CN110991698B - 基于混合处理的季节***通流灰色预测方法 - Google Patents
基于混合处理的季节***通流灰色预测方法 Download PDFInfo
- Publication number
- CN110991698B CN110991698B CN201911079213.7A CN201911079213A CN110991698B CN 110991698 B CN110991698 B CN 110991698B CN 201911079213 A CN201911079213 A CN 201911079213A CN 110991698 B CN110991698 B CN 110991698B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- sequence
- seasonal
- original
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000005484 gravity Effects 0.000 claims abstract description 15
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的基于一种混合处理的季节***通流灰色预测方法,包括如下步骤:S1、根据不同时间间隔,从交通流数据库中提取若干周期的断面交通流量,建立季节性的原始交通流量序列;S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性,将原始交通流量序列转化为平滑的目标交通流量序列;S3、建立灰色预测模型,对目标交通流量序列进行预测处理,得到下一周期的交通流量预测值。本发明消除了原始交通流数据的季节性,在少量原始数据的情况下,有效提升了灰色预测的能力。本发明对于随机性较强的弱季节***通流序列也有着较高的预测精度,且预测范围更广、预测效率更高、计算复杂度更低。
Description
技术领域
本发明属于交通预测技术领域,主要应用于城市道路交通流量的预测方法,具体涉及一种基于混合处理的季节***通流灰色预测方法。
背景技术
短时交通流预测作为ITS的重要组成部分,在缓解车辆拥堵、改善空气质量、降低出行成本等方面都有着重要的研究意义。但由于城市内部的交通状况是复杂多变的,短时交通流极易受到天气状况、交通事故、道路类型等因素的影响,导致其具有非常强烈的随机性、非线性以及季节性。因此,准确实时的短时交通流预测方法成为交通领域研究的热点。目前来说,短时交通流的预测方法可以分成基于模型理论的预测方法和基于数据理论的预测方法。基于模型理论的方法通常需要建立相应的数学模型来对历史数据进行拟合,并根据拟合情况对模型进行不断优化使误差达到最小,其虽然能够拟合非线性序列,但对于原始序列的随机性和季节性却无法很好的处理。基于数据理论的方法则通常需要庞大的历史数据,并通过复杂的内部计算来确定各类特征的权重系数,系数值的精确程度直接影响最终的预测结果。由于对数据的依赖性很强,因此原始数据的完整性、准确性、规模性都对结果精度有着极大的影响,即便输入满足条件的原始数据,这类模型也容易陷入过拟合的情况。特别的,对于深度学习这类新兴技术而言,其内部庞大的运算对硬件的配置需求提出了更高的要求,且需要耗费的时间成本巨大,无法对交通流进行实时预测。此外,基于“黑盒”特征的这类数据驱动方法,其内部的详细机制无从得知,因此模型的解释力不足。
发明内容
针对上述现有技术所存在的问题,本发明于提出一种基于混合处理的季节***通流灰色预测方法;该方法的具体技术方案如下:
一种基于混合处理的季节***通流灰色预测方法,所述方法包括如下步骤:
S1、根据不同时间间隔,从交通流数据库中提取若干周期的断面交通流量,建立季节性的原始季节***通流量序列;
S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性,将原始交通流量序列转化为平滑的目标交通流量序列;
S3、建立灰色预测模型,对目标交通流量序列进行预测处理,得到下一周期的交通流量预测值。
优选地,步骤S1中原始交通流量序列的提取步骤如下:
S1-1、设定时间间隔,通常为1hour、30min或10min等;
S1-2、根据S1-1中的时间间隔,统计交通流数据库中相应时间段的交通流量,如1hour间隔的情况下,统计每天的0点-1点、1点-2点、...23点-24点的交通流量值;
S1-3、提取断面交通流量,以早高峰为例,则需要提取若干周期的每天早上7点-8点的交通流量,从而得到原始季节***通流量序列;
优选地,步骤S2中混合处理的步骤如下:
S2-1、从交通流数据库中提取的原始季节***通流量序列,记为:
x(0)={x(0)(1),…,x(0)(q),x(0)(q+1),…,x(0)(nq)};
其中x(0)为原始季节***通流量序列,且x(0)(k)≥0,k=1,2,…,nq,q为周期,n为周期个数;
S2-2、提取原始季节***通流量序列x(0)的比重序列t(i),记为:
