短时预测

摘要： 对轨道交通进行客流预测,不仅是进行轨道交通运营的基础,同时也决定了轨道交通的运营效率。为了提高轨道交通的短时预测效果,提出了LM算法和GA遗传算法的优化思路,对BP神经网络短时预测模型进行优化。此外,为了验证优化模型的有效性,研究S市两个站点的客流实测数据进行仿真实验,并以MAD、MAPE、MSE 3个指标评价模型的预测性能。研究结果显示,在优化后的GA-LM-BP算法模型中,它的预测值相对误差控制在±20%以内,且评价指标所反映的预测精度和稳定性较好。此次研究所提出的优化思路显著提高了预测模型精度和稳定性,优化后的预测模型具有良好的适用性。希望这次研究成果可以为提高客流短时预测效率提供一些参考,同时为提高轨道交通运营效率提供一些思路。

摘要： 准确掌握城市轨道交通客流的短时变化规律是制定应急措施和提高运营效率的关键依据。从影响客流预测精度因素的视角探索车站分类,建立小波变换-自回归移动平均(Wavelet transform-Auto regressive moving average,WT-ARMA)的短期客流预测方法。基于轨道交通客流属性和车站建筑属性9个聚类因子,运用K-means聚类方法将轨道车站分为4类。针对不同类别车站,研究客流数据降噪技术减少外部环境对原始客流数据的影响。构建基于小波变换的客流数据降噪技术和基于ARMA的客流预测方法组成的WT-ARMA组合预测模型对各类车站进行客流预测,并与单一ARMA模型、支持向量回归(SVR)模型和BP神经网络模型的预测结果进行对比。西安地铁2号线运营数据的分析结果表明,可将轨道车站有效分为商业、办公车站,密集型居住车站,轻型居住车站和旅游文化车站。通过构建组合模型揭示了4类车站的预测误差,相比于单一ARMA模型、SVR模型和BP神经网络模型,车站预测拟合优度提升了6.45%~9.45%,2.72%~5.69%,1.91%~3.48%,平均相对误差降低了17.00%~30.15%,14.64%~28.35%,4.49%~22.75%,均方根误差降低了8.79%~16.93%,7.16%~13.76%,4.77%~7.90%,运算时间降低了13.74%~29.20%,34.06%~45.39%,53.70%~58.79%。所建立的模型可精确、快速地对客流进行预测,可对各类型轨道车站建立相匹配的客流管控措施提供基础建议。

摘要： 准确预测短时出租车速度是识别驾驶员异常加减速行为的前提,有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象,研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集,构造滑动时间窗口,以时间窗口内的出租车历史移动速度的时间序列为输入变量,以出租车当前时间的移动速度为输出变量,采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化,得到模型最优参数组合,并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析,将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差(MAE)为9.841,均方根误差(RMSE)为12.711,均低于非参数回归模型和神经网络模型,提高了出租车速度的预测精度;由于出租车速度序列缺乏规律性,调整后的R^(2)(R^(2)_adjusted)为0.592,且相较于其他2个模型,XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果,避免了过拟合造成的预测精度下降。

摘要： 针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.

摘要： 针对进港旅客分布态势的预测能力不足问题,以某机场进港航班信息与进港旅客人数数据为基础,探究进港旅客到达分布规律。通过平衡特征因素构造改进欧式距离的双加权K近邻算法,结合进港航班计划信息驱动的时间价值函数,考虑影响各到达口旅客的特征演化规律,构建双加权K近邻的进港旅客预测模型,实现对某机场单航班进港旅客到达口人数精准预测。实验结果表明,与SVR模型和传统的K近邻模型比较,均方根误差RMSE值性能提高5.8%,拟合优度值提高7.2%。为大型机场进港旅客分布态势精准预测提供了科学依据和参考方法。

摘要： 为了降低地铁车站因客流增加或突发事件产生的客流安全风险,提出了基于WiFi探针检测数据的地铁车站客流预警模型.基于WiFi探针客流数据采集原理、数据属性特征和探针网络化布设方案,实现了对WiFi探针原始数据的预处理.同时建立了基于时间序列的地铁车站短时客流预测模型,并与线性回归模型进行了比较,通过计算地铁车站客流承载能力,构建了车站客流预警指标和分级预警模型.最后以上海地铁江苏路站为例进行模型验证,结果表明,基于WiFi探针技术的地铁车站客流检测和预测模型具备可行性和有效性,且预警模型对客流预警应用和研究有一定的参考意义.

