CN108898851B - 城市道路断面交通量组合预测方法 - Google Patents

城市道路断面交通量组合预测方法 Download PDF

Info

Publication number
CN108898851B
CN108898851B CN201810638393.7A CN201810638393A CN108898851B CN 108898851 B CN108898851 B CN 108898851B CN 201810638393 A CN201810638393 A CN 201810638393A CN 108898851 B CN108898851 B CN 108898851B
Authority
CN
China
Prior art keywords
traffic volume
day
traffic
time interval
calculating
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
Application number
CN201810638393.7A
Other languages
English (en)
Other versions
CN108898851A (zh
Inventor
张国强
陈峻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201810638393.7A priority Critical patent/CN108898851B/zh
Publication of CN108898851A publication Critical patent/CN108898851A/zh
Application granted granted Critical
Publication of CN108898851B publication Critical patent/CN108898851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明在对交通量预测方法现有研究成果进行分析的基础上，提出一种针对城市道路断面交通流特征的组合预测方法，包括如下阶段：1）收集、整理和分析城市道路断面交通量的实测数据，根据预测时间间隔inter，计算历史上每天每个时间间隔的实测交通量波动指数
Figure DEST_PATH_IMAGE002
，并计算其均值
Figure DEST_PATH_IMAGE004
；2）根据城市道路断面实测的近期日交通量，运用灰色预测模型
Figure DEST_PATH_IMAGE006
预测第q+1天的日交通量；3）根据第q+1天的前p个时间间隔的实测数据，运用时间序列预测方法预测第p+1个时间间隔的断面交通量。以长期的实测数据为基础，本预测方法充分利用了城市交通流的变化规律，并且综合了多种预测方法；预测结果既反映城市道路交通的动态变化趋势，并灵活地响应交通流的短期波动。

