基于差分处理的EMD-LSTM短时空中交通流量预测

随着中国民航的飞速发展,终端区空中交通流量与日俱增,短时空中交通流量预测对于精准实施空中交通流量管理具有重要意义。为提高短时空中交通流量预测的准确性,提出了基于数据差分处理(data differential processing)的经验模态分解(empirical mode decomposition,EMD)和长短期记忆(long short-term memory,LSTM)相结合的短时空中交通流量预测模型。首先,该模型对短时空中交通流量序列进行经验模态分解;其次,为了提高预测精度,运用数据差分对时间序列进行平稳化处理;最后,将平稳处理后的序列分别输入LSTM网络模型进行预测,经过数据重构,得到最终的短时流量预测值。利用郑州新郑国际机场数据进行了实验验证,结果表明,该模型预测精度和拟合程度的典型指标RSME、MAE、R^(2)分别为0.29%,0.08%、96.40%,相较于其他方法,预测精度大幅度提高,可以为短时空中交通流量预测提供有益参考。

基于多数据融合的短时交通流量预测算法研究

针对单一模型无法分析复杂、非线性交通流数据的问题,在多平台数据融合的基础上提出了一种面向短时交通流量的组合预测算法。对于交通流数据具备的时间性和空间性特征,首先使用径向基函数(RBF)神经网络对相邻节点的空间交通流数据进行分析,然后利用ResNet对RBF神经网络效率低的缺陷加以改进,最后通过双向长短期记忆(LSTM)网络的时间序列分析能力提取交通流数据的时间特征。同时,引入了萤火虫算法对时空模型的参数进行优化。对基于公共数据集获取到的车辆、天气、高速公路等多平台信息进行了试验。相较于对比算法,所提算法的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)指标均最优,预测值与实际流量值最接近。该算法的综合性能较理想,且鲁棒性较强。

基于二次分解集成的机场流量短期预测

为实现准确的机场流量短期预测,本文建立了基于二次分解方法的分解集成预测模型。首先,应用局部加权回归周期趋势分解(STL,seasonal and trend decomposition procedure based on Loess)算法将原始时间序列分解为趋势项、季节项和余项3个分量,并计算其样本熵。其次,应用遗传算法(GA,genetic algorithm)优化变分模态分解(VMD,variational mode decomposition)参数,对熵值较大的分量进行二次分解。再次,使用极端梯度提升(XGBoost,extreme gradient boosting)对二次分解后的所有分量进行预测,采用加和集成得到最终的预测值。最后,采集国内典型机场实际运行数据进行实例分析。针对北京首都国际机场60 min进场、离场流量时序,本文模型预测的均等系数(EC,equal coefficient)值分别为0.9703、0.9959,相比其他常用模型均有所提高。此外,对于上海浦东、上海虹桥、广州白云3个大型国际机场,本文模型在60 min、30 min统计尺度下进场和离场流量预测的EC值均在0.9700以上,15 min统计尺度下预测的EC值均在0.9500以上。结果表明,本文建立的二次分解集成预测模型具有良好的准确性和普适性,用于机场流量短期预测是可行和有效的。

基于数据集蒸馏的光伏发电功率超短期预测

云是影响太阳直接辐射变化的主要因素,由于各类云的透光率不同,导致到达光伏电站的太阳辐射会随之产生波动。为解决各类云遮挡下的光伏发电功率波动大、预测模型个数多的问题,提出一种基于卫星云图和数据集蒸馏的光伏发电功率超短期预测模型。首先,基于待测场站上方的历史云图,采用Farneback光流法预测出云图;然后,根据卫星云分类标签数据建立各类云的样本库,利用数据集蒸馏算法训练样本库得到云类判别图,将预测云图与云类判别图匹配计算,获得云类聚合匹配特征;最后,利用上述特征、云量特征以及数值天气预报数据建立长短期记忆网络模型,对光伏发电功率进行超短期预测。利用某光伏电站数据进行验证,结果显示,该文所提模型能准确描述云层的各项特征,有效提升光伏功率预测精度。