摘要： 针对传统深度学习模型在预测高速铁路短时客流时难以确定时间阈值、网络参数选取有难度等问题,提出一种基于多层感知器时间序列网络与动态搜索烟花算法的高速铁路预测模型.首先以高速铁路短时客流预测作为研究对象,将MLPs网络中每个节点作为一个感知器,模拟生物神经网络中神经元基础功能,对时间变化特征进行建模;再将dynFWA算法应用到神经网络参数多样性选择中,利用爆炸算子搜索机制对网络超参数组合进行优化,以高速铁路历史真实客流系数为基础,部分数据作为数据源,部分数据作为验证组,通过MLPs—dynFWA模型进行预测并将结果与其他预测模型进行比较,得到不同数据组在不同模型优化策略下的性能指标.通过实验结果得知,MLPs—dynFWA模型对于高速铁路短时客流预测性能最优.

摘要： 针对交通小区生成交通的短时预测需求,提出了综合小波分析和BP神经网络的短时预测方法.预测方法主要利用dbN小波函数对交通小区生成交通进行小波分解,利用BP神经网络对分解后的多频段波形进行短时预测,最后通过波形重构获得交通小区生成交通的短时预测结果.在构建综合小波分析和BP神经网络短时预测模型基础上,采集交通小区的实际交通生成数据,并构建短时预测的对比模型,检验构建模型的预测精度.检验结果表明:在交通小区的生成交通短时预测方面,综合小波分析和BP神经网络的组合预测模型比单独采用BP神经网络进行预测的精度更高.

摘要： 路段行程车速的变化受时间和空间维度信息的综合影响,多数神经网络模型仅从时间维度上预测路段行程车速的变化规律,未能全面考虑路网结构和上下游交通状态对路段行程车速的影响.结合图卷积网络和门控循环单元构建深度学习模型,挖掘路段行程车速的时空特性.通过在线地图平台获取路段实时行程车速,使用等维递补方法更新历史序列数据,提高预测实时性.在深圳市部分区域路网上的实验结果表明,该模型的多步预测精度均在90％以上,相比自回归积分滑动平均模型、支持向量机回归模型和门控循环单元模型最高提升了6.9％、1.3％和0.4％,具有更优的路段行程车速预测效果.

摘要： 有效泊位短时预测是停车诱导系统的关键技术之一.论文通过对现有泊位预测方法的比较分析,提出了基于LSTM神经网络的有效停车泊位短时预测模型.对模型的结构设计和训练方法进行了研究,并通过实例,和BP神经网络预测方法进行比较.结果表明:LSTM神经网络预测模型具有更高的预测精度,并且随着预测时间间隔的增加,仍能保持较高的预测精度.

摘要： 双层K近邻算法在K近邻算法的基础上,增加了状态模式匹配步骤,从而提高了K近邻算法的预测精度.本文利用北京RTMS实际数据,从预测精度及运算效率2方面进行分析,最终标定了适用于RTMS数据的双层K近邻短时预测算法参数,并对标定参数进行了验证,从而提升了算法的实用性.

摘要： 为了提高行程时间短时预测的准确性,本文提出了基于多源交通数据可靠性的行程时间短时预测方法.该方法首先通过构建差分自回归移动平均-广义自回归条件异方差模型(ARIMA-GARCH模型)预测基于不同交通检测方法的行程时间及其可靠性,然后以不同交通检测方法的行程时间可靠性为基础构建最优加权数据融合模型,从而进行基于多源交通数据的行程时间短时预测.本文选取微波车辆检测器和GPS浮动车为数据源进行实例分析,性能评估结果表明本文所提出的行程时间短时预测模型的预测性能优于基于单源交通数据的行程时间短时预测模型和基于简单算术平均法的行程时间短时预测模型.

摘要： 利用河南省新一代天气雷达探测资料,结合河南省乡镇雨量资料,设定阈值,得到较大尺度云团的回波信息,采用国外最普遍的质心线性外推方法,将新一代天气雷达混合反射率进行质心线性外推,并利用乡镇雨量站高时间分辨率的降水资料和高时间分辨率的新一代天气雷达基数据,动态生成Z-R关系,并把前一时次的Z-R关系代入到临近预报中累积外推出1 h,2 h降水预报场,预测短时最佳人工增雨作业区.实践表明在较短的时间内,线性假设的误差较小,对降水回波区域移动方向的预报有较好指导意义,此方法在一定程度上可以提高人工增雨作业的科学性和准确性.以此为基础,建立河南省人工增雨作业短时预测系统.

