摘要：文中利用上海杨浦区雷达设备采集的城市道路流量数据,基于XGBoost模型对路段流量进行预测.考虑城市道路交通流量的复杂性与随机性,选用包括整体特征、时间相关特征、空间相关特征等31个特征变量,并通过格网搜索对模型主要参数进行调整.结果显示:在不同时间粒度上,XGBoost模型的RMSE精度皆优于其余五个对比模型,且在效率上也具有优势.以5 min为时间粒度时,RMSE值为14.22,MAPE值为0.153,耗时23.84 s.此外,XGBoost具有较高可解释性.通过对不同特征变量的组合预测及特征变量重要度分析发现,以时间粒度为单元,1、2、3阶滞后流量及彼此间的差值可明显提高模型预测精度,随时间粒度增大,流周期性增强,随机性减弱.

摘要：[目的]为应对大客流事件,需准确识别城市轨道交通对大客流时空分布状态及演化规律,有必要基于EKF(扩展卡尔曼滤波)和UKF(无迹卡尔曼滤波),对城市轨道交通客流密度进行短时预测。[方法]从车站和断面两个层面,介绍了自动售检票设备数据的处理方法,并划分了城市轨道交通车站及断面的舒适度等级。通过定义客流密度状态方程和量测方程,分别介绍了EKF模型和UKF模型的城市轨道交通客流密度短时预测计算方法。以国内某城市轨道交通网络化运营城市某条线路为案例,比较了EKF模型及UKF模型的预测精度。[结果及结论]算例结果表明,EKF模型及UKF模型均能通过实时采集当前时段车站自动售检票设备数据来预测下一时段的车站客流密度和断面客流密度,适用于城市轨道交通客流密度短时预测场景。相比于EKF模型,UKF模型全天分时段预测值更接近真实变化趋势,UKF模型预测值与真实值的散点分布更趋集中收敛;UKF模型的均方根误差、平均绝对误差及平均绝对百分比误差均相对更低,说明UKF模型预测精度相对更高。

摘要：当前的多用户复杂网络信息流短时预测模型多为单一结构,预测的范围较小,为此提出多用户复杂网络信息流短时预测方法。根据实时的信息流预测需求及标准的变化,设定最大预测误差范围,采用多阶的方式构建多阶短时预测模型,建立短时模糊预测流程,构建多用户复杂网络信息流短时预测模型,采用自适应修正处理,实现信息流预测。测试结果表明,设计方法的信息流的短时预测F值均可以达到0.95以上,表明该方法的泛化能力与针对性均得到增强,可以大范围地精准预测信息流。

摘要：为了更加合理地进行地铁车辆调度和制定人员配置方案,并在满足人们出行需求的基础上实现资源利用最大化,对地铁客流量进行准确地短时预测是非常必要的,同时客流预测对地铁站厅空调系统的运行调节也具有重要作用。文章通过对郑州某地铁车站2014年6—7月的进站小时客流量数据进行统计分析,构建季节性差分自回归滑动平均(SARIMA)模型、非线性自回归神经网络(NAR)模型和长短期记忆网络(LSTM)模型,用统计数据进行模型训练并实施预测。通过在工作日客流预测中,发现LSTM模型在MAE、RMSE和R2上均优于其他模型,拟合系数R2达到0.9814,MAE为55.84,均方根误差为88.56;在非工作日客流预测中,LSTM模型同样表现出最好的效果,R2达到0.9817;SARIMA模型精度接近LSTM模型。这说明在对具有明显周期性数据预测时,无论是经典的时间序列方法还是先进的深度学习方法预测结果都很好,传统的神经网络因为无法捕捉周期性所以预测效果较差,预测精度相对较低。

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：为准确预测高速公路路段行程时间,提出基于浮动车GPS数据的高速公路行程时间的短时预测方法.首先,基于浮动车获取高速公路行程时间的测试数据和训练数据;其次,采用KNN算法评估不同交通状况之间的相似度,将训练数据中与拟预测时间段交通状况最接近的浮动车行程时间作为预测行程时间;最后,采用重庆市机场路的浮动车数据进行方法有效性验证.结果表明,该方法具有直观、简单、预测精度高等优势,可应用于预测高速公路行程时间,在高速公路入口处提供实时的行程时间交通诱导信息,提高驾驶员出行前的路径选择效率.

摘要：为精确地实现Ka频段星地链路降雨衰减的短时趋势和强度预测,提出了一种基于数值天气预报的降雨衰减短时预测方法,设计了降雨衰减预测流程,并应用上述方法对某地区发生的降雨过程进行研究,比较分析了降雨衰减的实测值和基于数值预报的降雨衰减预测值。试验结果表明,基于数值预报的降雨衰减和实测值变化趋势符合较好,误差较小,在20GHz频段平均误差约为1.31dB,在30GHz频段平均误差约为2.39dB,在20GHz频段平均误差约为1.31dB,在30GHz频段平均误差约为2.39dB。该方法可实现Ka频段卫星通信系统的短时降雨趋势预测。

摘要：交通流短时预测中,多个检测点的道路交通状态间的时空联系是客观存在的,但以往研究中通常根据经验假定,很少定量研究其相关性.本文引进了多元统计分析中的多维标度法对多断面时间序列的相关性进行定量分析,为合理进行多断面短时交通流预测研究提供基础.首先,根据道路网多个断面各自的时间序列利用相关系数方法得到两两之间相关性的相关系数矩阵,然后,利用多维标度法将道路网中多个断面交通流的相关程度映射到一张二维拟合构图中,以拟合构图中代表各个断面的点之间的欧几里得距离来体现断面之间的相关强度,从而判别断面之间相关性强弱,确定道路网多断面短时交通流预测时相关性分组.最后,根据相关性分析结果进行多断面交通流预测及效果比较,验证了方法的可行性和有效性.

摘要：为提高预测精度和降低计算复杂度,提出了一种基于时空关联和BP_Adaboost的短时交通参数预测方法。首先,通过分析交通参数之间的时间关联性和空间关联性,得到对预测值产生影响的因素。然后,采用主成分分析法对影响因素进行预处理,选取了主成分作为后续预测模型的输入。最后,采用Adaboost算法对BP神经网络进行优化,构建了BP_Adaboost预测模型,以改善传统BP神经网络的预测性能。利用南京市典型道路数据对该方法进行了性能评价。结果表明:该方法不仅可以在一定程度上提高预测精度,更重要的是能够大大提高预测结果的稳定性。由此可见,该方法可以作为短时交通参数预测的有效手段。

摘要：为了解决交通状态短时预测以及精准度的问题,以小波基作为模式识别的特征函数来优化传统BP神经网络参数和误差空间,通过小波基及输入向量的内积进行加权实现输入层的特征提取,结合神经网络的自学习功能,实现了交通状态的短时预测。实验证明,该算法具有较强的非线性拟合能力和较好的收敛速度,能够实现交通状态的短时预测。