CN108010321A - 一种交通流预测方法 - Google Patents
一种交通流预测方法 Download PDFInfo
- Publication number
- CN108010321A CN108010321A CN201711418205.1A CN201711418205A CN108010321A CN 108010321 A CN108010321 A CN 108010321A CN 201711418205 A CN201711418205 A CN 201711418205A CN 108010321 A CN108010321 A CN 108010321A
- Authority
- CN
- China
- Prior art keywords
- mrow
- traffic flow
- msubsup
- modal components
- intrinsic modal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种交通流预测方法，能够降低数据复杂度并提高预测精度。本发明实施例提供的交通流预测方法包括如下步骤：采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。
Description
技术领域
本发明涉及道路交通监测技术领域，具体涉及一种交通流预测方法。
背景技术
交通既可为城市的稳定发展创造有利条件，也可维系城市经济顺利进行。良好的交通状况是城市飞速发展的助推剂，同时也是人民群众幸福生活的保障。
伴随城市经济的飞速发展，城市规模不断扩大，与此同时，许多城市问题也越发突出。其中，交通问题就是最为尖锐的城市问题。城市汽车数量激增，但城市交通基础设施与管理水平并未与时俱进，从而引发一系列交通事故与严重的交通拥堵，严重影响着城市经济与生态环境的健康发展。
交通流预测技术可有效地缓解交通问题对城市功能所造成的影响。作为智能交通中的一项关键技术，交通流预测技术可为交通管理提供重要的决策支持。在节省时间与金钱成本的条件下，精确与可靠的交通流预测模型为智能交通系统提供准确的交通流信息，实现路面交通的智能管理，从而减缓交通拥堵与减少交通事故。
设计预测模型与学习算法是交通流预测研究的关键问题。利用历史交通流数据对预测模型进行监督学习，以期获得较好的泛化性能，但交通流所具有非平稳和非线性的特征必对预测模型精度造成一定的影响，这也是在交通流预测研究中必须克服的。
发明内容
有鉴于此，本发明提供了一种交通流预测方法，能够降低数据复杂度并提高预测精度。
本发明实施例提供的交通流预测方法包括如下步骤：
采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。
采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。
利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。
进一步地，利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括：
实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为uk，第k个本征模态分量的中心频率为ωk，k＝1～K。
拉格朗日因子为λ。
以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：
S10、初始化参数uk、ωk、λ、n；n为迭代次数，其中uk的初值为ωk的初值为λ的初值为λ1，n的初值为1。
S11、计算uk、ωk以及λ在第n+1次迭代中的值分别为以及λn+1。
其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值。
S12、预先设定判别精度为e，e＞0，判断是否成立。
若成立，则停止迭代，以当前计算得到的以及λn+1表征第k个本征模态分量。
若不成立，则n自增1，返回S11。
进一步地，采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练，包括如下步骤：
S20、设定增量型超限学习机的训练样本为N为训练样本数；φ为m×K维的实数矩阵，m是每个本征模态分量的模态函数所包含的样本数量；xi为增量型超限学习机的第i个输入，ti为增量型超限学习机的对应xi的输出。
S21、建立增量型超限学习机网络，设定增量型超限学习机网络隐含层节点的激励函数g:R→R，R为实数集，最大隐含层节点数为Lmax，期望精度为ε，ε＞0。
S22、令隐含层节点数L初值为0；网络误差EL＝[t1,t2,...,tN]T；L＜Lmax且||E||＞ε时，执行S23，直至L＝Lmax，获得隐含层节点数为Lmax的增量型超限学习机网络。
E||为E的二范数。
S23、增加一个新增隐含层节点，即L增1。
随机产生新增隐含层节点的输入权值aL和阈值bL。
根据最小二乘法计算新增隐含层节点的输出权值：
EL-1为隐含层节点数为L时的网络误差。
g(aL·x+bL)为新增隐含层节点的输出；x＝[x1,x2,......,xN]T。
计算增量型超限学习机网络在增加了第L个新增隐含层节点后的网络误差为：EL＝EL-1-βLg(aL·x+bL)。
有益效果：
本发明提出一种基于变分模态分解与增量型超限学习机网络的交通流预测方法，通过本发明的变分模态分解将交通流数据分解为一系列具有不同特征尺度的限带的本征模态分量，然后根据各分量分别建立基于增量型超限学习机网络的交通流预测模型，针对每个分量的交通流预测模型的预测结果相加得到最终的交通流预测结果。该方法中变分模态分解可以对原始的交通流数据进行分解，从而降低数据复杂度以提高预测精度；采用增量型超限学习机网络的交通流预测结果则进一步提高了预测精度。
附图说明
图1为本发明实施例提供的交通流预测方法的流程图；
图2为本发明实施例中交通流数据分解图；
图3为本发明实施例中的交通流数据预测结果图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
请参考图1，图1示出了本发明实施例提供的交通流预测方法的流程图；该方法包括如下步骤：
S1、采集获取实时交通流数据，并利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小。
本发明实施例中，利用变分模态分解将实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括如下步骤：
实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为uk，第k个本征模态分量的中心频率为ωk，k＝1～K。
拉格朗日因子为λ。
以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：