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解(VariationalMode Decomposition,VMD)和改进麻雀搜索算法(ImproveSparrowSearchAlgorithm,ISSA)与长短期记忆(LongShort-Term Memory, LSTM)神经网络相结合,建立一种短时交通流预测模型(VMD-ISSA-LSTM)。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于Stacking集成学习的机场线短时客流预测研究

地铁机场线客流具有高度时变性,受机场航班影响使得精准的短时客流预测具有挑战性。综合考虑机场航班信息和机场线路历史客流,构建了一种以随机森林(RF)、LightGBM(light gradient boosting machine)、梯度提升决策树(GBDT)和逻辑回归算法作为集成学习器,基于叠加(Stacking)集成模型的机场线路短时客流预测模型。以北京地铁大兴机场线为实例进行验证,并与Informer和长短时记忆神经网络(long short-term memory,LSTM)两种基线模型进行对比。结果表明,考虑航班信息和机场线历史客流的双通道预测效果明显优于仅考虑机场线历史客流的单通道预测;Stacking模型在各项指标中均表现出优越的性能,其中,在96步长(24 h)下的预测效果最好,预测进站客流的平均绝对误差为7.66,预测出站客流的平均绝对误差为4.67;分析航班信息特征对预测模型的影响,发现离港航班信息重要性不如到港航班,这与离港旅客提前到达机场时间差异较大有关。

基于EMD-SSA-LSTM模型的城市轨道交通站点客流预测

文中基于EMD和SSA算法,对LSTM神经网络进行优化,提出一种新的组合预测模型.利用EMD算法降低数据噪点的干扰,将短时客流数据分解为多个IMF和一个残差.利用SSA算法优化LSTM网络的隐含层神经元个数、学习率以及迭代次数.利用优化后的LSTM模型对各个IMF进行预测,由各IMF的预测结果求和得到最终的预测值.利用杭州市客流量最大的站点火车东站客流量数据进行验证,并与BP神经网络、LSTM神经网络以及SSA-LSTM模型的预测结果相比较.结果表明:在针对工作日和非工作日的短时客流预测中,EMD-SSA-LSTM组合模型的预测误差均低于其他3种模型,且工作日与非工作日的预测值与真实值之间可决系数分别为0.9995,0.998,验证了本文提出的组合模型的有效性,并且提高了预测精度.

基于大数据分析技术的景区短期客流量预测研究

景区短期客流量受多种因素影响,如天气、节假日等,导致预测难度上升,为此提出基于大数据分析技术的景区短期客流量预测方法。该方法通过多种途径采集并整合景区客流量历史数据,利用大数据分析技术从整合后的数据中高效筛选和提取与客流量预测最相关的特征。将筛选出的关键特征输入到景区短期客流量预测模型中得到相关的预测结果。实验结果表明,提出方法的客流量预测值与实际客流量值之间的差异较小,F1分数较高。

基于STAtt-DGCN模型的高速公路短时交通流预测

短时交通流精准预测是高速公路交通运行状态精细化监管的重要手段,有助于提前监测高速公路潜在车流拥挤事件并及时管控。国内外学者已经从数理统计、数据驱动的维度提出了多种短时交通流的预测方法,虽然成果颇丰,但对交通流数据在时间关联性、空间关联性方面的共同建模能力不足,导致预测精度仍然有提升的空间。基于此,笔者提出了一种时空注意力扩散图卷积模型(STAtt-DGCN),来进行高速公路交通流的短时预测。该模型依托经典的时间注意力机制、空间注意力机制和图卷积网络,设计了时空模块、时空卷积模块以及扩散图卷积网络模块,来分别建立交通流数据在时间、空间维度的关联性,从而使预测精度得到有效提升。选取了江西省某高速公路3个月的ETC数据集来验证所提模型的性能,并选用ARIMA、LSTM、STGCN等常见基线模型来进行模型的对比评估。实验结果表明:STAtt-DGCN模型几乎在每个月的数据集上都展现出较好的预测能力。以2022年4月为例,与最具挑战的STGCN基线模型相比,所提模型在平均绝对误差、均方绝对误差、平均绝对误差上分别下降了17.9%、40.0%、11.0%。这意味着STAtt-DGCN模型的预测精度相较于基准方法有较大提升,可应用于高速公路交通流精准预测。