摘要： 交通流量预测具有重要的现实意义,提高其预测的精准度是相关领域的研究重点.本文提出了一种基于Conv-LSTM的短时交通流量预测方法,以交通GPS数据为基础,通过数据预处理生成时空流量矩阵,利用卷积网络提取流量特征,并融合外部影响因子,对LSTM网络进行时间维度的流量预测.经实验验证,该模型性能表现较好,预测结果较为准确地反映出交通流量的变化趋势,与类似方法对比具有一定的优越性.

摘要： 交通流量预测具有重要的现实意义,提高其预测的精准度是相关领域的研究重点.本文提出了一种基于Conv-LSTM的短时交通流量预测方法,以交通GPS数据为基础,通过数据预处理生成时空流量矩阵,利用卷积网络提取流量特征,并融合外部影响因子,对LSTM网络进行时间维度的流量预测.经实验验证,该模型性能表现较好,预测结果较为准确地反映出交通流量的变化趋势,与类似方法对比具有一定的优越性.

摘要： 交通流量预测具有重要的现实意义,提高其预测的精准度是相关领域的研究重点.本文提出了一种基于Conv-LSTM的短时交通流量预测方法,以交通GPS数据为基础,通过数据预处理生成时空流量矩阵,利用卷积网络提取流量特征,并融合外部影响因子,对LSTM网络进行时间维度的流量预测.经实验验证,该模型性能表现较好,预测结果较为准确地反映出交通流量的变化趋势,与类似方法对比具有一定的优越性.

摘要： 交通流量预测具有重要的现实意义,提高其预测的精准度是相关领域的研究重点.本文提出了一种基于Conv-LSTM的短时交通流量预测方法,以交通GPS数据为基础,通过数据预处理生成时空流量矩阵,利用卷积网络提取流量特征,并融合外部影响因子,对LSTM网络进行时间维度的流量预测.经实验验证,该模型性能表现较好,预测结果较为准确地反映出交通流量的变化趋势,与类似方法对比具有一定的优越性.

摘要： 大城市地铁路网日益复杂且承载着巨大的客流量,客流预测精度要求日益提高,地铁进出客流量的精确预测为地铁运营调度提供重要的决策基础.提出了一种基于堆叠式自编码器(stacked autoencoder)和长短时记忆(Long Short-Term Memory)结合的方法用来预测地铁工作日与周末的进出客流量.地铁客流量存在一定周期性,通过将刷卡数据转化为时序数据作为输入,构建SAE-LSTM模型,并且利用TensorFlow,Keras对模型进行搭建与验证,结果表明模型比单一的SAE与LSTM模型拟合优度提高了5.3％,证明SAE-LSTM方法能有效应用于地铁进出客流量的预测,为地铁进出站客流量预测提供了新的方法.

摘要： 大城市地铁路网日益复杂且承载着巨大的客流量,客流预测精度要求日益提高,地铁进出客流量的精确预测为地铁运营调度提供重要的决策基础.提出了一种基于堆叠式自编码器(stacked autoencoder)和长短时记忆(Long Short-Term Memory)结合的方法用来预测地铁工作日与周末的进出客流量.地铁客流量存在一定周期性,通过将刷卡数据转化为时序数据作为输入,构建SAE-LSTM模型,并且利用TensorFlow,Keras对模型进行搭建与验证,结果表明模型比单一的SAE与LSTM模型拟合优度提高了5.3％,证明SAE-LSTM方法能有效应用于地铁进出客流量的预测,为地铁进出站客流量预测提供了新的方法.

摘要： 本发明公开了一种基于长短时记忆网络模型的短时数据流预测方法，步骤为：首先获取观测点中的多个训练样本，然后提取练样本的特征，根据训练样本的特征对训练样本进行分类，分别为数据流量值变化趋势剧烈和平缓两个类型、或变化趋势上升和下降两个类型；采用所有训练样本针对LSTM模型进行训练，得到训练后的主模型，再分别采用两种类型的训练样本分别对主模型进行训练，分别得到第一类子模型和第二类子模型。获取观测点测试样本，通过分类器对测试样本进行分类，然后根据分类结果将测试样本输入到第一类子模型或第二类子模型中，通过第一类子模型或第二类子模型预测出观测点下一时间点的数量流量值。本发明方法提高了短时数据流预测的准确度。

摘要： 本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。

摘要： 本发明公开了一种短时交通状态预测装置，包括一交通状态分析单元用于读取历史交通状态数据，并根据预先设定的一间隔时间筛选所述历史交通状态数据获得筛选后历史交通状态数据；一时间序列分割单元用于将所述筛选后历史交通状态数据按时间序列分割出若干交通状态数据；以及一交通状态预测单元用于通过所述若干交通状态数据以及模糊平均预测模型产生未来交通状态的预测结果。本发明还公开了一种短时交通状态预测方法，通过从历史交通状态数据分割出若干交通状态数据，精确地表征各个交通状态数据的交通状态特性，并通过采用模糊平均预测的方法，降低交通状态非平稳变化对预测结果的影响，从而实现大规模地应用。