S10、初始化参数uk、ωk、λ、n；n为迭代次数，其中uk的初值为ωk的初值为λ的初值为λ1，n的初值为1。
S11、计算uk、ωk以及λ在第n+1次迭代中的值分别为以及λn+1。
其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值。
S12、预先设定判别精度为e，e＞0，判断是否成立。
若成立，则停止迭代，以当前计算得到的以及λn+1表征第k个本征模态分量。
若不成立，则n自增1，返回S11。
S2、采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练。
本发明实施例中，采用增量型超限学习机网络，建立针对各本征模态分量的预测模型，并采用预先采集的历史交通流数据对预测模型进行训练，包括如下步骤：
S20、设定增量型超限学习机的训练样本为N为训练样本数；φ为m×K维的实数矩阵，m是每个本征模态分量的模态函数所包含的样本数量；xi为增量型超限学习机的第i个输入，ti为增量型超限学习机的对应xi的输出。
S21、建立增量型超限学习机网络，设定增量型超限学习机网络隐含层节点的激励函数g:R→R，R为实数集，最大隐含层节点数为Lmax，期望精度为ε，ε＞0。
S22、令隐含层节点数L初值为0；网络误差EL＝[t1,t2,...,tN]T；L＜Lmax且||E||＞ε时，执行S23，直至L＝Lmax，获得隐含层节点数为Lmax的增量型超限学习机网络。
||E||为E的二范数。
S23、增加一个新增隐含层节点，即L增1。
随机产生新增隐含层节点的输入权值aL和阈值bL。
根据最小二乘法计算新增隐含层节点的输出权值：
EL-1为隐含层节点数为L时的网络误差。
g(aL·x+bL)为新增隐含层节点的输出；x＝[x1,x2,......,xN]T。
计算增量型超限学习机网络在增加了第L个新增隐含层节点后的网络误差为：EL＝EL-1-βLg(aL·x+bL)。
S3、利用训练后的预测模型，对各本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。
本发明提出一种基于变分模态分解与增量型超限学习机网络的交通流预测方法，通过本发明的变分模态分解将交通流数据分解为一系列具有不同特征尺度的限带的本征模态分量，然后根据各分量分别建立基于增量型超限学习机网络的交通流预测模型，针对每个分量的交通流预测模型的预测结果相加得到最终的交通流预测结果。该方法中变分模态分解可以对原始的交通流数据进行分解，从而降低数据复杂度以提高预测精度；采用增量型超限学习机网络的交通流预测结果则进一步提高了预测精度。
本发明的有效性可以通过如下的仿真实验来进一步说明，实验采集4天的交通流量数据，每隔15分钟记录一次该时间段内的交通流量，一共记录了384个时间点的数据。首先利用变分模态分解法将交通流量数据自适应地分解为7个不同限带的本征模态分量，如图2所示，然后用每一个本征模态分量的前288个交通流量数据训练增量型超限学习机网络，接着用训练好的增量型超限学习机网络预测用每一个本征模态分量的后96个交通流量，最后将所有分量的预测结果累加在一起获得最终的交通流预测结果。
交通流预测模型性能以交通流测试的均方根误差RMSE(root mean squareerror)和模型有效性MV(model validity)为指标，来衡量交通流预测模型的泛化能力和精度。
均方根误差RMSE表示为
模型有效性MV表示为
式中ti为增量型超限学习机网络模型输出；为真实值；为真实值的平均值；N为样本数。其中均方根误差RMSE反映模型输出曲线在实际曲线上的波动情况，模型有效性MV反映了模型输出与测量值的偏差相对于测量数据的离散性，性能良好的模型有效性MV为1。
实验选取了过去已有工作中的几个经典交通流预测模型作为对比：支持向量机模型(SVM)、径向基神经网络模型和BP神经网络模型，并使用与相关文献一致的调参方法。各预测模型的对比结果如图3与表1所示。
表1不同预测模型的性能对比
根据图3及表1可知，与BP神经网络模型、径向基神经网络模型和支持向量机模型相比，运用基于变分模态分解与增量型超限学习机网络模型的交通流均方根误差均有所下降，其交通流模型有效性相对提高了，说明运用基于变分模态分解与增量型超限学习机网络模型对交通流进行模拟预测是行之有效的。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种交通流预测方法，其特征在于，该方法包括如下步骤：
采集获取实时交通流数据，并利用变分模态分解将所述实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量；所述本征模态分量的数量设定为使得所有本征模态分量的估计带宽之和最小；
采用增量型超限学习机网络，建立针对各所述本征模态分量的预测模型，并采用预先采集的历史交通流数据对所述预测模型进行训练；
利用训练后的所述预测模型，对各所述本征模态分量进行交通流预测，将所有本征模态分量的预测结果累加得到最终的交通流预测结果。
2.如权利要求1所述的方法，其特征在于，所述利用变分模态分解将所述实时交通流数据分解成设定数量的具有不同特征尺度的限带的本征模态分量，包括：
所述实时交通流数据分解得到的本征模态分量的数量为K个；第k个本征模态分量的模态函数为uk，第k个本征模态分量的中心频率为ωk，k＝1～K；
拉格朗日因子为λ；
以k取遍1～K的所有整数值，重复如下迭代步骤S0～S3，得到所有本征模态分量的表征：
S10、初始化参数uk、ωk、λ、n；n为迭代次数，其中uk的初值为ωk的初值为λ的初值为λ1，n的初值为1；
S11、计算uk、ωk以及λ在第n+1次迭代中的值分别为以及λn+1；
<mrow>
<msubsup>
<mi>u</mi>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<mfrac>
<msup>
<mi>&lambda;</mi>
<mi>n</mi>
</msup>
<mn>2</mn>
</mfrac>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mn>2</mn>
<mi>&alpha;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>-</mo>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mrow>
<msubsup>
<mi>&omega;</mi>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mi>&omega;</mi>
<mo>|</mo>
<msubsup>
<mi>u</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>&omega;</mi>
</mrow>
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mo>|</mo>
