自回归模型;建立了航班流量与管制通信时间的向量误差修正模型(VECM)并进行了2 h的短期流量预测,并与采用单变量ARIMA的预测结果进行比较与分析。结果表明VECM比ARIMA的预测结果准确度提升了6.88%,证明了所提出的预测方法合理可行,为空中交通流量动态短期预测提供了新的方法和思路。

基于堆叠LSTM神经网络的短期交通流量预测

短期交通流量预测是各种智能交通场景中的关键任务之一.文章提出了一种堆叠长短期记忆(LSTM,Long Short-term Memory)神经网络来执行此任务.该方法以堆叠的结构增加神经网络的深度,可增强对复杂的线性和非线性函数的拟合能力,从而提高预测的准确性.在四个典型的基准数据集上进行了大量的实验,结果表明所提出方法优于常用的机器学习和经典的LSTM方法.

独立分量分析在短期交通流量预测中的应用

传统短期交通流量预测方法都基于相同的预测模型直接对总体流量进行预测,总体流量数据中含有若干个分量,不同分量使用同一个预测模型,预测模型无法符合每一个分量数据的变化规律,导致预测结果精确度不高。为了提高流量预测精度,节省预测时间,改善传统预测方法的不足,将独立分量分析方法应用到短期流量预测中,对自回归滑动平均(ARMA)预测模型进行了改进。首先,对去除周期分量的高速公路交通流量数据进行独立分量分析,将其分解成若干个正交独立分量,减少分量关联性带来的预测误差;然后,对不同的独立分量分别构建适当阶数的自回归滑动平均模型,即对不同分量进行单独预测;最后,用最小二乘法求解独立分量分析中的混合矩阵,通过混合矩阵将独立交通分量的所有预测值准确地重构回最终需要的交通流量预测值。结果表明,该方法与直接自回归滑动平均模型预测法和经验模态分解法相比具有更高的预测精度和更短的计算时间。

基于Eurocat-X系统实时运行数据的短期空中交通流量预测

在对EuroCat-X系统实时运行数据进行深入分析的基础上,提出一种新的短期流量预测模型,与现有模型相比,它利用EuroCat-X系统强大的计算能力和丰富的信息资源,减少了自身的计算量和复杂度,而且从空中交通管制的角度直接、迅速获得航班动态更新的信息,提高了实时性,然后在REC数据分析系统上对该模型进行了实现,并将预测结果与实际情况进行对比,分析误差产生的原因。

基于BA-SVR的乡村游短期客流预测模型

针对乡村休闲游短期客流量预测中多影响因素、非线性、数据稀疏的特点,提出一种基于支持向量回归的预测模型。支持向量机模型的预测效果受支持向量机的参数的影响较大,利用蝙蝠算法对支持向量回归预测模型进行建模参数优化,实现乡村休闲游短期客流量的精准预测。对九寨沟每日客流量数据和密云区乡村休闲游客流量数据进行仿真实验,实验结果表明,对比该模型与神经网络模型、ARIMA模型、贝叶斯线性回归模型、随机森林回归模型,在乡村休闲游的小样本情况下,其预测精度明显高于其它模型,可以进行有效的短期客流量预测,蝙蝠算法相比于传统群体智能算法具有更好的全局搜索能力以及更少的计算用时。

基于分形插值的空中交通流量短期预测

为精准实施空中交通流量优化与管理,对流量短期预测方法进行了研究。首先,应用重标极差(R/S)方法计算流量时间序列的Hurst指数,来识别分形特征。其次,应用分形插值模型为每个相似日建立迭代函数系,并将所有相似日的迭代函数系进行加权,形成1个统计意义上的迭代函数系,从任意已知点出发,通过多次迭代获得稳定的吸引子曲线,进而得到流量预测值。最后,采集35天的实际运行数据进行算例分析。结果显示:60min尺度流量时间序列的Hurst指数为0.3336,具有分形特征;预测结果的均衡系数为0.9574、平均绝对相对误差为0.0867;统计尺度为30min和15min的流量时序也具有分形特征,预测结果的均衡系数分别为0.9259和0.8757;临近相似日和相同周天相似日的预测结果没有显著差异;相较于传统模型,本文方法对于分形时序预测具有更好适应性。结果说明,分形插值模型用于空中交通流量短期预测是可行的和有效的,预测准确性随着统计尺度的减小而降低。

基于长短期记忆网络构建短时车流预测模型

为了准确地预测短期高速公路车流量,从而有利于最优路径规划,基于高速公路大数据积累,以及基于神经网络机器学习技术的发展,构建了基于长短期记忆网络构建短时车流预测模型,并对关键参数的设置进行优化,提出模型求解算法。通过杭金衢高速新岭隧道段数据进行案例分析,模型预测精度高于传统时间序列模型,为今后高速公路运行管理提供可靠支撑。