交通流量的预测

交通流量的预测
交通流量的预测

小交通分析

1、道路交通量分析

拟建道路为城市支路,道路车型比较表如1-1。规定:车流量昼间按16小时计算,车流量夜间按8小时计算,夜间车流量按昼间的10%计算,高峰小时车流量按全天24小时交通量的10%计算,依据项目设计单位提出的高峰期交通预测值,得出拟建道路车流量小时流量预测结果如表1-2。

建设期安排:

运营期安排:

交通预测从运营期开始预测,a为道路的交通设计年限,车包含非机动车。

2、交叉口交通量分析:

道路交叉口交通流量流向对道路所在区域的路网存在着较大的影响,同时交叉口的交通情况反映道路的服务水平。

1)道路交叉口类型:

拟建道路为双向N1车道,道路等级:城市X路。

平交道路XX路为双向N2车道,道路等级:城市X路。

拟建道路与规划(现状)XX路平交,为“十”(“T”)字型交叉口。

拟建道路在该交叉口依据道路红线规定,拟定采用X进口道,Y出口道。

2)道路交叉口交通组织采用:

交叉口东口:为XX路采用绿化带(隔离栏)进行机非分隔,路面具有较详

细的标线,机动车道进口道n1个,出口道n2个,非机动车进、出口道各1个。

交叉口西口:

交叉口南口:

交叉口北口:

3)交通状况分析

拟建道路交叉口依据相邻的交叉口交通流量情况,可用于待建交叉口分析,即拟定待建交叉口与相邻交叉口交通流量情况一致。

相邻交叉口现状分析:

通过实地观察,机动车与非机动车高峰小时交通量发生在08:00~09:00(17:00~19:00),为上(下)班时段。推测:拟建交叉口高峰时流量数据如下表:

表1-3

图1:XX路与XX路交叉口交通流量流向示意图

4)交叉口控制状况

方案一:交叉口拟定采用两相位定时信号控制,信号阶段图如下图所示:

优点:

缺点:

方案二:交叉口拟定采用X相位定时信号控制,信号阶段图如下图所示:

优点:

缺点:

方案一与方案二的比较

小波神经网络的时间序列预测-短时交通流量预测

%% 清空环境变量 clc clear %% 网络参数配置 load traffic_flux input output input_test output_test M=size(input,2); %输入节点个数 N=size(output,2); %输出节点个数 n=6; %隐形节点个数 lr1=0.01; %学习概率 lr2=0.001; %学习概率 maxgen=100; %迭代次数 %权值初始化 Wjk=randn(n,M);Wjk_1=Wjk;Wjk_2=Wjk_1; Wij=randn(N,n);Wij_1=Wij;Wij_2=Wij_1; a=randn(1,n);a_1=a;a_2=a_1; b=randn(1,n);b_1=b;b_2=b_1; %节点初始化 y=zeros(1,N); net=zeros(1,n); net_ab=zeros(1,n); %权值学习增量初始化 d_Wjk=zeros(n,M); d_Wij=zeros(N,n); d_a=zeros(1,n);

d_b=zeros(1,n); %% 输入输出数据归一化 [inputn,inputps]=mapminmax(input'); [outputn,outputps]=mapminmax(output'); inputn=inputn'; outputn=outputn'; %% 网络训练 for i=1:maxgen %误差累计 error(i)=0; % 循环训练 for kk=1:size(input,1) x=inputn(kk,:); yqw=outputn(kk,:); for j=1:n for k=1:M net(j)=net(j)+Wjk(j,k)*x(k); net_ab(j)=(net(j)-b(j))/a(j); end temp=mymorlet(net_ab(j)); for k=1:N y=y+Wij(k,j)*temp; %小波函数 end end

交通流量的神经网络预测研究

交通流量的神经网络预测研究 [摘要]交通流量预测问题是交通信息预测的核心问题,进行交通流量预测理论体系的研究,对于改善我国交通拥堵问题具有十分重要的学术价值和现实意义。本文在总结国内外研究成果的基础上,对已有的交通流预测方法进行了分类分析和介绍,并利用神经网络的方法来对交通流量进行预测分析。基于交通流量的集中分布特点并结合实际交通流量观测数据,我们采用了分区间段进行数据整理,将BP神经网络应用于交通流量预测的过程,通过对比预测结果,验证了BP 神经网络具有良好的预测效果。 [关键词]交通信息交通流预测 BP神经网络

Research on neural network prediction of traffic flow [Abstract] Traffic flow forecasting is the core problem of traffic information prediction,theory system in the prediction of traffic flow,is very important for improving our countrytraffic congestion has academic value and practical significance.Th is paper based on summarizing the domestic and foreign research results,analyzes and introduces the existing traffic flow forecasting methods, andanalysis to predict the traffic flow by neural network. based on centralized distribution of traffic flow and combined with the actual traffic flow data. We use the inter partition of data processing during the process of BP neural network can be used to traffic flow prediction by comparing the predicted results ,proves that BP neural network has the good forecast effect. [Keywords] Traffic Information Traffic flow Prediction BP neural network