<msubsup>
<mi>u</mi>
<mi>k</mi>
<mi>n</mi>
</msubsup>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>&omega;</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>&lambda;</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mi>&lambda;</mi>
<mi>n</mi>
</msup>
<mo>+</mo>
<mi>&tau;</mi>
<mo>&lsqb;</mo>
<mi>f</mi>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>u</mi>
<mi>k</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
其中f为输入信号；α为惩罚参数，经验值；ω为频率的变量；τ为学习率，经验值；
S12、预先设定判别精度为e，e＞0，判断是否成立；
若成立，则停止迭代，以当前计算得到的以及λn+1表征第k个本征模态分量；
若不成立，则n自增1，返回S11。
3.如权利要求2所述的方法，其特征在于，所述采用增量型超限学习机网络，建立针对各所述本征模态分量的预测模型，并采用预先采集的历史交通流数据对所述预测模型进行训练，包括如下步骤：
S20、设定所述增量型超限学习机的训练样本为N为训练样本数；φ为m×K维的实数矩阵，m是每个本征模态分量的模态函数所包含的样本数量；xi为所述增量型超限学习机的第i个输入，ti为所述增量型超限学习机的对应xi的输出；
S21、建立增量型超限学习机网络，设定所述增量型超限学习机网络隐含层节点的激励函数g:R→R，R为实数集，最大隐含层节点数为Lmax，期望精度为ε，ε＞0；
S22、令隐含层节点数L初值为0；网络误差EL＝[t1,t2,...,tN]T；L＜Lmax且||E||＞ε时，执行S23，直至L＝Lmax，获得隐含层节点数为Lmax的增量型超限学习机网络；
||E||为E的二范数；
S23、增加一个新增隐含层节点，即L增1；
随机产生所述新增隐含层节点的输入权值aL和阈值bL；
根据最小二乘法计算所述新增隐含层节点的输出权值：
<mrow>
<msub>
<mi>&beta;</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo><</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>L</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>L</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>></mo>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>L</mi>
</msub>
<mo>&CenterDot;</mo>
<mi>x</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>L</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
EL-1为隐含层节点数为L时的网络误差；
g(aL·x+bL)为新增隐含层节点的输出；x＝[x1,x2,......,xN]T，
计算所述增量型超限学习机网络在增加了第L个所述新增隐含层节点后的网络误差为：EL＝EL-1-βLg(aL·x+bL)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711418205.1A CN108010321B (zh) | 2017-12-25 | 2017-12-25 | 一种交通流预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711418205.1A CN108010321B (zh) | 2017-12-25 | 2017-12-25 | 一种交通流预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108010321A true CN108010321A (zh) | 2018-05-08 |
| CN108010321B CN108010321B (zh) | 2019-10-25 |
Family
ID=62060978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711418205.1A Active CN108010321B (zh) | 2017-12-25 | 2017-12-25 | 一种交通流预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108010321B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059802A (zh) * | 2019-03-29 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用于训练学习模型的方法、装置和计算设备 |
| CN112614335A (zh) * | 2020-11-17 | 2021-04-06 | 南京师范大学 | 一种基于生成-滤波机制的交通流特征模态分解方法 |
| WO2021218235A1 (zh) * | 2020-04-30 | 2021-11-04 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008107692A8 (en) * | 2007-03-06 | 2008-11-13 | Lysanda Ltd | Calibration tool |
| CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
| CN105160441A (zh) * | 2015-10-16 | 2015-12-16 | 江南大学 | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 |
| CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
| CN106407659A (zh) * | 2016-08-31 | 2017-02-15 | 中国地质大学（武汉） | 一种空气质量指数预测方法和装置 |
| CN106651464A (zh) * | 2016-12-30 | 2017-05-10 | 中国地质大学（武汉） | 一种农产品价格预测方法及装置 |
