根据城市道路短时交通流特征,在ARIMA(autoregressive integrated moving average model)模型和SARIMA(seasonal autoregressive integrated moving average model)模型的基础上,提出一种既满足城市道路日周期性和周周期性的短时交通流...根据城市道路短时交通流特征,在ARIMA(autoregressive integrated moving average model)模型和SARIMA(seasonal autoregressive integrated moving average model)模型的基础上,提出一种既满足城市道路日周期性和周周期性的短时交通流预测模型DSARIMA(double seasonal autoregressive integrated moving average model)模型,并根据城市道路工作日与非工作日交通流特点,提出该模型的预测算法。该算法采用两种方式利用ARIMA模型进行交通流预测,一种方式采用当前时刻前N1段时间进行预测,另一种方式采用当前时刻前N2天同一时段的交通流进行预测,并用改进的贝叶斯模型算法根据两种预测结果与实际值的误差来确定该种方式的权值,最后的预测结果为两种方式预测结果与其权值乘积之和。实验结果表明,该模型在交通流预测上,相比ARIMA模型和SARIMA模型预测具有更好的平稳性与更高的预测精度。展开更多
针对常用进港航班排序数学模型(总延迟时间最小和总延迟成本最小)中存在的问题,选取空中延误成本、旅客延误成本、后续延误成本以及环境污染成本4个指标综合建立一种改进的总延迟成本最小数学模型。在分析已有的基于模拟退火的粒子群算...针对常用进港航班排序数学模型(总延迟时间最小和总延迟成本最小)中存在的问题,选取空中延误成本、旅客延误成本、后续延误成本以及环境污染成本4个指标综合建立一种改进的总延迟成本最小数学模型。在分析已有的基于模拟退火的粒子群算法(SA-PSO:particle swarm optimization based on simulated annealing)优化进港航班排序时寻优能力不足、收敛速度慢的基础上,采用一种线性微分递减(LDD:linear differential decrease)的退火策略,从而可以有效地解决进港航班排序问题。实验结果表明,与FCFS(first come first serve)、PSO以及SA-PSO算法相比,LDD-SA-PSO算法在进港航班优化问题上具有较好的寻优能力和收敛速度,同时改进数学模型中参数选择对优化结果也具有明显影响。展开更多
文摘针对常用进港航班排序数学模型(总延迟时间最小和总延迟成本最小)中存在的问题,选取空中延误成本、旅客延误成本、后续延误成本以及环境污染成本4个指标综合建立一种改进的总延迟成本最小数学模型。在分析已有的基于模拟退火的粒子群算法(SA-PSO:particle swarm optimization based on simulated annealing)优化进港航班排序时寻优能力不足、收敛速度慢的基础上,采用一种线性微分递减(LDD:linear differential decrease)的退火策略,从而可以有效地解决进港航班排序问题。实验结果表明,与FCFS(first come first serve)、PSO以及SA-PSO算法相比,LDD-SA-PSO算法在进港航班优化问题上具有较好的寻优能力和收敛速度,同时改进数学模型中参数选择对优化结果也具有明显影响。