交通预测模型【对各种交通流预测模型的简要分析】

交通预测模型【对各种交通流预测模型的简要分析】 摘要:随着社会的发展,交通事故、交通堵塞、环境污染和能源消耗等问题日趋严重。多年来,世界各国的城市交通专家提出各种不同的方法,试图缓解交通拥堵问题。交通流预测在智能交通系统中一直是一个热门的研究领域,几十年来,专家和学者们用各种方法建立了许多相对精确的预测模型。本文在提出交通流短期预测模型应具备的特性的基础上,讨论了几类主要模型的结果和精确度。 关键词:交通流预测;模型;展望 20世纪80年代,我国公路建设项目交通量预测研究尚处于探索成长阶段,交通量预测主要采用个别推算法,又可分为直接法和间接法。直接法是直接以路段交通量作为研究对象;间接法则是以运输量作为研究对象,最后转换为路段交通量。 进入90年代后,我国的公路建设项目,特别是高速公路建设项目的交通量分析预测多采用“四阶段”预测,该法以机动车出行起讫点调查为基础,包括交通量的生成、交通分布、交通方式选择和交通量分配四个阶段。

几十年来,世界各国的专家和学者利用各学科领域的方法开发出了各种预测模型用于短时交通流预测,总结起来,大概可以分为六类模型:基于统计方法的模型、动态交通分配模型、交通仿真模型、非参数回归模型、神经网络模型、基于混沌理论的模型、综合模型等。这些模型各有优缺点,下面分别进行分析与评价。 一、基于统计方法的模型 这类模型是用数理统计的方法处理交通历史数据。一般来说统计模型使用历史数据进行预测,它假设未来预测的数据与过去的数据有相同的特性。研究较早的历史平均模型方法简单,但精度较差,虽然可以在一定程度内解决不同时间、不同时段里的交通流变化问题,但静态的预测有其先天性的不足,因为它不能解决非常规和突发的交通状况。线性回归模型方法比较成熟,用于交通流预测,所需的检测设备比较简单,数量较少,而且价格低廉,但缺点也很明显,主要是适用性差、实时性不强,单纯依据预先确定的回归方程,由测得的影响交通流的因素进行预测,只适用于特定路段的特定流量范围,且不能及时修正误差。当实际情况与参数标定时的交通状态相差较远时,

铁路旅客流量预测

摘要了解和预测铁路客流量对于铁路部门而言是实现利润最大化和保证市场竞争力的重要环节,本文通过对某铁路公司至2015年一月至2016年3月的客流情况进行研究分析,得出了铁路客流量的一般规律并构建了良好的客流量预测模型,借此实现对未来两周客流量的预测以及对车辆资源分配方案的优化. 问题一:根据旅客列车梯形密度表中包含的大量数据,利用图表分析法我们绘制了十二张包含饼图、折线图、散点图等多种形式的图表,这在一定程度上帮助我们很好地实现了客流规律的可视化展现.通过这些图表我们分析研究了不同种客运列车的优劣势、客运量的峰值规律以及站点与客运量的相关性,总结出了客流量的一般规律. 问题二:我们针对附件一所提供的大量数据进行了分类整理,将数据按照控制变量法的原则大致分为三类,即考察车站、车次、时间段三个变量对于客流量的影响.在对原始数据进行研究分析后,我们认为车站对于客流量的影响最为显著,于是我们将车站这个因素选定为了主要变量,然后从这个主要变量着手,我们基于MATLAB平台构建程序,程序的核心思想是通过对系统行为特征指标建立一组相互关联的灰色预测模型,预测系统中众多变量间的相互协调关系的变化,这种模型能够帮助我们很好地挖掘和利用原始数据,同时我们参考了在问题一中所得出的客流量的一般规律,最终采用累减生成的放松得到了一组灰色序列以弱化数据的随机性和预测未来客流量.当然,我们也采用了残差修正的衡量方法来对模型和预测结果进行了完善和校准. 问题三:为了求得铁路车辆资源配置方案的最优解,一方面考虑到问题二中对于未来两周客流量的预测,另一方面为了实现两个基本假设中对于客座率达到75%利润最大的假设,我们决定采用模拟退火算法来对结果进行优化,这可以帮助我们在减少算法耗时的同时得到一个符合生活实际的最优解. 一、问题重述 铁路部门为保持市场竞争力,实现利润最大化,需要了解日常铁路客运流量、淡旺季变动指数、冷热门线路.其中,为了准确把握市场,需要对客流进行充分的了解和预测.铁路客流量受多种因素影响.