其中:i=1,2,…,q;
S2-3、由于t(i)=t(i+q)=…=t(i+(n-1)*q),即原始交通流量序列的所有周期相同顺位所对应的比重值相同;
S2-4、将原始季节***通流量序列x(0)中的对应值和比重序列t(i)中的对应值相除从而得到去比重的中间序列,记为:
其中: 为中间序列;
S2-5、经过处理后,所得到的中间序列的新的周期值记为N,且设中间序列至少包含k个周期;
S2-6、计算中间序列的滑动平均序列,记为:
S2-7、计算滑动平均序列的中心滑动平均序列
其中:
S2-8、通过中间序列和中心移动平均序列的比值来计算季节比率序列γ,记为:
S2-9、计算平均比率序列记为:
S2-10、调整平均比率序列的先后顺序使其对应单个周期中的从前到后的顺序后得到季节指数序列,记为:/>
r(i)=r(i+N)=…=r(i+N*(k-1)),i=1,2,…,N;
S2-11、将去比重的中间序列中的对应值和季节指数序列R中的对应值相除从而得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),…,y(0)(nq)};
其中:
优选地,步骤S3中灰色预测模型的建立步骤如下:
S3-1、对目标交通流量序列y(0)进行累加得到一阶累加序列,记为:
y(1)={y(1)(1),y(1)(2),…,y(1)(nq)};
其中:
S3-2、求解一阶累加序列y(1)的邻值生成序列,记为:
z(1)={z(1)(2),z(1)(3),…,z(1)(nq)};
其中:
S3-3、建立GM(1,1)灰色预测模型:y(0)(k)+az(1)(k)=b,其中参数a和b利用最小二乘法来求解:
S3-4、通过白化微分方程可以解得相应的时间响应序列
其中:
S3-5、经过两次还原操作,可以得到最终预测值,记为:
且/>
S3-6、根据步骤S2-5中周期N的取值范围,初始设N=q,重复步骤S2-5~S3-5,利用步骤S3-5所求得的拟合值和真实值计算平均绝对百分比误差,记为:
其中:r为拟合序列的长度;
S3-7、在不大于的情况下,令N自增1,然后重复步骤S3-6,直到求得令MAPE值最小的那个N即为最优的周期值后代入步骤S2-5~S3-5中,从而得到最终预测值。
本发明从断面交通流呈现出的季节性特征入手,通过比重调节和季节指数彻底消除了原始交通流序列的季节性,从而转化为平滑的目标交通流量序列后进行灰色建模,在少量原始数据的情况下,有效提升了灰色预测的效果。本方法对于随机性较强的弱季节***通流序列也有着较高的预测精度,且预测范围更广、预测效率更高、计算复杂度更低,体现了本方法对于季节***通流预测的适用性和广泛性。
附图说明
图1为本发明实施例中所述基于混合处理的季节***通流灰色预测方法的流程图示意;
图2为本发明实施例中选取的1hour的早上7:00-8:00的日期从8月20日至9月16日的南通市钟秀中路-北濠桥路口的东向西直行车道的强季节性原始交通流数据;
图3为本发明实施例中选取的10min的早上7:40-7:50的日期从8月20日至9月16日的南通市钟秀中路-北濠桥路口的东向西直行车道的弱季节性原始交通流数据;
图4为本发明实施例中使用季节性灰色预测模型对交叉口1hour交通流进行拟合预测的结果示意图;
图5为本发明实施例中使用季节性灰色预测模型对交叉口15min交通流进行拟合预测的结果示意图;
图6为本发明实施例中混合处理的具体流程图示意;
具体实施案例
为了使该领域的研究人员能更具体的知悉本发明的研究内容,下面根据本发明专利所例举的案例附图,对本发明实施案例中的技术方法及思路进行清晰、准确且完整地描述。
参阅图1,在本发明的具体实施案例中,提供了一种基于混合处理的季节***通流灰色预测方法,方法具体包括步骤如下:
S1、根据不同时间间隔,从交通流数据库中提取若干周期的断面交通流量,建立季节性的原始季节***通流量序列;
本实施方式中,步骤S1具体包括:
设定时间间隔为1hour和10min;
统计交通流数据库中相应时间段的交通流量,在1hour间隔的情况下,统计每天的0点-1点、1点-2点、...、23点-24点的交通流量值;在10min间隔的情况下,统计每天的0点10分-0点20分、0点20分-0点30分、...、23点50分-24点的交通流量值;
提取4周共28天断面交通流量,其中前3周的数据用于模型建立,最后一周的数据用于模型验证。以早高峰为例,1hour间隔情况下提取每天早上7点-8点的交通流量,10min间隔情况下提取每天早上7点40分-7点50分的交通流量,从而得到原始季节***通流量序列;
S2、利用混合处理去除原始交通流量序列的季节性,将原始交通流量序列转化为平滑的目标交通流量序列;
本实施方式中,步骤S2具体包括:
从交通流数据库中提取的原始季节***通流量序列,记为:
x(0)={x(0)(1),…,x(0)(q),x(0)(q+1),…,x(0)(nq)};
其中x(0)为原始季节***通流量序列且x(0)(k)≥0,k=1,2,…,nq,q为周期,n为周期个数;
