导读:本文包含了行程时间预测论文开题报告文献综述及选题提纲参考文献，主要关键词:高速公路,行程时间预测,门控递归单元,神经网络
行程时间预测论文文献综述
刘松,彭勇,邵毅明,宋乾坤[1]（2019）在《基于门控递归单元神经网络的高速公路行程时间预测》一文中研究指出为了更高效地预测高速公路行程时间,以高速公路行程时间为研究对象,通过采集车辆在高速公路进出口收费站的刷卡数据获取行程时间,利用门控递归单元神经网络对行程时间进行预测.按照所设计的预测流程,利用广州市机场高速南线高速公路收费数据进行验证,结果显示,预测拟合效果较好,并与LSTM神经网路和BP神经网络进行了对比分析.结果表明:门控递归单元神经网络具有更好的预测准确度.(本文来源于《应用数学和力学》期刊2019年11期）
杨超,胡尧,商明菊,李扬,周江娥[2]（2019）在《基于SV模型的行程时间预测》一文中研究指出行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。(本文来源于《贵州大学学报(自然科学版)》期刊2019年05期）
杨航,王忠宇,邹亚杰,吴兵[3]（2019）在《基于二次修正的短时行程时间预测模型》一文中研究指出为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差叁个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.(本文来源于《同济大学学报(自然科学版)》期刊2019年10期）
阳敏辉[4]（2019）在《基于在线序列极限学习机的路段行程时间预测算法》一文中研究指出本文针对路段行程时间具有非线性、实时性等特点,研究人员已经提出了动态神经网络、卡尔曼滤波等在线预测算法。而现有大多数实时预测算法并不是真正意义上的实时预测且存在复杂度较高、实时性差等问题。本文在极限学习机的基础上,提出了基于在线序列极限学习机的路段行程时间预测算法,算法能保证预测的实时性。(本文来源于《电子技术与软件工程》期刊2019年18期）
程娟,陈先华[5]（2019）在《基于梯度提升决策树的高速公路行程时间预测模型（英文）》一文中研究指出为研究高速公路行程时间预测方法,基于梯度提升决策树(GBDT)建立了行程时间预测模型.提出的模型中选用11个变量(当前时段行程时间T_i、当前时段流量Q_i、当前时段速度V_i、当前时段密度K_i、当前时段车辆数N_i、当前时段占有率R_i、当前时段交通状态参数X_i、前一个时段行程时间T_(i-1)等)预测向前10 min的行程时间.利用VISSIM仿真得到的数据对模型进行训练和测试.结果表明,GBDT模型的预测误差小于BP神经网络模型和支持向量机模型;GBDT模型中当前时段行程时间T_i在所有变量中最重要.GBDT模型能够得到更准确的预测结果,能深入挖掘变量与预测行程时间之间隐藏的非线性关系.(本文来源于《Journal of Southeast University(English Edition)》期刊2019年03期）
李华民,吴俊美,孙棣华,陈栋,赵敏[6]（2019）在《基于RFID电子车牌数据的公交行程时间预测方法》一文中研究指出为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据,基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素,选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据,选取3 000组实际运行数据完成公交行程时间预测模型的训练,另筛选50组数据验证模型的有效性和准确性。研究结果表明:组合模型可动态自适应预测公交行程时间,预测值平均相对误差为3.23%,绝对误差集中在8 s左右,明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型,可认为选择RFID电子车牌数据作为组合模型的输入,能够明显改善模型预测精度;组合模型预测值的残差分布更为集中、鲁棒性较好,泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标,结果进一步表明,组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。(本文来源于《中国公路学报》期刊2019年08期）
刘迎,过秀成,周润瑄,吕方[7]（2019）在《基于多源数据融合的干线公交车辆行程时间预测》一文中研究指出为提高城市中心区干线公交车辆行程时间的预测精度,在拟合公交车辆行程时间分布特征的基础上,提出基于多源数据的干线公交行程时间预测模型.对RFID及GPS检测器获取的实际数据进行预处理及分布拟合,其中混合高斯分布函数适用于单路段拟合,对数正态分布适用于多路段的拟合.采用皮尔逊相关性系数对影响行程时间的因素进行相关性分析,其中上游路段前2个时间窗的平均行程时间的影响最大.分别采用ARIMA、改进的SVM模型对行程时间进行预测,其中改进的SVM模型的平均绝对百分比误差为6.26%,优于ARIMA模型的11.69%,更适用于短距离交叉口间的公交车辆行程时间预测.(本文来源于《交通运输系统工程与信息》期刊2019年04期）