网络流量预测模型研究

2017年第8期信息通信2017 (总第176 期)INFORMATION & COMMUNICATIONS (Sum. N o 176) 网络流量预测模型研究 陈广居\梁鹏2,王坤3 (1.94750部队福建连城366200;2.94937部队浙江杭州310021 ;3.94872部队江西樟树331204) 摘要:针对当前网络通信业务量大,业务种类多的特点,对近年来网络流量预测模型研究现状进行了综述,分析了多种网 络流量预测模型,针对网络流量的不同特点对各种模型从计算复杂度、应用场合及适用范围等方面展开比较分析。比较 结果表明,预测模型与所分析流量特性及应用场合关系密切,在具体应用中应充分考虑预测目标和具体的网络流量特 点,选择合适的预测模型。 关键词:短相关;长相关;线性预测;非线性预测;组合预测 中图分类号:T H393文献标识码:A文章编号:1673-1131(2017)08-0191-04 The R eserch o f N etw ork Traffic Prediction M odel C h e n G u a n g ju1, L ia n g P e n g2, W a n g K u n3 (1. U n it 94750 o f P L A, L ia n che n g F u jia n 366200, C h in a; 2. U n it 94937 o f P L A, H a n g zh o u Z he jia n g 310021, C hin a; 3. U n it 94872 o f P L A, Zhangshu Jia n gxi 331204, C h in a) A b s tra c t:F o r the characteristics o f the current ne tw o rk com m unication traffic, this paper presents an o ve rvie w on the study o f m odels for ne tw o rk traffic prediction in recent years, analyzes different kinds o f ne tw o rk traffic prediction m odels. In v ie w o f the different characteristics o f ne tw o rk traffic, the m odels are analyzed and com pared fro m the aspects o f com putational co m-plexity, application and scope o f application. T h e results p ro ve that prediction m o d e l should correlate to traffic characteristics and scene tightly. It needs to select the appropriate prediction m odels according to the target and the specific characteristics o f ne tw o rk traffic. k e y w o rd s: lo n g range dependence; short range dependence; linear prediction; nonlinear p rediction; com bination Prediction 〇引言 网络流量是网络运行的重要指标,其反映了网络的运行 状态,近年来网络流量建模和预测成为人们的研究热点。针 对网络流量特性进行建模是网络设计规划和网络状态分析的 前提,也对网络管理与故障处置、新的网络协议的开发以及提 高网络运行服务质量具有重大意义;网络流量预测模型的研 究对于更好地理解网络业务的性能和规律、规划网络设计、决 定网络拥塞控制、应用于网络安全、网络管理的异常检测、提 高服务质量意义深远。网络流量预测以过去的流量数据为依据,通过建立适当的数学模型对将来的流量状态进行预测。因此,掌握网络流量的特点对提高预测的精度和深入分析预测 本质尤其重要。在当前的一些网络流量预测资料中,大部分 的研究重点是对网络流量特性的数学分析,单纯针对网络流 量进行预测的研究不多,与之对应,这一领域的研究在河流流 量、道路交通、金融分析等领域中有较多的应用。本文对近年 来网络流量预测算法研究现状进行了综述,分析了多种网络 流量预测模型,并结合不同的网络流量特性对各种模型的适 用范围及应用场合进行了分析比较,最后得出结论,虽然智能 通信机房监控系统采用S O A P传输协议,这个协议是新时期 W e b S e r v ic e服务和物联网体系中的一种存在的标准传输协 议,S O A P协议定义了一个完善的逻辑业务服务请求者和逻辑 业务服务提供者之间相关的信息传输规范,促使X M L数据传 输更加安全,S O A P协议采用了传统的互联网传输协议,使物 联网作为数据传输的标准模式进行传输,可以为用户提供一 个格式化的相关协议信息,并且能够承载相关的物联网传输 协议,这些协议主要包括以下几个关键方面,S O A P封套信息、S O A P编码规则、S O A P R P C进行逻辑业务处理表示等。S O A 能够更好的实现信息的加工和服务,首先用户可以获取相关 的信号数据,接着可以分析信号的类型,如果信号为抽取信号,就可以实现数据抽取功能;如果信号为引用数据失效信号,则 可以将其划分到响应弓丨用数据失效弓丨擎中;如果信号为数据 已变更信号,则可以将数据推送到数据库中;如果信号为即时 获取,可以启动即时获取数据操作引擎。操作完成之后,这些数据均可以持久化地保存到数据存储器中,保证数据的及时 处理,进一步实现数据的加工和服务。通信机房监控系统是 现代无线通信的一个重要标志,物联网采用自适应技术,可以保证通信质量达到最优化,根据信道的传输环境的变化,适时 地改变N B-I O T的发送、接收参数。 3结语 随着我国通信事业的发展,通信机房包含的设备越来越多, 这些设备承载着数以亿计的资源,保?2联网软件的正常运行。 因此提高机房的智能化管理已经成为人们研究的重点,本文提 出利用物联网的数据感知、信息采集和数据分析功能,构建一个 实时的、动态的智能化机房,提高机房的运行管控成效。 参考文献: [1]陈武.物联网信息技术在数据机房建设中的应用研究[J]. 信息系统工程,2016(12):70-72. [2]李铁.基于物联网的机房温度报警系统设计与实现[J].中 国新通信,2017(3):65-66. [3]胥志强,何国平,杨漾.物联网技术在气象部门智能机房 建设中的应用[J].网络安全技术与应用,2017⑵:130-131. [4]王有为.基于物联网思维的高速公路变电所机房监控系 统[J].中国交通信息化,2016(8):116-117. 191