Description

城市道路断面交通量组合预测方法
技术领域
本发明涉及城市交通管理与控制领域，特别是涉及城市道路断面交通量组合预测方法。
背景技术
城市交通的管理与控制需要分析道路交通的状态及其变化趋势，在此基础上制定针对性的管理与控制措施，指挥和引导交通流的有序运行。当前，智能交通技术的兴起使得城市道路交通量的自动观测技术得到了广泛的应用，使得交通管理部门能够更好地掌握交通流的运行状态，促进城市交通管理与控制水平的提升。然而，鉴于城市道路交通网络的复杂性和交通流的动态多变，现有的城市交通预测技术存在多种局限性，不能很好地满足实际交通管理与控制的需要，仍需要进一步改善和提升。
城市交通流的变化具有非常明显的规律性。虽然不同类型的城市道路(快速路、主干道、次干道和支路等)之间呈现各具特色的交通流特征，然而在交通量的总体变化模式上却呈现出惊人的一致性：分析城市道路断面交通量在一天之内的时间分布可以发现，交通量的早高峰和晚高峰表现出远远高于其他时段的交通量，道路断面的交通量时变图呈现出非常典型的马鞍形。此外，随着城市社会经济的发展，从长期看交通量通常呈现出稳步增长的趋势。根据城市道路断面交通量的规律性变化，可以运用时间序列预测方法分析交通量的时变规律和长期增长的态势，构建基于中、长期历史数据的预测模型。
鉴于上述原因，时间序列模型在交通量的预测中得到了广泛的应用。时间序列模型通过分析城市道路断面交通量长期的实测数据发现其变化规律和发展趋势，具有一定的理论依据。然而，由于城市交通系统的复杂性，城市道路断面交通量的变化受到许多随机因素的干扰，具有比较强的随机性。为了更为准确地预测交通量的变化，需要在时间序列模型的基础上融合其他预测方法，更加充分、全面、灵活地利用长期、中期和近期的实测数据，以便更好地响应交通量的动态变化。
发明内容
为了解决以上问题，本发明提供一种城市道路断面交通量组合预测方法，本方法在研究城市道路交通流变化规律的基础上，融合了时间序列分解法、指数平滑法、和灰色预测方法等多种预测技术，既充分利用了中、长期交通量的历史数据，又能非常灵活地运用近期实测数据；预测结果在反映城市道路交通的动态变化规律的同时，能够对近期交通量的波动做出反应。本预测方法能够很好地克服现有预测方法的不足之处，具有较好的实用性，能够更好地支持城市道路交通系统的发展，为达此目的，本发明提供城市道路断面交通量组合预测方法，该方法使用长期、中期和短期的实测数据，综合相应方法开展预测，其特征在于，其具体方法为：
1)根据实际需要，确定预测时间间隔inter，inter取60分钟或者30分钟或者15分钟，整理和分析城市道路某断面交通流的长期实测数据，计算每个时间间隔的交通量v(i,j)，其中i表示第i天，j表示第j个时间间隔；
2)根据实测交通量v(i,j)，其中第i天，第j个时间间隔，计算第i天日交通量v(i)以及各个时间间隔的实测交通量波动指数ind(i，j)，并计算实测交通量波动指数的均值ind(i)；
3)根据近期的实测日交通量v(i)(i＝1，2，…，q)，运用灰色预测模型GM(1，1)预测第q+1天的日交通量
Figure GDA0002668594080000021
4)根据第q+1天的前p个时间间隔的实测数据以及第q+1天的日交通量灰色模型预测值
Figure GDA0002668594080000022
运用时间序列预测方法预测第q+1天的日交通量
Figure GDA0002668594080000023
5)根据第p+1个时间间隔的实测交通量波动指数均值ind(p+1)和第q+1天的日交通量综合预测值
Figure GDA0002668594080000024
计算第q+1天的第p+1个时间间隔的预测交通量
Figure GDA0002668594080000025
