

下載本文檔
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
城市交通流量預(yù)測(cè)研究文獻(xiàn)綜述1.1負(fù)荷預(yù)測(cè)國內(nèi)外研究現(xiàn)狀負(fù)荷預(yù)測(cè)(這里主要指短期負(fù)荷預(yù)測(cè))是電力系統(tǒng)領(lǐng)域一個(gè)傳統(tǒng)研究問題,國內(nèi)外許多專家和學(xué)者在預(yù)測(cè)方法和理論方面做了大量的工作,關(guān)于負(fù)荷預(yù)測(cè)的研究已有幾十年的歷史。大量文獻(xiàn)在分析負(fù)荷時(shí)序特性的基礎(chǔ)上,提出了新的預(yù)測(cè)模型和預(yù)測(cè)角度。負(fù)荷預(yù)測(cè)的一般思想是利用已歷史負(fù)荷數(shù)據(jù)時(shí)序特性,建立預(yù)測(cè)模型,期望預(yù)測(cè)模型的輸出盡可能的接近真實(shí)值,從而對(duì)未來負(fù)荷需求進(jìn)行預(yù)估。1995年,前蘇聯(lián)學(xué)者Vapnik和CorinnaCortes提出了支持向量機(jī)理論方法,它的基本思想是通過建立幾何間隔最大的分離超平面來正確劃分?jǐn)?shù)據(jù)集。2001年,Bo-JuenChen提出的SVM模型負(fù)荷預(yù)測(cè)法在EUNITE網(wǎng)絡(luò)舉辦的中期負(fù)荷預(yù)測(cè)競(jìng)賽中獲勝。2004年,Bo-JuenChen將競(jìng)賽中SVM負(fù)荷預(yù)測(cè)模型的設(shè)計(jì)細(xì)節(jié)整理成文章發(fā)表在IEEETransactionsonPowerSystems期刊,并做了深入分析和探討。HongWC團(tuán)隊(duì)在基于SVR的負(fù)荷預(yù)測(cè)的方向上做了大量工作,從2005年至今,先后發(fā)表27篇文章。該團(tuán)隊(duì)在文獻(xiàn)中提出遞歸支持向量機(jī)預(yù)測(cè)法,并利用遺傳算法確定遞歸支持向量機(jī)的自由參數(shù)。仿真結(jié)果顯示該聯(lián)合方法的預(yù)測(cè)精度高于單獨(dú)使用支持向量機(jī)的預(yù)測(cè)方法、回歸分析法以及神經(jīng)網(wǎng)絡(luò)法。和最小化訓(xùn)練誤差的神經(jīng)網(wǎng)絡(luò)模型不同,SVR模型是通過最小化泛化誤差上界進(jìn)行非線性化建模,當(dāng)負(fù)荷數(shù)據(jù)體量增大、復(fù)雜度增加時(shí),用于確定SVR模型參數(shù)的遺傳算法存在收斂早熟問題,且收斂速度慢,容易陷入局部最優(yōu)。該團(tuán)隊(duì)在文獻(xiàn)提出一種進(jìn)化算法(又稱混沌遺傳算法)克服上述問題,該方法是將混沌優(yōu)化算法和遺傳算法相結(jié)合,利用混沌優(yōu)化的內(nèi)隨機(jī)性克服確定SVR模型參數(shù)時(shí)的遇到的局部最優(yōu)問題,實(shí)驗(yàn)結(jié)果表明基于混沌遺傳法和SVR的聯(lián)合負(fù)荷預(yù)測(cè)法的預(yù)測(cè)性能更優(yōu)。除上述研究外,HongWC團(tuán)隊(duì)在SVR模型的基礎(chǔ)上,先后結(jié)合了混沌粒子群優(yōu)化算法、混沌蟻群優(yōu)化算法、混沌免疫法ADDINEN.CITEADDINEN.CITE.DATA、模糊時(shí)間級(jí)數(shù)法、經(jīng)驗(yàn)?zāi)B(tài)分解、小波分解法和回歸神經(jīng)網(wǎng)絡(luò)法用于提高負(fù)荷預(yù)測(cè)精度。