短期交通流量预测

短期交通流量预测 摘要 交通流量是一种对于一段时间在某个路口通过的交通实体量,在现在的社会中,智能运输系统等交通理论的研究已经渐渐成为发达国家的研究对象,而交通流量预测分析是其中的核心研究之一。所以,对于交通流量的预测成为叩开智能交通系统大门的最有力的那一把钥匙。 在前面,我们首先面临的一个问题是对于数据的处理。题目以15分钟为一个时间段来测量交通流量,一共有三天的数据,应该有288个数据,但是题目只给出了276个。另外,在数据中还有两个为负的数据。面对缺失数据和异常数据,我们分别使用了热卡插补法和平均值填补法来解决。 然后在进行预测时,我们分别使用了不同的软件来建立不同的预测模型。首先我们使用了灰色预测GM软件来进行灰色模型的预测,在预测前,我们先用模型和前两天的交通流量来预测第三天的交通流量,然后将第三天的真实交通流量与预测交通流量进行相关性检验,检验通过后,再用于预测第四天的交通流量,最后评价模型的好坏。 接着,我们使用了spss软件来进行回归分析模型的预测。在预测之前,我们需要先对数据进行相关性检验,若没有相关性,则回归方程会没有意义。接下来,通过对回归方法的决定性系数检验和方差分析检验,得到最合适方法。之后再进行第四天的预测及预测结果的评价。 然后,我们使用了metlab软件来实现BP神经网络模型的预测。BP神经网

络的实质是用已给出的数据来推出需要的数据,并将新预测出的数据重新返回输入中,得到误差,一直重复,直到误差到达合理的围。在预测之前,我们先得出了误差在合理围,并且看到已给出数据的真实值与预测值得对比。在确保模型是可用的之后,在进行预测与预测结果的评价。 最后,我们使用了eview软件来进行时间序列的预测。时间序列预测要求数据必须是平稳的,所以在预测前,先要对数据进行ADF检验,在检验通过后,才能进行预测,得到预测后的表达式和残差。在最后,还必须对残差进行分析估计。这样之后,对模型进行评价。 在本文的最后,我们进行了进一步的讨论和改进,对四种预测方法进行了一个比较,判断出那个模型是最适合这个题目的。并且对文章中所涉及的模型进行推广,使其更便于运用于生活实际中。 关键词:eviews 热卡插补法相关性检验神经网络时间序列ADF检验

基于四阶段法的城市轨道交通客流预测模型研究开题分析报告

基于四阶段法的城市轨道交通客流预测模型研究开题报告

————————————————————————————————作者:————————————————————————————————日期: 2

毕业设计(论文)开题报告 姓名学号专业 设计(论文)题目基于四阶段法的城市轨道交通客流预测模型研究 1. 毕业设计(论文)的目的及意义(含国内外的研究现状分析): 1.1研究的目的及意义 1.1.1研究目的 随着我国经济快速发展,城市化进程日趋加快,城市人口规模和机动车数量急剧增加,直接导致交通出行量大幅增加,由此引发一系列的交通问题,其中交通拥堵问题最为突出。解决该问题的方法除了控制车辆增长速度以外,大力发展城市轨道交通是一个重要解决手段。 城市轨道交通对城市的发展模式和布局有着重要影响,而城市轨道交通客流量预测是轨道交通建设的基础和前提,在轨道交通建设项目可行性研究和交通状况评价过程中都需要进行交通情况调查和交通量预测。因此城市轨道交通客流量的预测直接关系到城市轨道交通项目建设的科学性和合理性,具有重要的现实意义和理论价值。 1.1.2研究意义 城市轨道交通客流预测是城市轨道交通项目建设的一项重要的基础工作,是确定城市轨道交通建设规模和站点布局的重要依据,是城市轨道交通网络合理规划和初步运营的前提条件。目前,传统的四阶段客流预测方法被广泛地应用于交通客流量预测,虽然这些实践工作为四阶段法进行轨道交通客流预测提供了借鉴以及理论实践案例,但是由于轨道交通自身的特点,运用四阶段法预测交通客流时,考虑的因素和预测程序都较为复杂,因此在研究和实践过程中,传统四阶段法还存在不足之处,为了使四阶段法的交通客流预测结果更能符合城市轨道交通的特点,使其更加实用和完善,对其进行改进具有重大的现实意义和理论价值。通过本课题的研究,有助于发现传统四阶段法所存在的缺点,并对其进行改进,为轨道交通量预测提供新的方法和理论依据,更加合理地规划轨道交通网络和城市空间布局。 1.2国内外研究现状 1.2.1国外研究现状 针对交通量预测,HRB和BRP最先运用转移曲线法实现了交通量分配预测,Moore和Schneider等人在前者的基础上,建立全有全无模型进行交通量分配预测,但是预测结果容