本发明的进一步改进，步骤一中根据预测时间间隔inter记录和分析城市道路断面交通流的长期实测数据，具体步骤为：
1)将实测城市道路断面交通量数据按照观测日期的特征划分为以下三种类型数据源：工作日、节假日和周末；根据预测日期的类型，选择与之相对应的数据源；
2)根据预测时间间隔inter，整理实测交通量数据，计算每一天、每个时间间隔的交通量数据；设第i天、第j个时间间隔包含的实测数据为v(i，j，1)，v(i，j，2)，…，v(i，j，k)，则该时间间隔实测交通量为v(i，j)＝v(i，j，1)+v(i，j，2)+…+v(i，j，k)；
3)每一天所包含的预测时间间隔数为
Figure GDA0002668594080000026
计算第i天的日交通量v(i)＝v(i，1)+v(i，2)+…+v(i，l)。
本发明的进一步改进，步骤二中根据实测数据计算城市道路断面交通量波动指数及其均值，具体步骤为：
1)设共有n天的实测数据，根据第i天日交通量v(i)和第i天、第j个时间间隔的实测数据v(i，j)，计算第i天、第j个时间间隔的交通量波动指数
Figure GDA0002668594080000027
2)计算第j个时间间隔的交通量波动指数均值
Figure GDA0002668594080000028
3)对交通量波动指数均值进行标准化处理
Figure GDA0002668594080000031
本发明的进一步改进，步骤三中根据前q天的实测日交通量v(i)(i＝1，2，…，q)，运用灰色预测方法预测第q+1天的日交通量
Figure GDA0002668594080000032
具体步骤为：
1)令V＝(v(1)，v(2)，…，v(q)),对该数据进行一次累加生成，得到V1＝(v1(1)，v1(2)，…，v1(q))；其中，v1(i)＝v1(1)+v1(2)+…+v1(i)，i＝1，2，…，q；
2)计算V1的紧邻均值生成序列Z1＝(z1(2)，z1(3)，…，z1(q))；其中，
Figure GDA0002668594080000033
3)构造矩阵
Figure GDA0002668594080000034
计算预测模型参数
Figure GDA0002668594080000035
4)计算第q+1天的日交通量灰色模型预测值
Figure GDA0002668594080000036
其中，e≈2.71828,是自然常数。
本发明的进一步改进，步骤四中根据第q+1天的前p个时间间隔的实测数据以及第q+1天的日交通量灰色模型预测值，运用时间序列预测方法预测第q+1天的日交通量，具体步骤为：
1)根据第q+1天的第j(j＝1，2，…，p)个时间间隔的实测数据v(q+1，j)和第j个时间间隔的交通量波动指数均值ind(j)，计算第q+1天的日交通量预测值
Figure GDA0002668594080000037
2)设w(0<w<1)为时间序列预测指数平滑法的平滑系数，根据前期每个时间间隔的交通量波动指数均值ind(j)(j＝1，2，…，p)，计算预测值
Figure GDA0002668594080000038
和
Figure GDA00026685940800000311
的权重：wp＝w×ind(p)，wp-1＝(1-wp)×w×ind(p-1)，wp-2＝(1-wp)×(1-wp-1)×w×ind(p-2)，…，
w1＝(1-wp)×(1-wp-1)×(1-wp-2)×…×(1-w2)×w×ind(1)，
wg＝(1-wp)×(1-wp-1)×(1-wp-2)×…×(1-w1)；
3)综合上述计算的预测值
Figure GDA0002668594080000039
灰色预测方法预测值
Figure GDA00026685940800000312