提取原始季节***通流量序列x(0)的比重序列fs(i),记为:
其中:i=1,2,…,q;
且t(i)=t(i+q)=…=t(i+(n-1)*q),即原始交通流量序列的所有周期相同顺位所对应的比重值相同;
将原始季节***通流量序列x(0)中的对应值和比重序列t(i)中的对应值相除从而得到去比重的中间序列,记为:
其中: 为中间序列;
经过处理后,所得到的中间序列的新的周期值记为N,且设中间序列至少包含k个周期;
计算中间序列的滑动平均序列,记为:
计算滑动平均序列的中心滑动平均序列
其中:
通过中间序列和中心移动平均序列的比值来计算季节比率序列γ,记为:
计算平均比率序列记为:
调整平均比率序列的先后顺序使其对应单个周期中的从前到后的顺序后得到季节指数序列,记为:/>
r(i)=r(i+N)=…=r(i+N*(k-1)),i=1,2,…,N;
将去比重的中间序列中的对应值和季节指数序列R中的对应值相除从而得到目标交通流量序列,记为:y(0)={y(0)(1),y(0)(2),…,y(0)(nq)};
其中:
S3、对目标交通流量序列进行预测处理,得到下一周期的交通流量预测值。
本实施方式中,步骤S3具体包括:
对目标交通流量序列y(0)进行累加得到一阶累加序列,记为:
y(1)={y(1)(1),y(1)(2),…,y(1)(nq)};
其中:
求解一阶累加序列y(1)的邻值生成序列,记为:
z(1)={z(1)(2),z(1)(3),…,z(1)(nq)};
其中:
建立GM(1,1)灰色预测模型:y(0)(k)+az(1)(k)=b,其中参数a和b利用最小二乘法来求解:
通过白化微分方程可以解得相应的时间响应序列/>
其中:
经过两次还原操作,可以得到最终预测值,记为:
且/>
参阅图2和图3,本案例选取南通市钟秀中路-北濠桥路口的东向直行车道的过车数据,时间间隔分别选取1hour的早上7:00-8:00和10min的早上7:40-7:50,日期从8月20日至9月16日。
参阅图4,利用本发明中基于混合处理的季节***通流灰色预测方法对8月20日至9月9日早上7:00-8:00期间的车流量进行拟合,对9月10日至16日早上7:00-8:00期间的车流量进行预测,取得了较高的精度。
参阅图5,利用本发明中基于混合处理的季节***通流灰色预测方法对8月20日至9月9日早上7:40-7:50期间的车流量进行拟合,对9月10日至16日早上7:40-7:50期间的车流量进行预测,取得了较高的精度。
参阅图6,根据步骤S2-5中周期N的取值范围,初始设N=q,重复步骤S2-5~S3-5,利用步骤S3-5所求得的拟合值和真实值计算平均绝对百分比误差,记为:
其中:r为拟合序列的长度;
在不大于的情况下,令N自增1,然后重复步骤S3-6,直到求得令MAPE值最小时所对应的N即为最优的周期值。
本发明从断面交通流呈现出的季节性特征入手,通过比重调节和季节指数彻底消除了原始交通流序列的季节性,从而转化为平滑的目标交通流量序列后进行灰色建模,在少量原始数据的情况下,有效提升了灰色预测的效果。本方法对于随机性较强的弱季节***通流序列也有着较高的预测精度,且预测范围更广、预测效率更高、计算复杂度更低,体现了本方法对于季节***通流预测的适用性和广泛性。
以上所述,该方法仅为本发明实施方法中较好的一种思路,任何熟悉本领域的研究人员在本发明所明确的技术范围内,参考本发明的技术思路及其构思方案加以同等变换或更改,都应被包括在本发明的保护范围之内。
Claims (3)
1.一种基于混合处理的季节***通流灰色预测方法,其特征在于,所述方法包括如下步骤:
S1、根据不同时间间隔,从交通流数据库中提取若干周期的断面交通流量,建立季节性的原始季节***通流量序列;
S2、利用基于比重法和季节指数法的混合处理方法去除原始交通流量序列的季节性,将原始交通流量序列转化为平滑的目标交通流量序列;
S3、建立灰色预测模型,对目标交通流量序列进行预测处理,得到下一周期的交通流量预测值;
步骤S2中混合处理方法的步骤如下:
S2-1、从交通流数据库中提取的原始季节***通流量序列,记为:
x(0)={x(0)(1),…,x(0)(q),x(0)(q+1),…,x(0)(nq)};
其中x(0)为原始季节***通流量序列且x(0)(k)≥0,k=1,2,…,nq,q为周期,n为周期个数;
S2-2、提取原始季节***通流量序列x(0)的比重序列,记为:
S2-3、比重值反映了实际值在序列中所占的地位,因此t(i)=t(i+q)=…=t(i+(n-1)*q),即原始交通流量序列的所有周期相同顺位所对应的比重值相同;
S2-4、将原始季节***通流量序列x(0)中的对应值和比重序列t(i)中的对应值相除从而得到去权重的中间序列,记为:
其中:为中间序列;
S2-5、经过处理后,所得到的中间序列的新的周期值记为N,其中:/>且设中间序列至少包含k个周期;
S2-6、计算中间序列的滑动平均序列,记为:
S2-7、计算滑动平均序列的中心滑动平均序列其中:
S2-8、通过中间序列和中心移动平均序列的比值来计算季节比率序列γ,记为:
S2-9、计算平均比率序列记为:
