交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensatio...交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.展开更多
轨道几何尺寸数据是在对被测轨道进行检查时得到的,而不同时间的历史数据,由于检查环境和条件存在变动,其数据表现经常伴随着累积里程误差的存在,导致数据存在无法对齐的现象,从而不能精准预测轨道不平顺的发展。针对此问题,提出将多组...轨道几何尺寸数据是在对被测轨道进行检查时得到的,而不同时间的历史数据,由于检查环境和条件存在变动,其数据表现经常伴随着累积里程误差的存在,导致数据存在无法对齐的现象,从而不能精准预测轨道不平顺的发展。针对此问题,提出将多组原始数据依次以某一步长进行分段验证,以互相关函数相互进行评价,将各组原始数据的里程对齐之后得到有效的观测值。以广铁集团惠州工务段杭深线潮汕站4道K1317+150-K1317+350间的2013-2015年度的历史数据作为试验样本,通过建立自回归积分滑动平均模型(auto-regressive integrated moving average model,简称ARIMA)预测轨道不平顺。结果表明,将轨道几何尺寸原始数据对齐后再进行其不平顺状态的预测研究,可以达到更高的试验精度,其相对误差绝对值的最大值小于5%,样本中相对误差均值为1.75%,适用于工程。展开更多
文摘轨道几何尺寸数据是在对被测轨道进行检查时得到的,而不同时间的历史数据,由于检查环境和条件存在变动,其数据表现经常伴随着累积里程误差的存在,导致数据存在无法对齐的现象,从而不能精准预测轨道不平顺的发展。针对此问题,提出将多组原始数据依次以某一步长进行分段验证,以互相关函数相互进行评价,将各组原始数据的里程对齐之后得到有效的观测值。以广铁集团惠州工务段杭深线潮汕站4道K1317+150-K1317+350间的2013-2015年度的历史数据作为试验样本,通过建立自回归积分滑动平均模型(auto-regressive integrated moving average model,简称ARIMA)预测轨道不平顺。结果表明,将轨道几何尺寸原始数据对齐后再进行其不平顺状态的预测研究,可以达到更高的试验精度,其相对误差绝对值的最大值小于5%,样本中相对误差均值为1.75%,适用于工程。