以及其对应的权重wj(j＝1，2，…，p)和wg，运用时间序列预测的指数平滑法，计算第q+1天的日交通量综合预测值
Figure GDA00026685940800000310
本发明城市道路断面交通量组合预测方法，具有如下优点：
1)城市道路断面交通量组合预测方法在深入研究城市交通流变化规律的基础上，将时间序列预测方法和灰色预测方法有机地组合起来，集中了其各自的优点，形成一种方便实用、稳健可靠的预测技术，能够更好地服务于城市交通系统的管理与控制。
2)城市道路断面交通量组合预测方法独创性地将时间序列预测方法的指数平滑法和时间序列分解法融合在一起，在分析短期交通量的波动对未来交通流的影响时，综合使用了平滑系数和交通量波动指数均值，使得预测方法能够更好地响应交通流的各种复杂变化。
3)城市道路断面交通量组合预测方法可以全面、综合、充分地利用实测数据，既反映交通流变化过程中长期和中期的主导性因素，又能体现交通流近期波动的随机因素，进一步增强了预测结果的可靠性。通过分析长期数据中实测交通量波动指数，可以更好地把握交通流的长期变化规律；通过分析中期若干天日交通量的波动情况，可以准确把握交通流的中期变化趋势；通过分析近期若干个时间间隔的实测数据，可以对交通流的随机因素给予适当的考虑。
附图说明
图1为本发明的城市道路断面交通量组合预测方法流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种城市道路断面交通量组合预测方法，本方法在研究城市道路交通流变化规律的基础上，融合了时间序列分解法、指数平滑法、和灰色预测方法等多种预测技术，既充分利用了中、长期交通量的历史数据，又能非常灵活地运用近期实测数据；预测结果在反映城市道路交通的动态变化规律的同时，能够对近期交通量的波动做出反应。本预测方法能够很好地克服现有预测方法的不足之处，具有较好的实用性，能够更好地支持城市道路交通系统的发展。
作为本发明一种实施例如图1所示；
A、城市道路断面交通量组合预测方法主要参数的确定
a.确定预测时间间隔inter
根据预测的实际需要，确定预测时间间隔inter的取值；譬如，可以取值为15分钟、30分钟、60分钟，120分钟等，该取值的大小将影响后期的使用。预测时间间隔inter较小的取值可以使得预测结果能够更好地响应交通流的短期变化。鉴于交通管理与控制的措施不宜在短期内做出频繁的调整，因此预测时间间隔inter的取值过小并没有实际意义，而且也给数据的处理带来更多的负担，建议该参数的取值不小于15分钟。
b.确定时间序列预测指数平滑法平滑系数w
平滑系数w是介于0和1之间的小数，该数值的大小将影响预测结果对交通量短期变化的响应程度。如果城市道路断面交通量的波动主要是由短期的临时性因素所引发，可将w取值为较大的数值，以便使得预测结果更好地体现交通量超出预期的短时波动。如果城市道路断面交通量的波动主要是由其内在的规律性变化因素所支配，可将w取值为较小的数值，以便使得预测结果能够更好地反映交通流变化的稳定趋势和内在规律。
B、城市道路断面交通量组合预测方法实测交通量数据的整理与分析
a.建立不同类型城市道路断面交通量数据源
将实测城市道路断面交通量数据按照观测日期的特征划分为以下三种类型数据源：工作日、节假日和周末；根据预测日期的类型，选择与之相对应的数据源。
b.计算城市道路断面交通量每个时间间隔、每天的交通量
1.)根据预测时间间隔inter，整理实测交通量数据，计算每一天、每个时间间隔的交通量数据；设第i天、第j个时间间隔包含的实测数据为v(i，j，1)＝v(i，j，2)，…，v(i，j，k)，则该时间间隔实测交通量为v(i，j)＝v(i，j，1)+v(i，j，2)+…+v(i，j，k)；
2.)每一天所包含的预测时间间隔数为
Figure GDA0002668594080000051