曹安公路远期交通流量预测

曹安公路远期交通流量预测——以华江支路——嘉金高速段为基础 学院:交通运输工程学院 学号: 姓名:

目录 一、报告概述 (3) 工作目标 (3) 工作内容 (3) 技术路线 (3) 二、调查道路和交叉口概述 (4) 三、调查数据处理与现状分析 (4) 3.1调查数据汇总及标准车换算 (4) 3.2路段流量推算 (5) 3.3 AADT计算 (6) 3.4现状分析 (7) 四、远期流量预测 (8) 4.1基于弹性系数的远期交通量预测 (10) 4.2基于线性回归的远期交通量预测 (11) 4.3基于人工神经网络为融合基础的远期交通量组合预测 (12) 五、预测结果分析 (14)

一、报告概述: 工作目标 根据曹安公路华江支路——嘉金高速段历年交通流量数据,综合现场调查结果,预测该段2020—2025年年平均日交通量,并对未来曹安公路道路建设工程提出合理意见。 工作内容 现场数据采集:收集曹安公路华江支路——嘉金高速段两交叉口早晨8:00—9:00车流量; 数据处理与分析:(1)现状与历年流量的差异及差异出现的原因(2)变化趋势与历年趋势的对比,说明影响预测结果的主要影响因素及产生原因(3)预测结果分析 技术路线

二、调查道路和交叉口概述 本次调查区段为曹安公路华江支路—嘉金高速段,共有两个交叉口,分别是翔江公路交叉口和翔封路交叉口。两交叉口相对位置如下图所示: 三、调查数据处理与现状分析 3.1调查数据汇总及标准车换算 将实测的分车型交通量转换为标准车流量。换算系数如下: 各交叉口流量调查及标准车换算

3.2路段流量推算 以采集数据的两个交叉口:翔江公路及翔封路,把华江支路——嘉金高速区段划分成三个路段:华江支路—翔封路,翔封路—翔江公路和翔江公路—嘉金高速。采样时间段内(8:00—9:00)各路段统计交通量如下:

用户流量分析模型

版本:1.0 安徽联通用户流量分析模型 2012年01月12日

文件建立/修改记录

一、工具选择与算法选择 选用Clementine建模工具里面的决策树算法C5.0对本网用户的流量使用情况进行分析,类别划分。 二、决策树算法介绍 决策树算法构造决策树来发现数据中蕴涵的分类规则.如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步,决策树的生成:由训练样本集生成决策树的过程。一般情况下,训练样本数据集是根据实际需要有历史的、有一定综合程度的,用于数据分析处理的数据集。第二步,决策树的剪技:决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程,主要是用新的样本数扼集(称为测试数据集)中的数据校验决策树生成过程中产生的初步规则,将那些影响预衡准确性的分枝剪除。 1)树以代表训练样本的单个结点开始。 2)如果样本都在同一个类.则该结点成为树叶,并用该类标记。 3)否则,算法选择最有分类能力的属性作为决策树的当前结点. 4)根据当前决策结点属性取值的不同,将训练样本数据集tlI分为若干子集,每个取值形成一个分枝,有几个取值形成几个分枝。匀针对上一步得到的一个子集,重复进行先前步骤,递4'I形成每个划分样本上的决策树。一旦一个属性出现在一个结点上,就不必在该结点的任何后代考虑它。 6)递归划分步骤仅当下列条件之一成立时停止: ①给定结点的所有样本属于同一类。

②没有剩余属性可以用来进一步划分样本.在这种情况下.使用多数表决,将给定的结点转换成树叶,并以样本中元组个数最多的类别作为类别标记,同时也可以存放该结点样木的类别分布, ③如果某一分枝tc,七砰如恤卜a*没有样本,则以样.本的多数类创建一个树叶。 决策树构造的输入是一组带有类别标记的例子,构造的结果是一棵二叉树或多叉树。二叉树的内部节点(非叶子节点)一般表示为一个逻辑判断,如形式为a=aj的逻辑判断,其中a是属性,aj是该属性的所有取值:树的边是逻辑判断的分支结果。多叉树(ID3)的内部结点是属性,边是该属性的所有取值,有几个属性值就有几条边。树的叶子节点都是类别标记。 由于数据表示不当、有噪声或者由于决策树生成时产生重复的子树等原因,都会造成产生的决策树过大。因此,简化决策树是一个不可缺少的环节。寻找一棵最优决策树,主要应解决以下3个最优化问题:①生成最少数目的叶子节点;②生成的每个叶子节点的深度最小;③生成的决策树叶子节点最少且每个叶子节点的深度最小。 三、数据预处理及准备 首先关联本网用户资料信息表,联通用户资料半年汇总表,3G业务资料表,统计出用户收入,用户增值费用,用户年龄,用户在网时长与用户使用流量的关系,及按流量使用量,套餐内流量使用情况,套餐内流量剩余流量将用户分档统计(详细见附件)。后将用户资料11月份数据清洗(除去离网用户,测试卡用户,上网卡用户)后作为模型数据来源。取数sql如下:

