基于大数据的城市短时交通流预测方法研究

短时交通流预测是城市智能交通系统的重要组成部分,随着交通大数据和智能科学的快速发展,深度学习在交通领域得到了广泛的应用。本文以门控循环单元神经网络GRU短时交通流预测模型为研究对象,采用加州交通局绩效评估系统的交通流数据为例,将道路观测点的交通流序列作为输入,利用GRU实现城市短时交通流量的预测,并与SVR、ARIMA等模型进行对比,结果表明,该预测模型具有良好的预测性能,可为城市区域短时交通流量变化监测提供依据。     

基于GA-BP神经网络的交叉口短时交通流预测研究

现阶段影响交叉口车辆运行效率的因素主要分为两个方面:其一为受交通信号影响,即实际交通流与交叉口所反应出来的交通信号并不匹配;其二为时间间隔过长,目前短时交通流的普遍预测时长多集中为5-15分钟,过长的时间间隔无法提供有效的信号控制,很容易对最终的数据结果造成不良影响。为提升交叉口短时交通流预测的准确性和实效性,利用科学合理的方式方法对其进行改进有着重要的价值和意义。本文主要对GA-BP神经网络的交叉口短时交通流预测进行研究和分析。     

一种基于灰色系统的短时交通流预测方法

为了提高短时交通流预测的准确性,本文提出了一种基于灰色系统的交通流预测算法,充分发挥了灰色模型能揭示多因素关联程度的优势,以南京市交通流为研究对象,获得了较好的预测效果。     

ITS中交通流预测方法的研究

交通流预测是交通控制与诱导系统中的关键问题之一,也是智能交通系统的重要功能之一。文章从短时交通流预测定义出发,介绍短时交通流预测的原理,并重点介绍几种预测模型,对其建模的理论基础、特点及其可行性、有效性进行分析,并作出了比较和评价。最后对交通流预测的发展作了展望。     

基于融合的短时交通流预测

短时交通流预测在交通管制中有十分重要的作用。本文利用三种机器学习方法,基于三种融合策略提出新的短时交通流融合预测模型。通过实例验证,基于融合的方法预测精度高于单一预测方法;其中基于kNN融合模型精度最高,交通流量相对误差指标(MPE、MAPE、RMSE)分别降低了37.98%、4.53%、17.82%,旅行时间方面分别降低了80.34%,19.55%,20.67%。     

ITS中交透流预测方法的研究

交通流预测是交通控制与诱导系统中的关键问题之一,也是智能交通系统的重要功能之一.文章从短时交通流预测定义出发,介绍短时交通流预测的原理,并重点介绍几种预测模型,对其建模的理论基础,特点及其可行性、有效性进行分析,并作出了比较和评价.最后对交通流预测的发展作了展望.     

基于EVIEWS的短时交通流分析及预测

利用计量经济分析方法以及Eviews软件,对短时交通流序列进行了数字特征分析;通过对短时交通流样本序列进行单位根检验,和1次差分后的残差分析AC和PAC系数,建立短时交通流ARIMA（1,1,1）预测模型,对模型进行检验,发现模型的拟合效果较好,为短时交通流预测提供了一条新的途径。     

一种基于深度学习的交通流预测方法

<正>智能交通系统（Intelligent Transportation System，简称ITS）是指将先进的计算机，电子信息，传感器等技术运用于交通运输控制与决策中，以构建更加安全高效的交通运输环境。在ITS的构建中，运用大数据进行短时交通流预测起着重要作用。实现短时交通流的预测，可以帮助交管部门对复杂的交通状况进行监测和预测，以便及时采取措施展开交通管理和疏导；也可帮助出行者了解实时交通运行状态并作出合理安排，对交通拥堵的改善具有积极影响。因此，本文将道路短时交通流的预测作为研究对象，建立多因素复杂交通环境下的车流量预测模型。     

智能交通系统中短时交通流预测系统的研究

短时、实时交通流预测是城市交通控制与诱导的基础，也是智能交通系统的重要功能之一。研究表明，没有一种预测模型和方法能够适用于各种环境和条件下的交通流预测。本文提出并建立了一种短时交通流的智能预测系统，按照智能预测和组合预测的思想，实现预测模型的智能选择，以及多个预测模型的预测结果的综合。仿真试验结果表明，系统具有较强的适应性，提高了预测的准确性。该系统采用多智能体技术进行设计和实现，文章给出了这种基于多智能体的智能交通预测支持系统的系统结构和工作原理。     

交通流状态辨识及混沌预测

交通流存在着自由流、同步流和堵塞流三种状态，各种状态均表现出不同的特点和性质，企图用某一种算法进行短时交通流预测结果的准确性受到影响。其中，同步流状态准确的预测和诱导，可能最在限度地减少并尽可能避免交通拥挤出现的次数与持续时间，利用混沌预测技术对其进行短期预测，可得到较好的预测效果。     

基于船舶自组织态势分析的内河航道聚簇预测

内河航道交通流预测是保证航道通畅的重要理论根据,传统的航道交通流预测采用线性单态神经网络预测算法,当航运船舶快速聚簇,位置和速度信息参量呈非线性变化时,预测精度不好。提出一种基于船舶自组织网络态势分析的内河航道交通流聚簇预测方法,构建内河航道交通态势分析信息感知模型,通过信息感知和通信定位实现聚簇信息交互,采用非线性卡尔曼方程构建船舶态势分析状态方程,得到航行拥堵程度记忆因子,逐步舍弃内河航道内的交通流历史测量信息,判断航道的拥堵程度,实现对船舶自组织态势分析和流量预测。采用Netlogo设置仿真场景进行仿真实验,实验结果得出采用该算法船舶信息检测和流量预测精度提高显著,预测精度高。     