计算第i天的日交通量v(i)＝v(i，1)+v(i，2)+…+v(i，l)，i＝1，2，…，n；
c.计算城市道路断面交通量波动指数及其均值
1.)设共有n天的实测数据，根据第i天日交通量v(i)和第i天、第j个时间间隔的实测数据v(i，j)，计算第i天、第j个时间间隔的交通量波动指数
Figure GDA0002668594080000052
2.)计算第j个时间间隔的交通量波动指数均值
Figure GDA0002668594080000053
3.)对交通量波动指数均值进行标准化处理
Figure GDA0002668594080000054
C、城市道路断面日交通量灰色预测值的计算
根据前q天的实测日交通量v(i)(i＝1，2，…，q)，运用灰色预测方法预测第q+1天的日交通量
Figure GDA0002668594080000055
计算的关键在于根据实测数据求解灰色预测模型参数α和β，具体为：
a.断面日交通量数据处理
1.)令V1＝(v1(1)，v1(2)，…，v1(q)),对该数据进行一次累加生成，得到V1＝(v1(1)，v1(2)，…，v1(q))；其中，v1(i)＝v1(1)+v1(2)+…+v1(i)，i＝1，2，…，q；
2.)计算V1的紧邻均值生成序列Z1＝(z1(2)，z1(3)，…，z1(q))；其中，
Figure GDA0002668594080000056
b.计算灰色预测模型参数α和β
1.)构造矩阵
Figure GDA0002668594080000061
2.)计算预测模型参数
Figure GDA0002668594080000062
c.计算日交通量灰色模型预测值
第q+1天的日交通量灰色模型预测值
Figure GDA0002668594080000063
其中，e≈2.71828，是自然常数。
D、城市道路断面日交通量综合预测值的计算
a.由最新实测数据计算日交通量预测值
根据第q+1天的第j(j＝1，2，…，p)个时间间隔的实测数据v(q+1，j)和第j个时间间隔的交通量波动指数均值ind(j)，计算第q+1天的日交通量预测值
Figure GDA0002668594080000064
b.计算每个日交通量预测值的权重系数
设w(0＜w＜1)为时间序列预测指数平滑法的平滑系数，根据前期每个时间间隔的交通量波动指数均值ind(j)(j＝1，2，…，p)，计算预测值
Figure GDA0002668594080000065
和
Figure GDA00026685940800000610
的权重：wp＝w×ind(p)，wp-1＝(1-wp)×w×ind(p-1)，wp-2＝(1-wp)×(1-wp-1)×w×ind(p-2)，…，
w1＝(1-wp)×(1-wp-1)×(1-wp-2)×…×(1-w2)×w×ind(1)，
wg＝(1-wp)×(1-wp-1)×(1-wp-2)×…×(1-w1)。
c.计算日交通量综合预测值
综合预测值
Figure GDA0002668594080000066
灰色预测方法预测值
Figure GDA00026685940800000611
以及其对应的权重wj(j＝1，2，…，p)和wg，运用时间序列预测的指数平滑法计算第q+1天的日交通量综合预测值
Figure GDA0002668594080000067
E、城市道路断面未来时间间隔交通量预测值的计算
根据第p+1个时间间隔的实测交通量波动指数均值ind(p+1)和第q+1天的日交通量综合预测值
Figure GDA0002668594080000068
计算第q+1天的第p+1个时间间隔的预测交通量
Figure GDA0002668594080000069
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (1)