短时交通流预测研究综述

短时交通流预测研究综述 摘要:道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于检测器优化选择的短时交通流预测算法的预测方法。将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;以预测的均方误差最小为目标函数,通过遗传算法优化选择合适的检测器,以小波神经网络作为预测算法进行短时交通流预测具有很高的精度和适用性。 关键词:交通工程;交通流理论;短时交通流;预测模型;神经网络算法 Research on Short-Time Traffic Flow Forecasting Methods LIU Jia-tong (1. Department of Bridge Engineering, School of Highway, Chang’an Unversity) Abstract:Prediction of road traffic flow is one of the key technologies of intelligent transportation system. This paper summarizes the development of road traffic flow forecasting methods, analyzes and compares the advantages, disadvantages and application of each forecasting model. The existing prediction methods are classified based on the method of statistical analysis: Based on the theory and methods of nonlinear theory and traffic detector based on the optimal selection of flow prediction algorithm based on prediction method and neural network method. The prediction effect of comprehensive prediction model of artificial neural network model and other fields combined than single neural network prediction model and the conventional prediction; to minimize the mean squared error as the objective function, the genetic algorithm to choose the appropriate detector with the wavelet neural network as prediction algorithm of short term traffic flow forecasting high precision and applicability. Keywords:Transportation Engineering; Traffic Flow Theory; Short-termTraffic Flow; Prediction Model; Neural Network Algorithm

基于改进GMDH算法的路口短时交通流量预测

一一收稿日期:2014-05-29;修回日期:2014-08-20三 一一基金项目:国家自然科学基金资助项目(61374116);中央高校基本科研专项基金资助项目(2014202)三 一一作者简介:王明月(1990-),女,江苏扬州人,硕士研究生,主要研究方向:控制理论与控制工程;一王晶(1960-),女,辽宁沈阳人,副教授,硕士,主要研究方向:系统工程二经济控制论;一齐瑞云(1979-),女,安徽人,教授,博士,主要研究方向:模糊自适应控制;一陈复扬(1967-),男,江苏扬州人,教授,博士,主要研究方向:自适应控制二道路交通管理三 文章编号:1001-9081(2015)S1-0101-03 基于改进GMDH 算法的路口短时交通流量预测 王明月,王一晶? ,齐瑞云,陈复扬 (南京航空航天大学自动化学院,南京210016) (?通信作者电子邮箱wangj_9989@https://www.360docs.net/doc/9a9111131.html,)摘一要:城市交通是一个复杂的大系统,实时而准确的短时交通流量预测,可以为城市交通诱导和控制提供科学支持三针对GMDH 算法建模泛化能力差的问题,结合集成学习的思想对GMDH 算法进行改进,并将改进的算法应用到短时交通流量模型的构建中三结果表明,该方法可以有效地对短时交通流量进行预测,建模平均相对误差为1.10%,预测相对误差为0.58%三 关键词:智能交通系统;短时;交通流量;GMDH ;预测中图分类号:TP181一一文献标志码:A Short-term traffic flow forecasting on grossroads based on improved group method of data handing WANG Mingyue,WANG Jing ? ,QI Ruiyun,CHEN Fuyang (College of Automation Engineering,Nanjing University of Aeronautics and Astronautics,Nanjing Jiangsu 210016,China ) Abstract:The urban traffic is a complex large system,actual and accurate traffic flow prediction can provide scientific support for urban traffic guidance and control.Ensemble learning is introduced to improve the general ability of classical Group Method Of Data Handing (GMDH )algorithm.The short-term traffic flow model was built based on improved GMDH algorithm.Experimental results indicate that the average relative error of the model is 1.10%,and the relative error of prediction is 0.58%.Thus,this model is an efficient method to the short-term traffic flow forecasting. Key words:intelligent traffic system;short-time;traffic flow;Group Method of Data Handing (GMDH);prediction 0一引言 近些年来,随着智能交通系统(Intelligent Transport System,ITS)的蓬勃发展,智能交通控制与诱导系统已经成为ITS 研究的热门核心课题,而实现该系统的关键是实时准确的短时交通流量预测[1],即有效利用历史数据和实时交通信息去预测未来一段时间的交通流量三 目前关于交通流量预测的模型较多,其中传统的统计算法模型有历史平均模型二自回归滑动模型二移动平均模型二线性回归模型二卡尔曼滤波模型[2]等,这类模型考虑因素相对简单,计算较为简便,具有静态稳定的优点,但是不能准确反映交通流过程的动态特征;基于人工智能技术的模型的典型代表为人工神经网络[3]模型,该模型具有较强的动态非线性映射能力;最后是组合预测模型,即把几种模型按某种方式组合,以充分发挥各单项模型的优点,从而提高预测精度三 GMDH(Group Method of Data Handling)[4]模型属于人工智能模型,它是由乌克兰科学院Ivakhnenko 院士在1967年提出并发展起来的一种启发式自组织建模方法,也是自组织数据挖掘(Self-Organizing Data Mining,SODM)方法的核心算法三该方法能够有效地对复杂多变量系统进行辨识,预测结果良好三GMDH 算法建模能够根据输入二输出变量原始的信息构造出模型,从而进行自选择三GMDH 算法建模是用多项式处理数据,在结构上有自组织二全局优选的特性,因此GMDH 非常适合用于复杂系统的建模,但是GMDH 方法建模 有时得到的模型泛化能力较差三 1一短时交通流量特性 交通流量是指单位时间内通过道路某一地点或某一断面 的实际车辆数,又称交通量三交通系统是由人二车辆和道路共同作用的复杂系统,人们出行行为的总体规律性及城市道路网络通行条件的实际约束决定了交通流量具有随时间和空间不断变化的特征[5]三一般认为,短时交通流量的时间间隔不超过15min [6]三短时交通流量的特性主要表现为动态变化性二时间相似性和空相似性三 1)动态变化性三 城市道路的交通流量是由交通需求二路网条件二交通管理 控制方案二公共交通出行比例二信息诱导等共同作用的结果,所以交通流量时刻在变化三 2)时间相似性三 在对交通流的研究中发现,相同路段以周为周期的交通 流量曲线,相似程度最高,规律性最强[7]三因此,可以把历史数据分为两类:工作日(星期一至星期五)交通流量数据和周末(星期六二星期日)交通流量数据三 3)空间相关性三 城市道路交通系统是一个非常复杂的网状结构,多个路 段的交通流量之间存在密切的相互联系三相关路口的交通流量在多种因素的影响下存在空间相关性三 Journal of Computer Applications 计算机应用,2015,35(S1):101-103,134一 ISSN 1001-9081 CODEN JYIIDU 一 2015-06-20 https://www.360docs.net/doc/9a9111131.html,