基于聚类算法和CNN+LSTM短时交通流量预测

为了更精确地预测交通量,减轻交通阻塞的问题,采用聚类算法,卷积神经网络(CNN)与长短记忆网络(LSTM)相结合,建立一个交通流预测模型。该模型在兼顾时间序列特征地同时,兼顾了交通流量方式与空间特性之间地关系。首先,构造数据张量X,利用CNN挖掘相邻路口的数据X,并整合空间关联信息,将经过CNN处理后的数据输入LSTM模型,用于预测下一时间序列的数值。其次,将LSTM输出经过K-means聚类算法对交通模式进行划分,并计算聚类中心和权重,最终与LSTM的输出做加权计算,得到预测结果。通过多组实验证明本文所提出的模型预测精度优于其他模型,验证了在不同的流量模式下,将时空特征纳入其中,对短时交通流预测的有效性。

计及复杂影响因素的区域大数据智能预测算法设计

针对传统客流量分析预测方法存在运行效率低且难以对数据隐藏特性进行深入分析的问题,文中基于改进长短时神经网络模型提出了一种区域性的游客流量预测算法。该算法对传统长短时神经网络的神经元进行了简化,有效提高了收敛速度。同时采用自编码器对输入数据特征进行提取,从而得到了具有更强关联性的数据。在模型输出部分,通过引入多头注意力机制对输出数据进行权重排序,以获得更准确的预测结果。实验测试结果表明,所提算法的RMSE值为15.81,运行时间仅为30 min,且其客流量预测误差在所有对比算法中最小,可以为区域游客流量预测提供数据支撑。

基于ARIMA的高速公路短时交通流量预测方法研究

短时交通流预测对于高速公路交通运营管理具有重要的指导价值,能够为高速公路交通流量趋势分析、基础设施建设规模确定以及运营效益评估提供可靠的数据基础。在高速公路交通流量数据平稳性分析的基础上,利用信息准则法进行预测模型识别,通过参数估计和模型检验,构建基于ARIMA的高速公路短时交通流量预测模型。最后利用济青高速的真实交通流量数据进行实例分析,结果表明ARIMA预测模型在高速公路短时交通流量预测方面具有良好的适应性和稳定性,在预测精度方面优于移动平均和指数平滑预测模型。

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。

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。

基于支持向量回归机的交通状态短时预测方法研究

提出基于支持向量回归机的交通状态短时预测方法.具体的做法是,以交通检测器收集到某时刻前几时段及上下游前几时段的交通流量、占有率、平均速度等交通参数为输入,以对应时段交通流量为输出,选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,输入交通流量、占有率、平均速度,来预测下时段的交通流量.最后,以某城市道路的实时数据来对模型进行验证,预测结果表明了模型的有效性.

基于混沌和RBF神经网络的短时交通流量预测

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,论文从非线性时间序列的角度对短时交通流量预测进行探讨,提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下,对交通流量数据进行相空间重构。构建了RBF神经网络,并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明,该方法对模拟产生的混沌时间序列具有很好的预测效果,在交通流量的短时预测上也具有较高的预测精度。

基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(p,d,0)模型结构的时间序列分析方法,提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验,结果表明:减小遗忘因子可以提高一步预测的性能。此外,将该算法分别应用于工作日和双休日的数据时,仿真实验都取得了较好的预测效果,说明该算法对不同交通流状况具有较好的适应性。

基于卡尔曼滤波的公交站点短时客流预测

公交站点短时的客流预测是智能公交调度系统中重要的决策基础与技术支持.在对短时客流特性进行分析的基础上,提出了以卡尔曼滤波作为公交站点短时客流的预测模型,并给出了模型的求解过程.选用了一条实际公交线路中客流量较大、客流变化明显具有代表性的站点进行了采集数据和实例分析,数据结果的平均绝对误差为5.177 1,均方误差为0.796 1,表明提出的模型与算法可以有效地对短时公交客流进行预测.与人工神经网络预测结果比较,在相同的实例数据下,其平均绝对误差为10.477 0,均方误差为1.672 4,结果表明使用卡尔曼滤波建立的模型比较准确,说明本文所提出的方法预测误差小,具有现实的应用意义.

基于Elman神经网络的道路网短时交通流预测方法

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测.首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析.验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.