1.城市道路断面交通量组合预测方法，该方法使用长期、中期和短期的实测数据，综合相应方法开展预测，其特征在于，其具体方法为：
1)根据实际需要，确定预测时间间隔inter，inter取60分钟或者30分钟或者15分钟，整理和分析城市道路某断面交通流的长期实测数据，计算每个时间间隔的交通量v(i,j)，其中i表示第i天，j表示第j个时间间隔；
步骤一中根据预测时间间隔inter记录和分析城市道路断面交通流的长期实测数据，具体步骤为：
(1)将实测城市道路断面交通量数据按照观测日期的特征划分为以下三种类型数据源：工作日、节假日和周末；根据预测日期的类型，选择与之相对应的数据源；
(2)根据预测时间间隔inter，整理实测交通量数据，计算每一天、每个时间间隔的交通量数据；设第i天、第j个时间间隔包含的实测数据为v(i，j，1)，v(i，j，2)，…，v(i，j，k)，则该时间间隔实测交通量为v(i，j)＝v(i，j，1)+v(i，j，2)+…+v(i，j，k)；
(3)每一天所包含的预测时间间隔数为
Figure FDA0002668594070000011
计算第i天的日交通量v(i)＝v(i，1)+v(i，2)+…+v(i，l)；
2)根据实测交通量v(i,j)，其中第i天，第j个时间间隔，计算第i天日交通量v(i)以及各个时间间隔的实测交通量波动指数ind(i，j)，并计算实测交通量波动指数的均值ind(i)；步骤二中根据实测数据计算城市道路断面交通量波动指数及其均值，具体步骤为：
(1)设共有n天的实测数据，根据第i天日交通量v(i)和第i天、第j个时间间隔的实测数据v(i，j)，计算第i天、第j个时间间隔的交通量波动指数
Figure FDA0002668594070000012
(2)计算第j个时间间隔的交通量波动指数均值
Figure FDA0002668594070000013
(3)对交通量波动指数均值进行标准化处理
Figure FDA0002668594070000014
3)根据近期的实测日交通量v(i)(i＝1，2，…，q)，运用灰色预测模型GM(1，1)预测第q+1天的日交通量
Figure FDA0002668594070000015
步骤三中根据前q天的实测日交通量v(i)(i＝1，2，…，q)，运用灰色预测方法预测第q+1天的日交通量
Figure FDA0002668594070000016
具体步骤为：
(1)令V＝(v(1)，v(2)，…，v(q)),对该数据进行一次累加生成，得到V1＝(v1(1)，v1(2)，…，v1(q))；其中，v1(i)＝v1(1)+v1(2)+…+v1(i)，i＝1，2，…，q；
(2)计算V1的紧邻均值生成序列Z1＝(z1(2)，z1(3)，…，z1(q))；其中，
Figure FDA0002668594070000017
(3)构造矩阵
Figure FDA0002668594070000021
计算预测模型参数
Figure FDA0002668594070000022
(4)计算第q+1天的日交通量灰色模型预测值
Figure FDA0002668594070000023
其中，e≈2.71828,是自然常数；
4)根据第q+1天的前p个时间间隔的实测数据以及第q+1天的日交通量灰色模型预测值
Figure FDA0002668594070000024
运用时间序列预测方法预测第q+1天的日交通量
Figure FDA0002668594070000025
步骤四中根据第q+1天的前p个时间间隔的实测数据以及第q+1天的日交通量灰色模型预测值，运用时间序列预测方法预测第q+1天的日交通量，具体步骤为：
(1)根据第q+1天的第j(j＝1，2，…，p)个时间间隔的实测数据v(q+1，j)和第j个时间间隔的交通量波动指数均值ind(j)，计算第q+1天的日交通量预测值
Figure FDA0002668594070000026
(2)设w(0<w<1)为时间序列预测指数平滑法的平滑系数，根据前期每个时间间隔的交通量波动指数均值ind(j)(j＝1，2，…，p)，计算预测值
Figure FDA0002668594070000027
和
Figure FDA0002668594070000028
的权重：wp＝w×ind(p)，wp-1＝(1-wp)×w×ind(p-1)，wp-2＝(1-wp)×(1-wp-1)×w×ind(p-2)，…，w1＝(1-wp)×(1-wp-1)×(1-wp-2)×…×(1-w2)×w×ind(1)，wg＝(1-wp)×(1-wp-1)×(1-wp-2)×…×(1-w1)；
(3)综合上述计算的预测值
Figure FDA0002668594070000029
灰色预测方法预测值
Figure FDA00026685940700000210
以及其对应的权重wj(j＝1，2，…，p)和wg，运用时间序列预测的指数平滑法，计算第q+1天的日交通量综合预测值
Figure FDA00026685940700000211
5)根据第p+1个时间间隔的实测交通量波动指数均值ind(p+1)和第q+1天的日交通量综合预测值
Figure FDA00026685940700000212
计算第q+1天的第p+1个时间间隔的预测交通量
Figure FDA00026685940700000213
CN201810638393.7A 2018-06-20 2018-06-20 城市道路断面交通量组合预测方法 Active CN108898851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810638393.7A CN108898851B (zh) 2018-06-20 2018-06-20 城市道路断面交通量组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810638393.7A CN108898851B (zh) 2018-06-20 2018-06-20 城市道路断面交通量组合预测方法