马林宏,陈廷伟,郝明,张雷[8]（2019）在《多线路信息融合的公交车行程时间预测算法》一文中研究指出针对公交车行程时间预测存在数据稀疏、数据缺失及更新间隔长等问题,提出了一种基于相似路段划分并融合多线路信息的卡尔曼滤波算法。该算法对每条路段的属性特征和空间结构特征进行归一化处理,利用属性特征和空间结构的相似性及POI(Point of Interest)对交通影响的变化动态地划分相似路段;然后融合相似路段与目标路段上的多条公交线路的数据信息,用相似路段的数据丰富实验数据;最后结合卡尔曼滤波算法动态性高、实时性强等特点建立模型,从而实现短时预测,并对信息进行修正。选取沈阳市162线路和299线路作为实验线路,各划取一段相似路段进行基础数据采集并进行实验。通过相似路段上的信息来推断数据稀疏或缺失路段的信息,能够缩短数据更新间隔并提高算法预测的实时性及精准性,尤其在早高峰时段,提出的算法模型的绝对平均百分误差达到13.2%,能达到实时查询的性能需求。(本文来源于《计算机科学》期刊2019年11期）
涂锐,秦江灵,赵志平,徐建川,陈顺举[9]（2019）在《基于K最近邻算法的城市路段行程时间短时预测》一文中研究指出为了对城市路段行程时间进行短时预测,构建了基于KNN算法和汽车电子标识数据的城市路段行程时间短时预测方法。首先介绍了汽车电子标识数据的采集原理,以及通过汽车电子标识数据集进行路段行程时间估计的方法。然后构建基于KNN算法的城市路段行程时间的短时预测模型,包括构建特征向量、交叉验证方法确定K值以及局部估计方法等。实验结果表明:预测模型在城市快速路和主干路的平均相对误差百分比达到了6. 58%左右,取得了较好的预测效果;与历史均值模型和自回归移动平均模型相比,该模型在城市快速路和主干路的预测结果分别提升了39. 6%和16. 8%。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年07期）
王学媛[10]（2019）在《基于OBD数据地图匹配的城市道路行程时间预测模型研究》一文中研究指出智能交通系统(ITS)作为缓解城市交通压力的有效途径之一,已经成为城市交通发展的方向,而行程时间预测是ITS的核心研究内容之一,它在交通诱导系统、信号协调控制系统等ITS子系统中起着重要作用。目前国内外对行程时间预测研究大多基于浮动车和固定检测器数据,少有利用车辆诊断系统(On Board Diagnostic,OBD)数据进行相关的研究,而OBD可以获取车辆实际运行状态下的行车数据,数据量大且覆盖范围广,非常适合于进行交通预测研究。本文主要研究内容包括:(1)对OBD数据量及数据分布进行了统计分析,依据阈值法和统计结果对数据中的异常值和缺失值进行了识别与处理,提高了 OBD数据的质量。(2)基于车辆定位误差对电子地图进行格网划分,设置了定位点与路段的索引规则,计算并判定偏差距离与路段行车方向,将OBD数据精确匹配到电子路网上。以端点时间插值估计法为基础,针对车辆定位点在路段下游端点附近的位置不同,分别设置不同的端点时刻计算方法。以北京市阜成门外大街为实验道路,计算求得了该道路20个工作日的行程时间数据,经相关性分析,验证了行程时间数据的可靠性。(3)在城市道路行程时间预测研究中,提出了一种基于新息的卡尔曼滤波行程时间预测模型,通过观测新息的变化,实时调节噪声协方差,以提高卡尔曼滤波的稳定性;同时,建立了基于布谷鸟算法优化Elman神经网络的行程时间预测模型,引入最优鸟巢位置降低布谷鸟算法随机偏好游动机制的强随机性,利用改进后的布谷鸟算法优化Elman神经网络参数的初始值。(4)利用由OBD数据得到的道路行程时间数据对所建立的模型进行检验。结果表明,两模型的平均绝对百分比误差(MAPE)均小于4%,利用基于新息的噪声协方差调整后的卡尔曼滤波的MAPE较未调整前降低了 3%。经过布谷鸟算法优化后的Elman神经网络预测模型MAPE较未优化前降低了 3.3%,且相比于遗传算法,布谷鸟算法对Elman神经网络初始参数的优化效果更加显着。(本文来源于《北京交通大学》期刊2019-06-01）
行程时间预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
行程时间预测论文参考文献
[1].刘松,彭勇,邵毅明,宋乾坤.基于门控递归单元神经网络的高速公路行程时间预测[J].应用数学和力学.2019
[2].杨超,胡尧,商明菊,李扬,周江娥.基于SV模型的行程时间预测[J].贵州大学学报(自然科学版).2019
[3].杨航,王忠宇,邹亚杰,吴兵.基于二次修正的短时行程时间预测模型[J].同济大学学报(自然科学版).2019
[4].阳敏辉.基于在线序列极限学习机的路段行程时间预测算法[J].电子技术与软件工程.2019
[5].程娟,陈先华.基于梯度提升决策树的高速公路行程时间预测模型（英文）[J].JournalofSoutheastUniversity(EnglishEdition).2019
[6].李华民,吴俊美,孙棣华,陈栋,赵敏.基于RFID电子车牌数据的公交行程时间预测方法[J].中国公路学报.2019
[7].刘迎,过秀成,周润瑄,吕方.基于多源数据融合的干线公交车辆行程时间预测[J].交通运输系统工程与信息.2019
[8].马林宏,陈廷伟,郝明,张雷.多线路信息融合的公交车行程时间预测算法[J].计算机科学.2019
[9].涂锐,秦江灵,赵志平,徐建川,陈顺举.基于K最近邻算法的城市路段行程时间短时预测[J].重庆理工大学学报(自然科学).2019
[10].王学媛.基于OBD数据地图匹配的城市道路行程时间预测模型研究[D].北京交通大学.2019