此外數(shù)據(jù)挖掘領(lǐng)域中的ANN算法、模糊邏輯法、模糊回歸法、隨機(jī)森林法、卡爾曼濾波法、小波分解法和灰度系統(tǒng)理論等方法也廣泛應(yīng)用于負(fù)荷預(yù)測(cè)中,并取得了一定的預(yù)測(cè)效果。其中,ANN算法在負(fù)荷預(yù)測(cè)領(lǐng)域的使用最為廣泛,ANN方法模擬人腦細(xì)胞的工作機(jī)理,通過各種網(wǎng)絡(luò)訓(xùn)練方法提取模型輸入數(shù)據(jù)內(nèi)在的非線性關(guān)系,具備較強(qiáng)的非線性輸入輸出映射能力。和專家系統(tǒng)預(yù)測(cè)方法不同,ANN不依賴專業(yè)人士的調(diào)度經(jīng)驗(yàn),對(duì)于多種不確定的輸入數(shù)據(jù),表現(xiàn)出良好的魯棒性。大量研究顯示ANN模型的負(fù)荷預(yù)測(cè)能力優(yōu)于時(shí)間級(jí)數(shù)法和統(tǒng)計(jì)學(xué)方法。為提高負(fù)荷預(yù)測(cè)精度,部分學(xué)者將多種數(shù)據(jù)挖掘方法相結(jié)合,克服單一預(yù)測(cè)模型的不足。比如,將ANN和SVM、遺傳算法、模糊理論、回歸模型、卡爾曼濾波以及小波分解相結(jié)合。另外,還有學(xué)者通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、引入負(fù)荷影響因素以及提高預(yù)測(cè)模型的泛化能力等方式進(jìn)一步提升算法預(yù)測(cè)能力。Yang等考慮氣溫、節(jié)假日等因素對(duì)負(fù)荷波動(dòng)性的影響,通過模糊邏輯函數(shù)選取關(guān)聯(lián)性強(qiáng)的影響因素變量作為預(yù)測(cè)模型輸入,用模糊邏輯函數(shù)的輸出訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,從而預(yù)測(cè)工作日、休息日和特殊日期的負(fù)荷需求。采用模糊邏輯預(yù)處理,降低了ANN的計(jì)算復(fù)雜度和訓(xùn)練時(shí)間,從預(yù)測(cè)結(jié)果可以看出,這種方法比傳統(tǒng)ANN預(yù)測(cè)效果更好。還有學(xué)者在此基礎(chǔ)上,進(jìn)一步引入遺傳算法幫助優(yōu)化模糊邏輯函數(shù)的參數(shù)。文獻(xiàn)利用時(shí)間級(jí)數(shù)中的關(guān)聯(lián)性分析選取預(yù)測(cè)模型合適的輸入。Mori等提出一種結(jié)合多層MLP和最優(yōu)回歸樹的混合預(yù)測(cè)方法。仿真結(jié)果顯示提出的混合算法的預(yù)測(cè)誤差比MLP算法的預(yù)測(cè)誤差降低了7.17%~5.20%,具有較好的預(yù)測(cè)效果。1.2交通流量預(yù)測(cè)研究現(xiàn)狀交通流量預(yù)測(cè)研究主要分為三個(gè)方向:第一為對(duì)線性方式深化。如基于ARIMA的改進(jìn)方案,如KARIMA,子集ARIMA,時(shí)空SARIMA等,Hamed等開發(fā)出簡(jiǎn)約ARIMA模型,用于預(yù)測(cè)城市干道交通量。文獻(xiàn)建立了時(shí)空自動(dòng)回歸綜合移動(dòng)平均(STARIMA)模型,以預(yù)測(cè)每個(gè)頻率5分鐘的城市交通量。Ghosh等人認(rèn)為ARIMA模型變量屬于單純類的,并據(jù)此提出多元化的時(shí)間序列模型。第二為非線性手段。