Ta上传的资源 (0)

随着我国经济的增长和城市化进展,交通拥堵、交通事故频发、尾气污染 等交通问题已经成为当今社会普遍关注的焦点。实时而准确的短时交通流量预测 可以为城市交通诱导和控制提供数据支持,是解决多种交通问题的关键和基础。 本文在对短时交通流量预测问题分析与总结的基础上,对短时交通流量数据的去 噪处理与预测问题进

本文采用元胞自动机与多智能体相结合的方法探索城市生态用 地演变规律。元胞自动机部分采用了Logistic回归的方法,利用历 史数据挖掘凡个空间变量以及邻域对元胞状态转换的影响规律,避免 了人为影响。多智能体部分包括政府智能体和居民智能体。政府智能 体部分主要利用以总规为大前提,较充分考虑了城市经济政

因此本文结合交通网络的实际特点，以复杂网络理论为基础构建城市交通网络模 型，通过对经典元胞传输模型进行调整，模拟了不同供需结构下交通流在网络上的演进 过程，分析了网络拥堵的时空特征和传播规律，进而提出了一种有效的拥堵控制策略

本文以浙江省高速路网为对象，利用基于手机的高速公路车 速数据和收费站出入口流量数据开展浙江省高速公路拥堵预测关键 技术研究 。 首先对收费站流量数据和手机车速数据的质量进行了分 析，结果表明基于这两类数据进行拥堵分析的数据质量可靠;在此基 础上，研究基于手机与流量数据的浙江高速公路拥堵预测算法，该算

交通流信息，可以通过该代码模拟交通事故发生之后的城市道路交通情况

基于真实的GPS轨迹数据，对城市拥堵路段进行预测．在此过程中，摒弃传统的基于交通流预测和拥堵识别的方法，提出一种新的基于拥堵向量和拥堵转移矩阵的拥堵路段预测方法．该方法同时考虑路段拥堵的时间周期性和时空相关性，通过对出租车GPS轨迹数据进行挖掘和训练，建立拥堵向量和拥堵转移矩阵，实现对拥堵路段的预测

本文提出神经网络群组快速学习方法，将大规模数据上的复杂学习问题转化为大量中小规模数据子集上的简单学习问题，在大量不同特点的路段子集上利用超限学习机算法快速训练子预测模型，从而建立城市路段全范围覆盖的拥堵预测群组模型，充分发挥超限学习机算法在小规模子集上准确度高、训练速度快、参数少、易

通过实验仿真分析得出:（1）趋势项信号可以影响预测的精度，设置最优的频谱阈值去除趋势项能够使得预测误差减少5%；（2）压缩后的路网预测运行时间明显减少，节约时间90%；（3）本文提出的预测模型在预测精度上优于其他预测模型，预测误差比SVR模型减少8%，路网中各个路段的平均预测精度可以达到92%