| CN106779195A (zh) * | 2016-12-05 | 2017-05-31 | 中国地质大学（武汉） | 一种电力价格数据处理方法和装置 |
-
2017
- 2017-12-25 CN CN201711418205.1A patent/CN108010321B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008107692A8 (en) * | 2007-03-06 | 2008-11-13 | Lysanda Ltd | Calibration tool |
| CN105046953A (zh) * | 2015-06-18 | 2015-11-11 | 南京信息工程大学 | 一种短时交通流组合预测方法 |
| CN105160441A (zh) * | 2015-10-16 | 2015-12-16 | 江南大学 | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 |
| CN105391083A (zh) * | 2015-11-05 | 2016-03-09 | 河海大学 | 基于变分模态分解和相关向量机的风功率区间短期预测方法 |
| CN106407659A (zh) * | 2016-08-31 | 2017-02-15 | 中国地质大学（武汉） | 一种空气质量指数预测方法和装置 |
| CN106779195A (zh) * | 2016-12-05 | 2017-05-31 | 中国地质大学（武汉） | 一种电力价格数据处理方法和装置 |
| CN106651464A (zh) * | 2016-12-30 | 2017-05-10 | 中国地质大学（武汉） | 一种农产品价格预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| ZHONG-GAO SUN: "An ECG signal analysis and prediction method combined with VMD and neural network", 《2017 7TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS INFORMATION AND EMERGENCY COMMUNICATION (ICEIEC)》 * |
| 李志斌: "高速公路常发拥堵路段追尾事故风险实时预测", 《吉林大学学报（工学版）》 * |
| 赵晓静: "高速公路交通流量预测模型仿真", 《计算机仿真》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059802A (zh) * | 2019-03-29 | 2019-07-26 | 阿里巴巴集团控股有限公司 | 用于训练学习模型的方法、装置和计算设备 |
| US11514368B2 (en) | 2019-03-29 | 2022-11-29 | Advanced New Technologies Co., Ltd. | Methods, apparatuses, and computing devices for trainings of learning models |
| WO2021218235A1 (zh) * | 2020-04-30 | 2021-11-04 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
| CN112614335A (zh) * | 2020-11-17 | 2021-04-06 | 南京师范大学 | 一种基于生成-滤波机制的交通流特征模态分解方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108010321B (zh) | 2019-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106599520B (zh) | 一种基于lstm-rnn模型的空气污染物浓度预报方法 | |
| CN103226741B (zh) | 城市供水管网爆管预测方法 | |
| CN102073785B (zh) | 基于广义动态模糊神经网络的燃气日负荷组合预报方法 | |
| CN104900063B (zh) | 一种短程行驶时间预测方法 | |
| CN102946613B (zh) | 一种用于测量用户业务体验质量的方法 | |
| CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
| CN105376097A (zh) | 网络流量的一种混合预测方法 | |
| CN108010321A (zh) | 一种交通流预测方法 | |
| CN104835103A (zh) | 基于神经网络和模糊综合评价的移动网络健康评价方法 | |
| CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
| CN105512385A (zh) | 采用序列幂函数插值方法实现结构多材料拓扑优化的方法 | |
| CN104217250A (zh) | 一种基于历史数据的城市轨道交通新线开通客流预测方法 | |
| CN101825622A (zh) | 一种水质预测方法和装置 | |
| CN102930155B (zh) | 获取电力需求的预警参数的方法及装置 | |
| CN106803135A (zh) | 一种光伏发电系统输出功率的预测方法及装置 | |
| CN105243428A (zh) | 基于蝙蝠算法优化支持向量机预测公交车到站时间的方法 | |
| CN108520325A (zh) | 一种基于多变环境下加速退化数据的集成寿命预测方法 | |
| CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
| CN107292502A (zh) | 一种配电网可靠性评估方法 | |
| CN112966871A (zh) | 基于卷积长短期记忆神经网络的交通拥堵预测方法及系统 | |
| CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
| CN108038568A (zh) | 一种基于粒子群算法的变权组合电力负荷短期预测方法 | |
| CN107862170A (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
| CN107506861A (zh) | 一种短期风速预测方法、装置及系统 | |
| CN107453921A (zh) | 基于非线性神经网络的智慧城市系统人工智能评价方法 |
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 |