如K.Y.Chan通過平滑技術(shù)進(jìn)行流量數(shù)據(jù)預(yù)處理,在此基礎(chǔ)上,將數(shù)據(jù)輸至神經(jīng)網(wǎng)絡(luò)內(nèi)展開預(yù)測(cè)。第三為復(fù)合型的方法。如雷斌等人運(yùn)用加權(quán)理論進(jìn)行預(yù)測(cè)。成云等人將ARIMA模型和小波分析相結(jié)合進(jìn)行預(yù)測(cè)。文獻(xiàn)研究顯示,濾波數(shù)據(jù)和模式識(shí)別有助于幫助我們進(jìn)行交通流的預(yù)測(cè)。不過,由于交通的實(shí)時(shí)變化,導(dǎo)致增加了交通流的復(fù)雜性,令其較難探尋到參數(shù)模型表達(dá)特點(diǎn)。因此,不少研究人員嘗試著對(duì)支持向量機(jī)展開優(yōu)化,并促進(jìn)其在流量預(yù)測(cè)中的運(yùn)用,生了眾多新的方法,如:混沌小波分析支持向量機(jī)。除此之外,還有一些神經(jīng)網(wǎng)絡(luò)方法亦取得了廣泛運(yùn)用。近些年,智能交通系統(tǒng)獲得全面發(fā)展,取得了海量的交通數(shù)據(jù),有利于進(jìn)行交通流量的預(yù)測(cè)。交通流量預(yù)測(cè)主要受到大數(shù)據(jù)的驅(qū)動(dòng)。伴隨交通數(shù)據(jù)的進(jìn)一步增長,傳統(tǒng)研究方式的不足進(jìn)一步突顯,比如,對(duì)于復(fù)雜道路、結(jié)構(gòu)化及非結(jié)構(gòu)化數(shù)據(jù)集等狀況中表現(xiàn)出不足。如參數(shù)化模型、淺層神經(jīng)網(wǎng)絡(luò)等算法等,此類算法較為簡(jiǎn)單,僅適合少量或小范圍數(shù)據(jù)集的分析。因此,通過深度學(xué)習(xí)對(duì)交通流進(jìn)行分析已成為發(fā)展趨勢(shì)。根據(jù)近期的研究拓展,基于深度學(xué)習(xí)智能計(jì)算方法,如:神經(jīng)和貝葉斯網(wǎng)絡(luò)、各類深度學(xué)習(xí)方法等。過去幾年間,一些具代表性的研究在交通預(yù)測(cè)中獲得良好的運(yùn)用,成果斐然。A.Khotanzad和N.Sadek在其高速網(wǎng)絡(luò)流量預(yù)測(cè)過程中使用了多層感知器(MLP)和神經(jīng)模糊(FNN)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的NN模型優(yōu)于自動(dòng)化模型。C.Qiu等人開發(fā)了一種典型的貝葉斯神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)短期交通速度。Huang等人提出了與深度信任網(wǎng)絡(luò)有關(guān)的多任務(wù)學(xué)習(xí)模型。其研究對(duì)于傳統(tǒng)算法展開了批判性的回顧,并開創(chuàng)新地引進(jìn)多任務(wù)回歸層予以研究。1.3經(jīng)典路徑規(guī)劃方法研究現(xiàn)狀在路徑規(guī)劃領(lǐng)域,目前已經(jīng)存在很多經(jīng)典的算法。早在上世紀(jì)50年代,狄杰斯特拉提出了Dijkstra算法,該算法應(yīng)用貪心的思想,通過每次在未標(biāo)記的節(jié)點(diǎn)中選擇距離源點(diǎn)最近的節(jié)點(diǎn)實(shí)現(xiàn)最短路徑的求解。Guo等人研究了Dijkstra算法的中間過程,將距源點(diǎn)等同距離的節(jié)點(diǎn)進(jìn)行保存,再依這些中間節(jié)點(diǎn)進(jìn)行擴(kuò)展,同時(shí)在距離最優(yōu)的基礎(chǔ)上兼顧了時(shí)間最優(yōu),提高了Dijkstra算法的效率。