摘要： 本发明公开了一种基于长短时记忆网络模型的短时数据流预测方法，步骤为：首先获取观测点中的多个训练样本，然后提取练样本的特征，根据训练样本的特征对训练样本进行分类，分别为数据流量值变化趋势剧烈和平缓两个类型、或变化趋势上升和下降两个类型；采用所有训练样本针对LSTM模型进行训练，得到训练后的主模型，再分别采用两种类型的训练样本分别对主模型进行训练，分别得到第一类子模型和第二类子模型。获取观测点测试样本，通过分类器对测试样本进行分类，然后根据分类结果将测试样本输入到第一类子模型或第二类子模型中，通过第一类子模型或第二类子模型预测出观测点下一时间点的数量流量值。本发明方法提高了短时数据流预测的准确度。

摘要： 本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。

摘要： 本发明公开了一种基于云平台的短时公交客流预测系统及预测方法，包括短时公交客流预测系统、公交客流OD推导、智能公交客流统计终端，智能公交客流统计终端与短时公交客流预测系统采用无线方式连接；本发明利用无监督特征学习理论的公交站点客流预测，分析站点客流分布，挖掘公共交通出行特征，为市民提供实时、准确、有效的公交出行服务，既能够解决大量的客流转移对城市交通造成的压力，减少全社会的能源消耗，同时也能增加公交公司的营运收入。

摘要： 本发明属于交通技术领域，公开了一种基于LSTM‑GASVR的多尺度短时交通流预测建模、预测方法及系统。建模方法包括：对采样的交通流数据进行重构、归一化及工作日因素升维等步骤预处理数据；建立LSTM模型提取数据特征，训练LSTM短时交通流预测模型；使用遗传算法GA优化SVR模型中的参数，选择最优的模型参数组合，训练SVR短时交通流预测模型；利用SVR算法优化LSTM模型的预测结果，输出结果即为未来15min的交通流预测值，实现了交通流的实时高精度预测。多种预测方法比较分析表明，本发明较LSTM、GRU、CNN、SAE、ARIMA、SVR，预测精度提高了20％，R2达到了0.982，解释方差为0.982，mape为0.118。本发明的交通流预测方法为交通管理人员判断路网状态，进行交通控制及车流引导提供了有力支撑。

摘要： 本发明公开了一种短时交通流量预测模型构建方法及预测方法，针对一段时间内的交通流量数据进行聚类，充分提取数据信息输入到GRU神经网络，以短时交通流量模式类别作为输出，对GRU神经网络模型进行训练，训练完成后得到短时交通流量预测模型，实现对短时交通流量的预测。针对神经网络的训练集选取对短时交通流量的预测结果影响显著，采用K‑Means聚类算法将历史短时交通流量数据进行聚类，有针对性地进行预测，提高了预测结果的准确度。

摘要： 一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，涉及交通信息技术领域，结合经验模态分解EMD这种处理数据序列的方法，首先将非常态事件下非平稳的交通参数数据序列分解成平稳的、多尺度特征的本征模态函数分量IMF，然后基于EMD滤波特性构造滤波器组，将IMF分量重组为高、中和低频滤波三类，再根据每组IMF的不同特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均模型进行预测，然后将各部分结果累加生成下一时段交通参数的实时预测结果，最后根据实时的交通参数预测数据和非常态下历史数据进行多步预测，得到交通参数最终的预测结果及未来发展趋势。本发明对于非常态事件下的交通参数以及未来变化趋势具有更好的预测能力。

摘要： 一种非常态下基于经验模态分解和分类组合预测的交通参数短时预测方法，涉及交通信息技术领域，结合经验模态分解EMD这种处理数据序列的方法，首先将非常态事件下非平稳的交通参数数据序列分解成平稳的、多尺度特征的本征模态函数分量IMF，然后基于EMD滤波特性构造滤波器组，将IMF分量重组为高、中和低频滤波三类，再根据每组IMF的不同特点分别使用灰色理论、卡尔曼滤波和自回归滑动平均模型进行预测，然后将各部分结果累加生成下一时段交通参数的实时预测结果，最后根据实时的交通参数预测数据和非常态下历史数据进行多步预测，得到交通参数最终的预测结果及未来发展趋势。本发明对于非常态事件下的交通参数以及未来变化趋势具有更好的预测能力。