快速路交叉路口短时交通流协调优化方法

为了降低快速路交叉路口中发生交通拥堵现象的概率,需要对快速路交叉路口的交通流进行协调优化。采用当前交通流协调优化方法对快速路交叉路口的交通流进行协调优化时,不能有效的对快速路交叉路口和入口车道进行协调,得到的协调优化效果不明显。提出一种快速路交叉路口短时交通流协调优化方法,根据不同车道的车流量信息,构建快速路交叉路口交通流动态模型,为快速路交叉路口短时交通流的协调优化提供数据,提高协调优化效果。通过占有率和排队长度对城市快速路交叉路口短时交通流状态进行判别,采用守恒方程对快速路交叉路口车辆的动态排队进行描述,根据快速路交叉路口的车辆排队情况建立排队调节控制模型,完成快速路交叉路口短时交通流的协调优化。实验结果表明,所提方法可以有效的对快速路交叉路口的短时交通流进行协调优化,得到的优化效果较为明显。     

基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

模因组融合信息度传递的溢出类漏洞线性预测

对缓冲区的溢出类漏洞的线性预测是提高漏洞挖掘效率的重要一环,传统方法采用粒子群扰动聚类方法进行溢出类漏洞的预测和挖掘,存在预测精度不准的问题。提出一中基于模因组融合信息度传递的缓冲区溢出漏洞线性预测方法,实现对安全漏洞的准确检测。采用四叉树算法对混合粒子群多维数据进行数据预处理,采用模因组融合信息度传递,结合高斯变异对其进行扰动以代替随机产生新粒子个体的操作,实现对海量多模态数据的优化聚类和线性预测。实验结果表明,算法能准确跟踪溢出类漏洞的演化轨迹,实现对溢出类漏洞的线性预测,预测精度提高24.3%,漏洞挖掘性能提高,保证了应用信息应用环境安全。     

PSO-LSSVM的电力负荷预测研究

对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。     

基于多因素方差分析的文本向量特征挖掘算法

文本向量特征挖掘应用于信息资源组织和管理领域,在大数据挖掘领域具有较大应用价值,传统算法精度不好。提出一种基于多因素方差分析的文本向量特征挖掘算法。使用多因素方差分析方法得到多种语料库的特征挖掘规律,结合蚁群算法,根据蚁群适应度概率正则训练迁移法则,得到种群进化最近时刻获得的数据集有效特征概率最大值,基于最优划分的K-means初始聚类中心选取算法,先对数据样本进行划分,然后根据样本分布特点来确定初始聚类中心,提高文本特征挖掘性能。仿真结果表明,该算法提高了文本向量特征的聚类效果,进而提高了特征挖掘性能,具有较高的数据特征召回率和检测率,时间耗时较少,在数据挖掘等领域应用价值较大。     

最小相关度优化PNARC算法的审计数据关联规则挖掘模型

为解决关系国计民生重要行业事后审计的弊端,本文针对PNARC算法在审计数据关联规则挖掘时存在的置信度约束无效、挖掘精度不高等问题,提出了一种最小相关度优化PNARC算法的审计数据关联规则挖掘模型。首先对置信度进行阈值双重优化,以提高负关联规则的程度,减少不相关的关联规则,然后对最小相关度进行概率分析,降低无关规则的产生几率。仿真实验结果表明,无论在挖掘精度还是算法运行时间上,都具有比PNARC算法更优异的性能。     

无线通信传输数据的谐波平衡算法

提出一种改进的基于阶段赋权非线性滚动预测的无线通信传输数据谐波平衡算法,将Volterra级数法、遗传算法以及拟牛顿算法相结合,通过采用阶段赋权非线性滚动控制策略,得到数据谐波主特征向量,实现采用细菌觅食算法的无线通信数据射频调制,避免了振荡数据的非线性特性产生谐波振荡,实现数据谐波平衡算法改进。实验结果表明,算法能有效降低无线通信数据射频调制的误码率,采用阶段赋权非线性滚动预测,提高了计算效率和精度,数据谐波平衡性能较好,在通信调制解调等领域中具有较好的应用价值。     

基于非参数回归预测下的干线协调控制研究

城市干线协调控制是智能交通研究的关键环节。由于交通流是一个时变的、复杂的非线性系统,具有高度的不确定性、随机性,因此很难建立准确的模型,针对这一问题,本文采用非参数回归预测的方法对交通量进行预测,并运用到干线协调控制中,根据预测出的各交叉口短时交通量对干线协调控制进行配时设计。通过仿真表明,该方法能有效减少交叉口平均延误。     

基于Kalman滤波的Web数据流抗干扰挖掘算法

提出一种基于变维Kalman滤波的Web海量数据流抗干扰挖掘算法。构建Web环境下的海量数据挖掘数据流信息模型和噪声干扰模型,结合现代信号处理方法,设计变维Kalman滤波算法进行海量数据流信号滤波预处理,把Web海量数据流映射为一组非线性宽带调频信号模型,采用信号检测算法实现Web海量数据的抗干扰挖掘。仿真结果表明,采用该算法进行Web海量数据信息的抗干扰挖掘,具有较高的数据检测精度和准确挖掘性能,具有较高的抗干扰性和鲁棒性。