基于时间序列分析的网络流量预测模型研究

万方数据

万方数据

万方数据

基于时间序列分析的网络流量预测模型研究 作者:周德懋, 李舟军, 康荣雷, ZHOU Demao, LI Zhoujun, KANG Ronglei 作者单位:北京航空航天大学,计算机学院,北京,100191 刊名: 现代电子技术 英文刊名:MODERN ELECTRONICS TECHNIQUE 年,卷(期):2009,32(8) 被引用次数:2次 参考文献(17条) 1.Garrett M W;Wilhinger W Analysis,Modeling and Generation of Self-similar VBR Video Traffic 1994 2.Chen Borsen;Yang Yusuarg;Botekuen Lee Fuzzy Adaptive Predictive Flow Control of Network Traffic[外文期刊] 2003(04) 3.刘嘉琨;金志刚;薛飞基于FARIMA过程的网络业务预报与应用[期刊论文]-电子与信息学报 2001(04) 4.Chen Liang;Wang Xiaofan;Han Zhengzhi Controlling Bifurcation and Chaos in Internet Congestion Control Model 2004(05) 5.Joachim H;Werner L Lyapunov Exponents from a Time Series of Acausic Chaos 1989(04) 6.文兰动力系统简介[期刊论文]-数学进展 2002(04) 7.文成林;周东华多尺度估计理论及其应用 2002 8.杨福生小波变换的工程分析与应用 1999 9.雷霆;余镇危一种网络流量预测的小波神经网络模型[期刊论文]-计算机应用 2006(03) 10.陈振伟;郭拯危小波神经网络预测模型的仿真实现[期刊论文]-计算机仿真 2008(06) 11.文成林;周东华多尺度估计理论及其应用 2002 12.张传斌;王学孝;邓正隆非线性时间序列的RBF神经网络预测方法及其应用[期刊论文]-热能动力工程 2001(03) 13.张玉瑞;陈剑波基于RBF神经网络的时间序列预测[期刊论文]-计算机工程与应用 2005(11) 14.林天峰基于最大熵原理的网络流量预测综合模型[期刊论文]-微电子学与计算机 2006(08) 15.郭琳;张大方;黎文伟基于稳态模型的流异常检测算法[期刊论文]-计算机工程 2006(19) 16.余健;郭平基于改进小波神经网络的网络流量预测研究[期刊论文]-计算机应用 2007(12) 17.郑成兴网络流量预测方法和实际预测分析[期刊论文]-计算机工程与应用 2006(23) 本文读者也读过(10条) 1.潘乔.罗辛.王高丽.裴昌幸.PAN Qiao.LUO Xin.WANG Gao-li.PEI Chang-xing基于FARIMA模型的流量抽样测量方法[期刊论文]-计算机工程2010,36(15) 2.李林峰.裘正定时间序列分析在网络流量预测中的应用研究[会议论文]- 3.赵海阔.朱正平.ZHAO Hai-kuo.ZHU Zheng-ping基于非线性算法的网络业务流量预测[期刊论文]-自动化与仪器仪表2010(4) 4.何建基于时间序列的网络流量分析与预测[期刊论文]-中国科技信息2005,2(22) 5.段智彬.孙恩昌.张延华.董燕.DUAN Zhi-bin.SUN En-chang.ZHANG Yan-hua.DONG Yan基于ARMA模型的网络流量预测[期刊论文]-中国电子科学研究院学报2009,4(4) 6.闵洁.李潇.MIN Jie.LI Xiao基于最小二乘支持向量机的网络流量预测[期刊论文]-九江学院学报(自然科学版)2010,25(1) 7.韩志杰.王汝传.段晓阳.HAN Zhi-jie.WANG Ru-chuan.DUAN Xiao-yang一种基于小波卡尔曼滤波的MPLS流量预测算法[期刊论文]-计算机技术与发展2010,20(11)