Publications (2)

Publication Number Publication Date
CN108898851A CN108898851A (zh) 2018-11-27
CN108898851B true CN108898851B (zh) 2020-11-27

Family

ID=64345291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810638393.7A Active CN108898851B (zh) 2018-06-20 2018-06-20 城市道路断面交通量组合预测方法

Country Status (1)

Country Link
CN (1) CN108898851B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613049B (zh) * 2019-02-26 2022-07-12 北京嘀嘀无限科技发展有限公司 一种道路状态监测方法以及装置
CN110414719B (zh) * 2019-07-05 2023-02-21 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
CN112233426B (zh) * 2020-11-23 2024-02-02 重庆市市政设计研究院有限公司 基于rfid及多源数据的桥梁实时预警方法装置及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007103180A2 (en) * 2006-03-03 2007-09-13 Inrix, Inc. Assessing road traffic conditions using data from mobile data sources
CN102087787A (zh) * 2011-03-11 2011-06-08 上海千年工程建设咨询有限公司 短时交通状态预测装置及预测方法
CN102568205B (zh) * 2012-01-10 2013-12-04 吉林大学 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
CN103559563A (zh) * 2013-11-20 2014-02-05 国家电网公司 一种风电场短期风速预测方法
CN103730006A (zh) * 2014-01-26 2014-04-16 吉林大学 一种短时交通流量的组合预测方法
CN103778323A (zh) * 2014-01-03 2014-05-07 株洲南车时代电气股份有限公司 基于指数平滑的预测交通流数据的方法和系统
CN104183134A (zh) * 2014-08-27 2014-12-03 重庆大学 基于智能分车型的高速公路短时交通流量预测方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
CN105447594A (zh) * 2015-11-17 2016-03-30 福州大学 一种基于指数平滑的电力系统灰色负荷预测方法
CN106448151A (zh) * 2016-07-07 2017-02-22 河南理工大学 一种短时交通流预测方法
CN106781465A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路车流量预测方法
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100538763C (zh) * 2007-02-12 2009-09-09 吉林大学 基于视频的混合交通流参数的检测方法
KR101347603B1 (ko) * 2012-06-27 2014-01-07 명지대학교 산학협력단 최단경로를 이용한 출발점 기반의 통행 배정방법
CN105118293B (zh) * 2015-09-16 2017-03-29 东南大学 一种考虑长期均衡关系的道路断面交通速度短时预测方法
CN106971547B (zh) * 2017-05-18 2019-06-04 福州大学 一种考虑时空相关性的短时交通流预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007103180A2 (en) * 2006-03-03 2007-09-13 Inrix, Inc. Assessing road traffic conditions using data from mobile data sources
CN102087787A (zh) * 2011-03-11 2011-06-08 上海千年工程建设咨询有限公司 短时交通状态预测装置及预测方法
CN102568205B (zh) * 2012-01-10 2013-12-04 吉林大学 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
CN103559563A (zh) * 2013-11-20 2014-02-05 国家电网公司 一种风电场短期风速预测方法
CN103778323A (zh) * 2014-01-03 2014-05-07 株洲南车时代电气股份有限公司 基于指数平滑的预测交通流数据的方法和系统
CN103730006A (zh) * 2014-01-26 2014-04-16 吉林大学 一种短时交通流量的组合预测方法
CN104183134A (zh) * 2014-08-27 2014-12-03 重庆大学 基于智能分车型的高速公路短时交通流量预测方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104778837A (zh) * 2015-04-14 2015-07-15 吉林大学 一种道路交通运行态势多时间尺度预测方法
CN105447594A (zh) * 2015-11-17 2016-03-30 福州大学 一种基于指数平滑的电力系统灰色负荷预测方法
CN106448151A (zh) * 2016-07-07 2017-02-22 河南理工大学 一种短时交通流预测方法
CN106781465A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路车流量预测方法
CN107742420A (zh) * 2017-09-22 2018-02-27 北京交通大学 一种用于突发交通事件下道路交通流预测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于指数平滑法和ARIMA的交通量组合预测模型应用研究》;魏杏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160515(第05期);全文 *
《基于最优加权法的改进交通流组合预测研究》;李长锦,谭满春;《暨南大学学报(自然科学版)》;20101031;第31卷(第5期);第457-461页 *
《组合预测模型在港口物流量预测中的应用》;郁小锋，余静;《中国水运》;20080630;第08卷(第6期);第72-74页 *

Also Published As

Publication number Publication date
CN108898851A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN108898851B (zh) 城市道路断面交通量组合预测方法
Amral et al. Short term load forecasting using multiple linear regression
CN111091232B (zh) 一种考虑用电需求变化趋势的电力负荷预测方法
CN109615226A (zh) 一种运营指标异常监测方法
CN105678398A (zh) 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
CN111709566A (zh) 一种银行网点业务预测及调度方法
CN106549772A (zh) 资源预测方法、系统和容量管理装置
Xiao et al. Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning
CN110119845A (zh) 一种轨道交通客流预测的应用方法
Merewitz Recreational benefits of water resource development
CN102402726A (zh) 一种基于区域负荷分析的大规模配电网电力电量预测方法
KR20100048738A (ko) 원격계측 전력 부하패턴의 분류 및 예측 방법
KR20180028583A (ko) 지능형 전력사용 환경에서 수용가 맞춤형 전력량 스케쥴링 시스템
CN104504619B (zh) 两种考虑温度和经济增长因素的月度统调用电量预测方法
CN113837488B (zh) 能源消耗数据预测方法、系统、设备
CN112257962B (zh) 一种台区线损预测方法及装置
CN108256724B (zh) 一种基于动态行业系数的配电网可开放容量规划方法
Wang et al. Short-term traffic volume forecasting with asymmetric loss based on enhanced KNN method
CN113159374A (zh) 一种数据驱动的城市交通流速模式识别与实时预测预警方法
CN113449905A (zh) 一种基于门控循环单元神经网络的交通拥堵预警方法
CN105488598A (zh) 一种基于模糊聚类的中长期电力负荷预测方法
CN108345987B (zh) 一种道路基础设施建设项目影响评价决策支持系统及方法
CN113821547A (zh) 快速高效的停车场占有率短时预测方法、系统及存储介质
JP2003224931A (ja) 配電系統負荷推定装置
Yang et al. Short-term demand forecasting for bike sharing system based on machine learning

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