S2-10、调整平均比率序列的先后顺序使其对应单个周期中的从前到后的顺序后得到季节指数序列,记为:
且r(i)=r(i+N)=…=r(i+N*(k-1)),i=1,2,…,N;
S2-11、将去权重的中间序列中的对应值和季节指数序列R中的对应值相除从而得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),…,y(0)(nq)},
其中:
步骤S3具体步骤如下:
S3-1、对目标交通流量序列y(0)进行累加得到一阶累加序列,记为:
y(1)={y(1)(1),y(1)(2),…,y(1)(nq)},
其中:
S3-2、求解一阶累加序列y(1)的邻值生成序列,记为:
z(1)={z(1)(2),z(1)(3),…,z(1)(nq)},
其中:
S3-3、建立GM(1,1)灰色预测模型:y(0)(k)+az(1)(k)=b,其中参数a和b利用最小二乘法来求解:
S3-4、通过白化微分方程解得相应的时间响应序列/>其中:/>
S3-5、经过两次还原操作,得到下一周期的交通流量预测值,记为:
且/>
2.根据权利要求1所述的基于混合处理的季节***通流灰色预测方法,其特征在于,步骤S1中原始交通流量序列的提取步骤如下:
S1-1、设定时间间隔;
S1-2、根据S1-1中的时间间隔,统计交通流数据库中相应时间段的交通流量;
S1-3、提取断面交通流量。
3.根据权利要求1所述的基于混合处理的季节***通流灰色预测方法,其特征在于,还包括如下步骤:
S3-6、根据步骤S2-5中周期N的取值范围,初始设N=q,重复步骤S2-5~S3-5,利用步骤S3-5所求得的预测值和真实值计算平均绝对百分比误差,记为:其中:r为拟合序列的长度;
S3-7、在不大于的情况下,令N自增1,然后重复步骤S3-6,直到求得令MAPE值最小的那个N即为最优的周期值后代入步骤S2-5~S3-5中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911079213.7A CN110991698B (zh) | 2019-11-07 | 2019-11-07 | 基于混合处理的季节***通流灰色预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911079213.7A CN110991698B (zh) | 2019-11-07 | 2019-11-07 | 基于混合处理的季节***通流灰色预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991698A CN110991698A (zh) | 2020-04-10 |
CN110991698B true CN110991698B (zh) | 2023-09-22 |
Family
ID=70083437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911079213.7A Active CN110991698B (zh) | 2019-11-07 | 2019-11-07 | 基于混合处理的季节***通流灰色预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991698B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754776A (zh) * | 2020-07-07 | 2020-10-09 | 南通大学 | 一种基于加权分数阶灰色模型的交通流预测方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7987106B1 (en) * | 2006-06-05 | 2011-07-26 | Turgut Aykin | System and methods for forecasting time series with multiple seasonal patterns |
CN102708684A (zh) * | 2012-06-21 | 2012-10-03 | 陕西师范大学 | 短时交通流量Volterra-DFP自适应预测方法 |
CN106845714A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263566B2 (en) * | 2016-06-20 | 2022-03-01 | Oracle International Corporation | Seasonality validation and determination of patterns |
-
2019
- 2019-11-07 CN CN201911079213.7A patent/CN110991698B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7987106B1 (en) * | 2006-06-05 | 2011-07-26 | Turgut Aykin | System and methods for forecasting time series with multiple seasonal patterns |