交通流量的预测

小交通分析 1、道路交通量分析 拟建道路为城市支路,道路车型比较表如1-1。规定:车流量昼间按16小时计算,车流量夜间按8小时计算,夜间车流量按昼间的10%计算,高峰小时车流量按全天24小时交通量的10%计算,依据项目设计单位提出的高峰期交通预测值,得出拟建道路车流量小时流量预测结果如表1-2。 建设期安排: 运营期安排: 交通预测从运营期开始预测,a为道路的交通设计年限,车包含非机动车。 2、交叉口交通量分析: 道路交叉口交通流量流向对道路所在区域的路网存在着较大的影响,同时交叉口的交通情况反映道路的服务水平。 1)道路交叉口类型: 拟建道路为双向N1车道,道路等级:城市X路。 平交道路XX路为双向N2车道,道路等级:城市X路。 拟建道路与规划(现状)XX路平交,为“十”(“T”)字型交叉口。 拟建道路在该交叉口依据道路红线规定,拟定采用X进口道,Y出口道。 2)道路交叉口交通组织采用: 交叉口东口:为XX路采用绿化带(隔离栏)进行机非分隔,路面具有较详

细的标线,机动车道进口道n1个,出口道n2个,非机动车进、出口道各1个。 交叉口西口: 交叉口南口: 交叉口北口: 3)交通状况分析 拟建道路交叉口依据相邻的交叉口交通流量情况,可用于待建交叉口分析,即拟定待建交叉口与相邻交叉口交通流量情况一致。 相邻交叉口现状分析: 通过实地观察,机动车与非机动车高峰小时交通量发生在08:00~09:00(17:00~19:00),为上(下)班时段。推测:拟建交叉口高峰时流量数据如下表: 表1-3 图1:XX路与XX路交叉口交通流量流向示意图

4)交叉口控制状况 方案一:交叉口拟定采用两相位定时信号控制,信号阶段图如下图所示: 优点: 缺点: 方案二:交叉口拟定采用X相位定时信号控制,信号阶段图如下图所示: 优点: 缺点: 方案一与方案二的比较

高速公路车流量的预测新模型

龙源期刊网 https://www.360docs.net/doc/9a9111131.html, 高速公路车流量的预测新模型 作者:孙小军曹陆玲潘红梅王涛 来源:《计算技术与自动化》2016年第02期 摘要:利用泊松分布,在不考虑随机因素对车流量影响的理想情况下,分别构建出低、 高负荷两种状态车流量的数学模型。分析影响高速公路车流量的四个主要随机因素:车速、天气恶劣程度、突发事件、驾驶员对动态视野的感知程度,并设计出更符合实际的高速公路车流量预测模型,为高速公路管理部门合理预测车流量并做好应对准备提供有效的依据。 关键词:高速公路;泊松分布;随机因素;预测模型 中图分类号:U412 文献标识码:A 1 引言 高速公路的发展水平是衡量一个国家经济发展的重要尺度之一。21世纪以来,随着人们 生活水平的快速提高,拥有汽车的人数越来越多,但同时也带来了高速公路上车流量迅速增加的问题。对于车流量的研究目前已有较多成果,比如很多学者通过建立微分方程[1]、时间预测、BP神经网络[2]等数学模型来研究传统的车流量问题,但因其计算过程往往过于繁琐,且很少考虑车速、天气、突发事件等诸多随机因素[3]对车流量的影响,这使得最终的计算结果 与实际情况相差较大。然而随着经济的进一步发展,及时掌握高速公路的车流量变化趋势,并对其做出合理的预测,是有效提高高速公路利用率的关键。本文利用泊松分布,在分析理想情况下两种状态车流量变化趋势的基础上,结合上述影响因素,构建出一个更符合实际的高速公路车流量的预测模型。 2 新模型 2.1 理想情况下车流量的计算 2.1.1 低负荷状态 由于高速公路上车辆的到达满足以下三个条件[4]: 2.1.2 高负荷状态 在高负荷状态下,由于高速公路上的车流量仅满足泊松分布中给出的前两个条件,而考虑到在高负荷状态下有2辆及其以上车辆到达的概率很大,显然不满足泊松分布中的条件,故可将条件③做如下修改: 2.2 实际情况下的车流量计算

相关文档
最新文档