A*算法在Dijkstra算法的基礎(chǔ)上,加入了啟發(fā)式函數(shù),也就是一種評(píng)估當(dāng)前點(diǎn)到達(dá)目標(biāo)的度量,用來決定下一步應(yīng)該優(yōu)先擴(kuò)展哪個(gè)節(jié)點(diǎn),這種算法在多維度規(guī)劃問題上,或是在較大規(guī)模的地圖上,算法復(fù)雜度很大。Su等人結(jié)合了A*算法,基于時(shí)間、空間和導(dǎo)航約束,分別建立了協(xié)同策略、協(xié)同約束和協(xié)同模型,提出了一種協(xié)同搜索的A*算法,解決了多機(jī)同時(shí)到達(dá)和多角度到達(dá)條件下的路徑規(guī)劃問題。勢(shì)場(chǎng)法將規(guī)劃空間看作物理學(xué)中“場(chǎng)”的概念,將智能體看作一個(gè)粒子,障礙物會(huì)對(duì)這個(gè)粒子產(chǎn)生斥力,目標(biāo)會(huì)對(duì)這個(gè)粒子產(chǎn)生引力,兩者的合力即為最后智能體運(yùn)動(dòng)的方向,主要的困難在于如何設(shè)計(jì)引力和斥力函數(shù)。這種方法實(shí)時(shí)性較好,同時(shí)產(chǎn)生的路徑通常十分平滑,適合于機(jī)械臂一類的應(yīng)用,缺點(diǎn)是在合力為0的位置智能體容易陷入局部最優(yōu)解。蟻群算法模擬螞蟻的尋路過程,通過共享信息素參量實(shí)現(xiàn)環(huán)境探索和路徑規(guī)劃,Liu等人將信息素?cái)U(kuò)展過程與幾何空間的局部最優(yōu)化相結(jié)合,提出按照電場(chǎng)力的方向進(jìn)行信息素的擴(kuò)散,提供了一種
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 快遞安全生產(chǎn)培訓(xùn)
- 華北理工大學(xué)《建筑工程安全技術(shù)與管理》2023-2024學(xué)年第二學(xué)期期末試卷
- 福建對(duì)外經(jīng)濟(jì)貿(mào)易職業(yè)技術(shù)學(xué)院《科技論文寫作及文獻(xiàn)檢索》2023-2024學(xué)年第二學(xué)期期末試卷
- 信息技術(shù) 第二冊(cè)(五年制高職)課件 9.2.2 計(jì)算機(jī)視覺的定義
- 醫(yī)院安全消防
- 手術(shù)室護(hù)理評(píng)估
- 以課件促高效課堂
- 2025房地產(chǎn)經(jīng)紀(jì)人《房地產(chǎn)經(jīng)紀(jì)業(yè)務(wù)操作》核心備考題庫(含典型題、重點(diǎn)題)
- 呀諾達(dá)旅游景點(diǎn)
- 開學(xué)第一課安全知識(shí)
- 蠶豆病課件教學(xué)課件
- 2025屆上海市浦東新區(qū)高考英語二模試卷含解析
- 7 《包身工》 公開課一等獎(jiǎng)創(chuàng)新教案統(tǒng)編版高中語文選擇性必修中冊(cè)
- 干部人事檔案任前審核登記表范表
- 汽車吊吊裝 專項(xiàng)施工方案
- 娛樂場(chǎng)所安全管理制度與應(yīng)急預(yù)案
- Python試題庫(附參考答案)
- 《項(xiàng)脊軒志》 高中語文
- 2024年全國眼視光行業(yè)眼鏡驗(yàn)光員技能大賽理論參考試題庫(含答案)
- 基于眼動(dòng)追蹤的認(rèn)知負(fù)荷評(píng)估
- 江蘇省南京市化學(xué)中考試題及解答參考(2024年)
評(píng)論
0/150
提交評(píng)論