CN102708684A (zh) * | 2012-06-21 | 2012-10-03 | 陕西师范大学 | 短时交通流量Volterra-DFP自适应预测方法 |
CN106845714A (zh) * | 2017-01-24 | 2017-06-13 | 东南大学 | 一种基于季节指数的arima模型预测城市轨道交通月度客流方法 |
CN108399744A (zh) * | 2018-02-24 | 2018-08-14 | 上海理工大学 | 基于灰色小波神经网络的短时交通流预测方法 |
CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及*** |
CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
CN108877225A (zh) * | 2018-08-24 | 2018-11-23 | 交通运输部规划研究院 | 交通流量指数确定方法及装置 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
Non-Patent Citations (2)
Title |
---|
张智杰 等.GM(1,1)模型几种初值改进方法在短时交通流预测中的应用. GM(1,1)模型几种初值改进方法在短时交通流预测中的应用.2019,(第3期),11-13,17. * |
沈琴琴 等.基于季节性灰色Fourier模型的短时交通流预测.南通大学学报(自然科学版).2018,第17卷(第4期),30-35. * |
Also Published As
Publication number | Publication date |
---|---|
CN110991698A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110491146B (zh) | 一种基于深度学习的交通信号控制方案实时推荐方法 | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及*** | |
CN103177570B (zh) | 一种早晚高峰交通拥堵指数的预测方法 | |
CN103413443B (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
CN104636828B (zh) | 基于马尔科夫链的公共自行车站点供需预测方法 | |
CN111653088A (zh) | 一种车辆出行量预测模型构建方法及预测方法和*** | |
CN110223510A (zh) | 一种基于神经网络lstm的多因素短期车流量预测方法 | |
CN111951553B (zh) | 一种基于交通大数据平台与中观仿真模型的预测方法 | |
CN112286924A (zh) | 一种数据异常动态识别与多模式自匹配的数据清洗技术 | |
CN111415752B (zh) | 一种融合气象因素和搜索指数的手足口病预测方法 | |
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及*** | |
CN112149902B (zh) | 一种基于客流特征分析的地铁短时进站客流预测方法 | |
CN114970377B (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和*** | |
CN108877224B (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN110991698B (zh) | 基于混合处理的季节***通流灰色预测方法 | |
CN105427002A (zh) | 一种基于Logistic模型的客流预测方法 | |
CN110020475A (zh) | 一种交通流预测的马尔科夫粒子滤波方法 | |
CN103870890A (zh) | 高速公路网交通流量分布的预测方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力***月度负荷的组合预测方法 | |
CN107748931A (zh) | 一种基于最小二乘法的电费收入预测方法 | |
CN106952042A (zh) | 一种售电量预测方法及装置 | |
CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
CN105160448A (zh) | 一种基于未确知有理数的电力交易监管风险指标评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |