一、一种改进的RBF神经网络及其在短期交通量预测中的应用（论文文献综述）
罗向龙[1]（2021）在《基于图傅里叶变换和深度学习的短时交通流预测方法研究》文中认为随着社会经济的发展,现有的公路基础设施已经很难满足人们的出行需求。无论在高速公路和城市道路交通拥堵已经成为困扰交通管理部门的难题。信息技术、控制技术、网络技术等的飞速发展,产生的智能运输系统（Intelligent Transportation Systems,ITS）是全球公认的解决交通拥堵等问题的主要途径。近些年来,物联网、互联网+、大数据、人工智能等新技术的出现,更是给ITS注入了新的活力。如何利用最新的人工智能技术对交通状态做出预测,以便出行者选择合适的出行路线,从而减少出行时间、交通拥堵和环境污染成为ITS研究的热点。在对交通流预测的国内外研究现状分析的基础上,利用皮尔逊相关系数、相关函数定性与定量对交通流的时空相关性进行了分析。在时间特性上,分析了交通流工作日和非工作日以及连续相同工作日的相似性以及周期性,从时间角度为交通流预测模型数据集的选择奠定了理论基础。在空间特性上,对路网中不同路段交通流的相关性以及局部相似性进行了分析,结果表明路网中不同路段交通流的相关性与路段之间的距离有关,但相关性并不与路段的距离成反比,为交通流预测模型的构建奠定了基础。对交通数据异常产生原因,交通异常数据监测的肖维勒、狄克逊、莱依达方法进行分析的基础上,提出了一种局部莱依达准则的交通数据异常检测方法,并通过实验验证了提出方法在异常检测的可靠性和有效性;分析了交通数据缺失的原因并对缺失数据进行了分类,针对结构性交通数据缺失,提出了一种改进的基于矩阵低秩分解的结构性数据修复方法,并以实际的交通流量数据对提出方法的性能进行了测试和分析,表明了提出方法的有效性。以离散图信号处理的基本理论为基础,结合交通流的时空相关性,构造了一种基于数据和距离相关的路网邻接矩阵,并提出了一种基于图傅里叶变换的交通流时间序列和路网交通流数据分解方法,将交通流数据分解成基本的趋势项和随机波动项。充分考虑交通流的时空相关性,利用K近邻（K-nearest Neighbor,KNN）算法对路网中的不同路段的交通流数据进行筛选,在基于图傅里叶变换（Graph Fourier Transform,GFT）交通数据分解的基础上,结合深度学习模型中长短期记忆网络（Long Short-Term Memory,LSTM）处理时间序列的优势,提出了一种融合KNN、GFT和LSTM的组合交通流预测模型KNN-LSTM。实测的交通流数据测试结果表明,相比于传统的自回归滑动平均模型、机器学习中的经典模型支持向量机、浅层人工神经网络、深度信念网络和LSTM的深度学习模型,本文提出的方法具有更好的预测性能。针对现有关于大规模路网中所有路段交通流预测研究的不足,提出了一种基于K-means聚类分析和矩阵分解的路网交通流压缩预测方法。利用K-means聚类分析对路网中不同路段的交通流量进行聚类分析,以欧式距离作为判定标准将路网的路段划分为K个子集,对每个子集随机选择一个路段作为该子集所有路段的代表,从而构造路网数据的压缩矩阵。通过路网原始数据矩阵与构造的压缩矩阵计算两者之间的映射关系,对构造压缩矩阵的路段分别建立预测模型进行交通流预测,最后通过映射关系获得整个路网所有路段交通流的预测结果。实验结果表明提出的方法在保证预测精度的条件下,大大提高了运算速度,是一种有效的大规模路网交通流预测方法。
张振[2]（2020）在《基于车辆通行大数据的高速公路路况预测的研究与应用》文中提出随着高速公路路网的不断建设与完善,高速公路收费口和道路中心使用了大量监测设备记录通行的车辆信息,从而在高速公路监测系统中存储了海量的车辆通行数据。如何有效地从这些通行数据中,挖掘出更多有价值信息近年来成为研究的焦点之一。本文将结合数据挖掘技术和大数据技术,通过对海量通行数据的挖掘分析,得到高速公路路段的交通量和交通速度信息,实现对未来交通量和交通速度的预测。在此基础上,利用预测出的交通量和交通速度等多个因素,构建高速公路路况状况评价体系,从而对高速公路未来路况的作出预测,为高速公路运营管理和居民出行提供有价值的参考。本文的主要工作和创新点如下:1.针对传统交通量预测模型仅考虑交通量的时间特性而导致预测效果不佳的问题,本文将交通量的时间和空间特性相结合,提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）与LightGBM结合的交通量预测模型。该模型首先利用CNN模型挖掘出高速公路相邻路段监测点和出入口的时间和空间关联性,实现对交通量数据的时空特征提取,然后将提取到的特征向量输入到LightGBM模型中,实现对交通量的预测。实验结果表明,该模型比以往模型具有较好的预测性能。2.在交通速度预测方面,考虑到长短期记忆（Long Short-Term Memory,LSTM）网络模型只能单向提取交通速度特征的局限性,设计了基于注意力机制的双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）网络的交通速度预测模型。该模型首先采用具有正向LSTM和反向LSTM结合特性的BiLSTM模型提取交通速度特征,然后引入注意力机制突出在交通速度预测中对结果起关键作用的特征,并为它们分配不同的权重。实验结果表明,基于注意力机制的BiLSTM网络的交通速度预测模型可以提高预测精度。3.根据预测出的交通量和交通速度,提出了一种改进的模糊综合评价法用于评价高速公路路况。该算法结合高速公路道路运行情况,将预测出的交通量和交通速度转化为路段未来的饱和度、交通速度和交通密度等高速公路路况评价指标,采用模糊综合评价法评价出高速公路路段的未来路况等级。在权重系数计算方面,本文考虑到人为主观性和客观事实两种情况对实验的影响,同时考虑到专家打分时存在的不确定性的问题,提出了基于区间层次分析法（Interval Analytic Hierarchy Process,IAHP）与熵权法结合的方式用于改进高速公路路况权重系数。使用该方法分别计算出白天和夜间两种情况下的权重系数,再通过梯形隶属度函数的方式确定了各个指标在不同时刻的隶属度,最后得到不同时间的高速公路路况。经过与实际情况对比发现该判断方法符合高速公路路况的变化规律。最后,结合实际项目,应用以上研究成果设计并开发了一款高速公路路况预测平台,实现对研究成果的可视化展示。该平台集成了通行车辆数据采集与查询、高速公路路况指标查询、高速公路路况趋势和高速公路路况查询等功能。该系统能够对未来路况进行展示,能较好的满足实际应用的需求。
肖捡花[3]（2020）在《交通领域下在线集成时间序列预测方法及应用研究》文中指出交通领域下的时间序列数据（time series data）是指某一时间段下顺序采集到的数据,它通常用于客观地描述和记录车辆行驶过程中的某一事物或现象随时间变化的发展规律。通过对该领域下的时间序列数据进行分析,可以很大程度地挖掘数据中所隐藏的变化规律,从而对构建和谐交通、拥堵避免以及安全行驶做出重大贡献。而时间序列预测是分析时间序列数据的主要方式,它可以通过挖掘数据中所隐藏的变化规律,构建其预测模型来预测某一现象或事物的发展趋势。因此,如何构建交通领域下的时间序列预测模型具有重要的现实意义和研究价值。在构建时间序列预测模型时,通常需要考虑以下两个方面。首先,时间序列数据是一种数据体量大、种类繁多且可真实反映事物或现象变化的大规模数据,因此预测模型通常必须具备训练大规模数据集的能力,而在线学习（online learning）是实现大规模数据学习的技术手段之一;其次,在非平稳环境中采集数据时会受到外部环境的影响,使得数据原本的分布情况随时间的推移发生改变,即存在概念漂移（concept drift）的现象,而集成学习（ensemble learning）作为一种辅助框架为解决概念漂移问题提供了重要的突破口。针对时间序列预测中存在的待处理数据庞大和概念漂移的问题,本文以交通领域中采集到的时间序列数据为基础,结合在线学习和集成学习,对如何构建基于在线集成学习的时间序列预测模型展开研究。本文主要的工作和贡献如下:1.提出一种基于非参数核平滑的在线集成回归模型在线学习是一种有效提高机器学习算法空间效率的技术,而集成学习作为实现组合算法的技术之一被广泛地应用于模型的性能优化领域。针对在线学习不允许再训练导致的参数选取困难的问题,提出一种基于非参数核平滑的在线集成回归模型。该模型首先引入拓扑学习神经网络,通过改进核密度回归方法将拓扑学习神经网络转换成一种前馈神经网络,并推导出相应的回归表达式;然后,设计最大似然估计用于回归模型的自适应参数选取;最后,通过结合集成学习的加权训练策略,提高拓扑学习回归预测模型的性能。所提出的方法在UCI数据集和交通流数据集上的对比实验结果表明,该方法的预测精度最高可分别提升45.27%和54.29%。2.提出一种基于分类型损失函数的增量回归预测模型在非平稳环境下所收集到的数据会受到外界环境影响而发生分布上的变化,即概念漂移的发生。不同的非平稳环境会发生不同的概念漂移,其中包括突然地、快速地、渐进地或周期性地甚至是变化率不同的概念漂移。因而导致具有固定的模型类型和参数设置的传统时间序列预测方法的性能逐渐下降。针对概念漂移带来的预测困难,提出一种概念漂移环境下的增量回归模型,以解决在非平稳环境下的数据分布变化问题。该模型首先通过将时间序列预测的回归任务转换为二元分类任务;其次,基于此变换构造出用于增量学习和集成学习的分类型损失函数;最后,通过将逐步更新的分离超平面进行公式推导得到最终的增量回归模型。在交通流预测应用上的实验结果表明,该方法的表现相较于现有的增量回归和集成回归方法更具稳定性,其预测精度最高可提升53.41%。3.提出一种基于在线迁移回归的集成位置预测模型时间序列数据通常存在前后点不一定是相邻时刻,即可能发生数据缺失的问题。尤其是在基于GPS设备的采集过程中,由于采集频率、设备精度、以及基站和GPS信号强弱等不同层次的原因,造成所采集到的位置时序数据在时间刻度上的观测值是不准确的甚至是缺失的。针对因GPS信号中断所带来的位置时序数据丢失的问题,提出一种在线迁移回归模型。该模型首先将GPS数据和辅助车辆行驶数据进行融合再进行训练;然后,在数据缺失期间,利用迁移学习来降低不利于当前情况下的训练样本的权重;最后,通过建立分类类型损失函数以进行集成回归学习,从而获得在线迁移回归模型。实验采用了真实的车辆位置数据集来验证,其结果表明所提出的方法相比现有的方法的预测精度提高了13.47%—61.51%。4.提出一种基于自适应分类型加权策略的在线集成LSTM预测模型单个长短期记忆神经网络（long short-term memory,LSTM）因其特殊的网络结构导致其训练时会产生大量的网络参数。且在每一个时间步长内会快速修改和更新LSTM记忆单元,从而对网络内部进行动态调整。针对单个LSTM的参数优化工程量大和内部变化难以捕捉的问题,提出一种基于自适应加权策略的在线集成LSTM预测模型。该模型首先基于虚拟二分类思想构造出用于回归任务的分类类型损失函数;然后,为了捕获基础LSTM模型在每一个时间步长下的变化,设计出一种自适应分类型加权策略,从而得到基于LSTM的在线集成预测模型。在交通速度预测应用上的实验结果表明,所提出的预测模型在性能上比单个LSTM模型提升了35.13%—48.02%,且比现有的集成LSTM方法提高了14.5%—28.45%。
魏丹[4]（2020）在《基于机器学习的交通状态判别与预测方法》文中进行了进一步梳理随着社会经济的高速发展,出行需求持续增加,城市路网所承受的压力也逐年增加,进行城市路网交通状态判别与预测,不仅能够为道路交通管理者提供优化目标,有利于提升管理质量,还能够为道路出行者提供出行信息。同时,随着ITS的逐步实施,以及来源于城市路网中地面交通检测设备、视频检测设备等各种交通数据采集设备的大量、多样、多源的交通数据,如何充分利用交通大数据进行城市路网交通管理是一个重要问题。此时,传统的交通数据分析已不适用于大量的交通数据。因此,有必要进一步探究适用于交通大数据和当前城市路网状态的新的交通状态判别与预测方法,以充分挖掘交通大数据蕴含的丰富交通信息,进一步提升城市路网交通状态判别与预测的准确性与可靠性。本研究旨在提高交通状态判别与预测的效果,在分析各类交通数据的基础上,采用先进机器学习方法,并有机结合特征选择、参数优化等理论方法,对交通状态判别与预测方法展开深入研究,主要研究内容及成果如下:（1）基于RBF神经网络的交通流缺失数据修复方法神经网络用于交通流领域研究的优势在于神经网络亩能够简化研究模型时的建模过程,尤其是针对交通流的非线性特征,对于复杂的非线性问题具有良好的解决能力。研究发现,RBF神经网络具有自组织、自学习、自适应的功能,不会出现局部极小值问题,对非线性的连续函数具有一直逼近性,训练速度较快,同时它可以对数据进行大范围的融合,高速处理数据。因此,本文以RBF神经网络为主体构建了交通流预测模型,随后利用模型预测值修复交通流缺失数据。为了验证其可行性和精确度,本文将提出的模型与一元非线性回归模型以及BP神经网络模型的修复精度进行了对比,结果表明本文提出的基于RBF神经网络的模型对于交通流缺失数据的修复效果更好。（2）基于小波和改进BP神经网络的交通事件自动检测方法本文在研究基础上提出了 一种基于小波和改进BP神经网络进行道路交通事件自动检测的方法,即利用小波变换对采集的交通参数数据进行处理,得到小波奇异值,随后作为改进BP神经网络的输入进行学习训练得到神经网络权值,以实现道路交通事件自动检测。（3）基于GA-ANN的交通事件持续时间预测方法本文提出了 一种特征选择方法,该方法使用遗传算法建立两个基于人工神经网络的模型,提供从事件通知到事件现场清除的事件持续时间的连续预测。这两个模型可以通过在通知事件时插入相关的交通数据来提供估计的持续时间。为了选择数据特征,遗传算法旨在减少模型输入的数量,同时保留相关的交通特征。使用所提出的特征选择方法,预测每个时间点的事故持续时间的平均绝对百分比误差大多在28%以下,这表明这些模型具有合理的预测能力。基于这个模型,出行者和交通管理部门可以更好的了解事故的影响。研究表明,所提出的模型在智能交通系统环境中是可行的。（4）基于PNW的交通状态判别方法本文提出了一种基于概率神经网络的道路交通状态实时判别方法。在选择城市道路交通状态分类指标时,考虑了日益增多的公交车数量及一些地区存在的大型货车和大型客车,选择了大车比例作为状态识别的指标之一,并提出了一种确定分类指标个数的方法,即通过计算彼此之间的相关系数来确定最终的指标。结果表明,本章提出的方法在城市道路交通状态判别中是可行和有效的。（5）基于改进遗传算法优化的小波神经网络短时交通流预测模型在本文中,考虑到收敛速度慢和小波神经网络预测算法的局部最优问题,我们提出了一种基于遗传算法优化的小波神经网络预测模型以改进初始小波神经网络预测模型的参数,并将遗传算法与小波神经网络预测模型结合用于短期交通流量预测,在遗传算法中,引入了模糊聚类搜索策略,增加了种群的多样性,避免了遗传算法中的早熟收敛问题,从而实现了解空间的全局优化。
王延鹏[5]（2020）在《基于TVF-EMD的主干道路口短时交通流量预测研究》文中提出随着我国经济的快速发展与综合国力的不断提升,城市汽车保有量持续增长,交通需求远远大于交通供给,导致了严重的城市交通拥堵、交通环境污染和交通安全等问题。发展建设智能交通系统（ITS）,挖掘现有交通基础设施的潜力,是缓解城市交通问题的有效措施。短时交通量预测是智能交通系统的关键技术方法之一,基于科学、精准、可靠的短时交通量预测所建立的智能交通系统,可以提高交叉口的通行效率,为出行者规划最佳的出行路线,诱导民众选用合理的交通方式出行。因此,探究短时交通量预测精度与可靠性的影响因素,构建性能优异的短时交通量预测模型,对支撑智能交通系统的建设发展,改善城市交通管理水平,缓解城市交通拥堵具有重要的意义。本文首先阐述了短时交通量相关基础理论,分析了短时交通量特性,剖析了几种短时交通量预测方法的利弊;接着,分析介绍了短时交通量原始数据预处理的方法、不同数据分解处理方法的优缺点、时变滤波经验模态数据分解（TVF-EMD）方法的优势;其次,基于TVF-EMD与最小二乘支持向量机（LSSVM）智能预测模型,构建了TVF-EMD-LSSVM混合预测模型,并给出该模型的求解方法;然后,建立了广义自回归条件异方差（GARCH）模型,选取平均绝对误差、平均相对百分比误差、均方根误差、均方根相对误差、均等系数平均置信区间宽度和无效覆盖率7个指标评价预测精度与可靠性;最后,利用重庆市主城区某主干道路两个进口道A、B的交通量数据,进行案例应用分析,将本文建立的短时交通量混合预测模型TVF-EMD-LSSVM的预测结果与经验模态分解-最小二乘支持向量机混合预测模型（EMD-LSSVM）、LSSVM和自回归综合移动平均（ARIMA）模型的预测结果进行比较。结果表明,本文构建的短时交通量混合预测模型TVF-EMD-LSSVM的预测精度更高,可靠性更好。本文以城市主干道进口道的短时交通量为研究对象,利用TVF-EMD数据分解处理方法与LSSVM预测模型的优势,研究构建出基于数据分解的混合预测模型TVF-EMD-LSSVM,在一定程度上,提高了短时交通量的预测精度,改善了短时交通量的预测可靠性,完善了短时交通量的预测模型理论方法。
陈攀[6]（2020）在《基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究》文中研究说明城市短期供水量预测是城市供水系统优化调度的基础,可为水务公司的优化调度做出决策,提高水资源利用率,同时节约能耗。本文为进一步提高城市短期供水量预测的精度,利用收集某市水厂的实测数据（时间步长为15分钟）为研究对象,开展了基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究,主要研究成果及结论如下:（1）基于数据预处理技术及混沌理论对原供水量时间序列进行降噪处理和混沌特性判定。首先判断出原始时间序列中存在噪声,会严重干扰预测模型,影响预测结果的精确性,因此本文采用标准差数据降噪法进行一倍、二倍及三倍数据预处理,共计得到四组数据。然后利用互信息法及Cao法分别计算得到的最佳延迟时间及最优嵌入维数对降噪后的四组供水量时间序列进行相空间重构,并在此基础上对各预测模型进行模型的建立。最后采用定量分析法最大Lyapunov指数进行混沌特性判定,经计算各组供水量时间序列最大Lyapunov指数均大于零,表明四组供水量时间序列均具有混沌特性及可预测性。（2）基于神经网络、最小二乘支持向量机（LSSVM）及粒子群智能优化算法（PSO）对供水量实例进行预测分析。针对城市短期供水量非线性程度高、预测难度大的难题,本文利用非线性处理能力较强的BP、RBF神经网络以及LSSVM模型在相空间重构的基础上进行供水量预测。预测结果表明:（1）以上三种预测模型均能预测供水量整体趋势,但局部预测效果有较大提升空间;（2）适当的数据降噪处理可有效提升模型预测精度。考虑到BP、RBF神经网络预测精度受参数设置的限制,本文利用粒子群智能优化算法（PSO）对BP及RBF神经网络的参数进行优化,得到PSO-BP及PSO-RBF优化预测模型,并利用四组供水量实例进行模型验证及分析探讨。最终预测结果表明:（1）两种优化模型同样能够追踪四组供水量时间序列的整体变化趋势,且经PSO优化参数以及数据降噪后大幅提高了预测精度,降低了预测误差;（2）各组供水量时间序列中,PSO-BP神经网络的MAPE、MSE及R2三个评价指标较BP神经网络分别提升约5%、0.03及0.06;PSO-RBF神经网络的MAPE、MSE及R2三个评价指标较RBF神经网络分别提升约3%、0.02及0.03;（3）优化模型在局部预测效果上有了明显提升,且适当的数据降噪处理可有效提升模型预测精度。（3）基于PSO-BP、PSO-RBF优化预测模型及LSSVM模型,在组合预测方法上进行改进,提出一种新的PSO-ANN-LSSVM城市短期供水量串并联加权组合预测模型。针对单一预测模型存在精度低的问题,本文首先将PSO-BP及PSO-RBF优化模型分别与LSSVM模型采用串联组合方式进行单独预测,得到PSO-BP-LSSVM及PSO-RBF-LSSVM串联组合预测模型的预测结果,然后采用最优组合预测方法,利用固定权重将两者预测结果进行加权组合,最终得到串并联加权组合预测模型的预测结果。最终结果表明:（1）串并联加权组合预测模型的MAPE、MSE及R2三个评价指标较PSO-BP-LSSVM串联组合预测模型分别提升约0.9%、0.01及0.04,较PSO-RBF-LSSVM串联组合预测模型分别提升约0.5%、0.02及0.01;（2）相较于各单一模型（BP、RBF、LSSVM、PSO-BP、PSO-RBF）三个评价指标有大幅提升,其中MAPE提升幅度为4%～10%;MSE提升幅度为0.03～0.06;R2提升幅度为0.01～0.15;（3）其中一倍标准差降噪效果最优。
沈张果[7]（2020）在《基于相关向量机的短时交通流预测研究》文中研究指明道路交通堵塞问题是制约城市经济健康发展的关键因素之一,实时、精确的短时交通流预测是交通信号控制、交通分配、路径诱导、自动导航、事故检测等智能交通系统的前提。交通流系统是一个复杂的非线性系统,其高度时变性、随机性、复杂性和不确定性等特性给交通流的预测增加了困难,尤其是短时交通流预测,由于受到道路设施情况、天气状况等诸多外界以及人为原因的影响,预测的难度和复杂度要高于中长期交通流预测。作者在对交通流特性、影响短时交通流预测精度的关键因素及现有短时交通流预测模型的深入分析基础上,将实时性要求极高的短时交通流预测看作是小样本情况下的回归估计问题。鉴于相关向量机在小样本回归估计建模问题中取得的突出优势,本文建立了基于相关向量机的短时交通流预测模型,并通过机器学习、统计学习以及群体智能优化等方法和技术的应用,围绕相关向量机短时交通流预测模型中参数优化、样本量选择以及核函数构建等关键问题进行研究,力图针对短时交通流预测建模中尚未解决的问题进行一些探索性研究。围绕这些主题,本文主要研究成果及创新性体现在以下几个方面:（1）建立了基于相关向量机的短时交通流预测模型框架。以交通流量、占有率、平均速度等交通流参数为输入,对应时段交通流量值为输出,通过采用Shepard插值、配对T检验以及Clough-Tocher精化等技术对模型中核函数的构建和选择策略,并使用混沌理论和模拟退火算法相结合优化相关向量回归估计中核函数的参数。在真实车流数据集上的实验研究表明新模型相比经典预测模型实现了更好的预测和泛化性能。（2）提出了具有上下游路段感知能力的短时交通流预测模型。模型中考虑了与目标路段相邻路段的交通流量、平均车速和车道占有率等因素。通过融合语义理解和二值特征表示,以交通检测器收集到的目标路段的历史交通流量、上下游路段的历史及当前交通流量参数为输入,以对应时段交通流量为输出,建立了渐进式学习方法,结果表明所提出的具上下路段感知能力的RVR模型在相近训练及预测时间下可以得到比一般模型更好的预测性能。（3）提出了一种带季节性指数调节的短时交通流预测模型。新模型采用了DH季节性指数调节方法来描述高峰时间、假日,休息日以及天气变化等因素,并采用了RBF季节核和线性季节核分析交通流量预测涉及到的非线性数据模式,实际数据预测结果表明交通流量变化波动更快会导致更大的预测误差值,本文采用的季节性调整对处理这种带季节性趋势的数据预测问题大有裨益。（4）探索了新模型中样本量大小对预测性能影响的统计学规律。考虑模型中样本量大小与预测精度之间的平衡,提升了交通流预测实时性。采用Mann-Kendall方法和由Sen提出的非参数化等统计方法来检测样本量不同时,相关向量机短时交通流预测模型预测值的变化趋势。通过实验研究表明,相关向量机交通流预测模型对样本量敏感性更低,在样本量较小的时候可以得到比传统方法更好的预测效果。
刘媛媛[8]（2019）在《基于GIOWA算子的组合模型在铁路客运量预测中的应用研究》文中研究说明随着中国经济的飞速发展,城市间的联系变得愈加密切,我国进入客运线路大规模投资建设时期,大型铁路尤其是高速铁路的建成运营,有效缓解了目前客运能力紧张的局面。在铁路运输方面,对运量进行预测是铁路规划投资建设之前必须完成的一项重要工作,准确的铁路客运量预测在铁路建设项目经济评估、国家资源配置、铁路内部投资结构调整和经营管理等方面发挥着重要作用。因而,如何对铁路客运量进行科学合理的预测是交通领域一项重要的研究课题。通过对国内外铁路客运量预测的研究现状进行分析和总结,发现铁路客运量受多层次多方面因素影响,准确描述其发展变化规律较为复杂,导致传统预测方法所得的预测结果准确性有限,相关研究表明,使用GIOWA算子将不同的单项预测方法综合起来所得到的组合预测方法可以有效提高模型整体预测精度。该组合模型通过对每个单项预测方法在样本区间上各个时点的拟合精度的高低按顺序赋权,弥补了传统组合预测方法固定赋权的缺陷,从而有效提升了模型的预测性能。本文首先根据各单项预测模型的优缺点及适用性、GIOWA组合预测中单项模型的选取原则,结合铁路客运量变化的发展规律,遴选ARIMA模型、偏最小二乘回归模型和GRNN网络模型作为铁路客运量预测分析的单项模型;其次,对影响铁路客运量的诸多因素进行划分归类,并采用相关系数法最终确定了与铁路客运量相关的因素。然后,引入广义诱导因子GIOWA,选取了IOWA、IOWGA、IOWHA算子构建了铁路客运量组合预测模型。该组合预测模型在指标信息集结过程中,考虑了指标集自身的重要性程度以及单项模型预测结果的精确性,通过集成利用各单项预测模型的信息,有效降低了单项模型的预测误差。最后以我国铁路客运量及各影响因素历史数据为模型样本,分别建立基于时间序列的GIOWA组合预测模型和基于影响因素的GIOWA组合预测模型进行预测;然后,选取平均绝对误差、均方误差和平均绝对百分比误差作为评价指标验证各模型预测结果的精确性。结果表明,GIOWA组合预测模型所得结果相比各单项预测模型及传统预测方法,与实际客运量误差更小,预测精度更高,其中基于影响因素的GIOWA组合模型预测性能更优,验证了本文所提出的组合预测模型的有效性,能够为交通规划提供有效参考与借鉴。
刘钊[9]（2019）在《城市快速路短时交通流预测方法关键因素研究及应用》文中研究表明随着我国大城市道路基础设施建设的逐步完善,对城市交通系统的管理需求正逐步从被动式监控管理过渡到主动式管理。作为智能交通系统（ITS）的关键技术之一,短时交通流预测可以为主动式交通系统的管理提供及时、准确、可靠的交通信息服务。本论文利用实际的交通流数据,通过对短时交通流预测因素的分析,提出本论文的研究假设,围绕这一研究假设建立一个短时交通流预测建模框架,该预测框架把短时交通流均值预测和区间预测联系在一起,然后分别针对短时交通流均值预测和区间预测方法展开研究。论文的主要研究内容,可以分为以下几个方面:首先,从短时交通流预测因素、短时交通流均值预测方法和区间预测方法三个方面,对国内外文献进行分析,总结当前短时交通流预测研究的现状和存在的不足。其次,利用实际的交通流数据,从交通流的时间汇集度、流率水平和互相关性三个方面对短时交通流预测因素展开分析,重点探讨同一道路断面上车道与车道、车道与断面交通流变化的特征和互相关性。第三,根据国内外文献分析和短时交通流预测因素分析,提出本论文的研究假设,并围绕该研究假设建立一个短时交通流预测框架,该预测框架包含了交通流均值预测和区间预测。针对短时交通流均值预测,在利用交通流状态的相似性来重构历史交通流数据的基础上,应用多种预测方法建立组合预测模型,即对多种预测方法的预测结果进行线性加权组合。第四,针对短时交通流区间预测,提出三种不同的区间预测方法,分别为基于K近邻非参数、基于模糊信息粒化和基于GARCH模型的区间预测方法。其中,基于K近邻非参数的预测方法是利用选择的K个近邻值估计交通流均值的置信区间,而基于模糊信息粒化的区间预测是把交通流区间预测转换为交通流均值预测来处理,基于GARCH模型的预测方法则是针对交通流均值预测的误差序列进行建模。最后,利用实际的交通流数据,验证论文所提出的短时交通流均值预测和区间预测方法的有效性,并依次分析影响组合预测建模的关键因素,以及不同区间预测方法的特点,从而为短时交通流预测的实施提供理论基础和技术指导。
王硕[10]（2019）在《基于特性分析的短时交通流预测方法研究》文中研究说明随着我国社会经济的高速发展,城市化水平不断提升,机动车保有量急速增长,城市交通拥堵、交通安全和环境污染问题日益严重。作为解决城市交通问题最有效的方法之一,智能交通系统（Intelligent Traffic System,ITS）受到了世界范围内的广泛关注。交通控制和诱导作为ITS的核心应用,在缓解交通拥堵、提升交通安全和降低环境污染方面发挥着重要作用,而实现交通控制和诱导的基础在于实时准确的交通流预测。在交通流预测研究领域,国内外学者提出了大量具有开拓性和创新性的交通流预测方法。但由于研究重点多集中在模型和算法的优化上,较少考虑交通流数据自身特性,故难以在精度和稳定性上有所突破。因此本文在深入分析交通流数据的基础上,提出适应交通流特性的预测模型,实现实时准确的交通流预测,为交通控制和诱导提供基础。首先,在总结相关研究现状的基础上,对城市快速路的交通流特性进行分析。根据交通流的时空相关性,使用3D形函数时空插值方法进行缺失和错误数据的修复,以减小因异常数据产生的预测误差。根据交通流的混沌特性,使用相空间重构方法进行预测模型输入集的构造,以避免主观选择模型输入带来的误差。其次,在判别交通流混沌特性的基础上,引入回声状态神经网络,并使用相空间重构的数据建立了交通流预测模型。实验结果证明,与传统交通流预测模型相比,该模型精度更高。为解决模型超参数选择的难题,引入思维进化算法搜索回声状态网络的最优储备池参数组合。实验证明该算法不易陷入局部最优,通过该算法改进的回声状态网络具有更高预测精度。最后,针对交通流数据因剧烈波动而难以被准确预测的问题,在上述研究的基础上,建立了基于分解与重构的交通流预测模型。从数据结构的角度出发,将具有自适应分解能力的经验模式分解方法运用于交通流预测,从而将波动率大、非平稳的交通流序列转化为较为平稳的分解序列,增强其可预测性。实验证明该方法能够大幅提升交通流预测的精确度。同时,针对单一流量输入包含信息有限的问题,提出了基于多变量分解与重构的交通流预测模型。该模型根据交通流三参数的相关关系,将速度和占有率数据转换为理论流量数据,并将理论流量与实际流量进行分解与重构后共同作为预测模型输入,实验证明该方法可进一步提升交通流预测精度。图56幅,表20个,参考文献92篇。
二、一种改进的RBF神经网络及其在短期交通量预测中的应用（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一种改进的RBF神经网络及其在短期交通量预测中的应用（论文提纲范文）
（1）基于图傅里叶变换和深度学习的短时交通流预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路段交通流预测 |
| 1.2.2 路网交通流预测 |
| 1.2.3 交通流预测国内外研究总结 |
| 1.3 论文主要研究内容 |
| 1.4 技术路线 |
| 第二章 交通流基本特征及时空特性分析 |
| 2.1 概述 |
| 2.2 交通流的基本特征及交通流预测 |
| 2.2.1 交通流的基本特征 |
| 2.2.2 交通流预测的概念 |
| 2.2.3 交通流预测的流程 |
| 2.2.4 交通流预测的评价指标 |
| 2.3 相关性分析理论 |
| 2.3.1 相关系数 |
| 2.3.2 相关函数 |
| 2.4 交通流时空相关性分析 |
| 2.4.1 时间相关性分析 |
| 2.4.2 交通流空间相关性分析 |
| 2.5 多路段(断面)交通流时空特性分析 |
| 2.5.1 数据来源 |
| 2.5.2 多路段(断面)交通流时空相关性分析 |
| 2.6 路网交通流时空特性分析 |
| 2.6.1 数据来源 |
| 2.6.2 路网交通流时空相关性分析 |
| 2.7 本章小结 |
| 第三章 交通数据异常检测和缺失数据修复 |
| 3.1 概述 |
| 3.2 交通数据异常及检测 |
| 3.2.1 交通数据异常 |
| 3.2.2 交通数据异常检测常用方法 |
| 3.2.3 基于局部莱依达准则的交通异常数据检测 |
| 3.2.4 实验及结果分析 |
| 3.3 交通数据缺失及修复 |
| 3.3.1 数据缺失的分类 |
| 3.3.2 基于低秩矩阵分解的数据补全 |
| 3.3.3 改进的基于低秩矩阵分解的交通数据补全 |
| 3.3.4 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于图傅里叶变换的交通流数据分解 |
| 4.1 概述 |
| 4.2 图信号及图傅里叶变换 |
| 4.2.1 图信号的概念 |
| 4.2.2 图傅里叶变换 |
| 4.3 基于图傅里叶变换的交通数据分解 |
| 4.3.1 图信号理论分析交通流数据的可行性 |
| 4.3.2 路网交通数据邻接矩阵的构造 |
| 4.3.3 基于图傅里叶变换的交通流时间序列分解 |
| 4.3.4 基于图傅里叶变换的路网交通流数据分解 |
| 4.4 基于图傅里叶变换的交通流数据压缩 |
| 4.5 实验结果及分析 |
| 4.5.1 交通流数据预处理 |
| 4.5.2 交通流时间序列分解结果及分析 |
| 4.5.3 路网交通流分解结果及分析 |
| 4.5.4 交通流数据压缩结果及分析 |
| 4.6 本章小结 |
| 第五章 基于图傅里叶变换和深度学习的路段交通流预测 |
| 5.1 概述 |
| 5.2 深度学习基本理论 |
| 5.2.1 深度学习概述 |
| 5.2.2 循环神经网络模型 |
| 5.3 基于GFT分解的KNN-LSTM交通流预测模型 |
| 5.3.1 基于GFT分解的KNN-LSTM预测模型基本原理 |
| 5.3.2 基于图傅里叶变换的交通流量分解 |
| 5.3.3 基于k近邻算法的相关路段选择 |
| 5.3.4 基于GFT分解的KNN-LSTM路段交通流预测 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 基于数据压缩的路网交通流预测 |
| 6.1 概述 |
| 6.2 路网交通流压缩预测的基本原理 |
| 6.3 压缩矩阵的构造 |
| 6.3.1 基于能量的选择方法 |
| 6.3.2 基于奇异值分解的方法 |
| 6.3.3 相关分析法 |
| 6.3.4 基于K-means聚类分析的方法 |
| 6.4 基于改进K-means聚类的路网交通流预测 |
| 6.4.1 改进的K-means聚类方法 |
| 6.4.2 基于数据压缩的路网交通流预测步骤 |
| 6.5 多路段(断面)实验结果及分析 |
| 6.5.1 多路段交通流数据聚类分析 |
| 6.5.2 预测结果及分析 |
| 6.6 路网实验结果及分析 |
| 6.6.1 路网交通流数据聚类分析 |
| 6.6.2 预测结果及分析 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）基于车辆通行大数据的高速公路路况预测的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通参数的预测方法 |
| 1.2.2 路况的评价方法 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 高速公路路况预测的关键技术研究 |
| 2.1 引言 |
| 2.2 分布式大数据技术 |
| 2.3 高速公路路况评价 |
| 2.3.1 高速公路路况建模过程 |
| 2.3.2 数据归一化原理 |
| 2.3.3 模型评价标准 |
| 2.4 交通量预测模型原理 |
| 2.4.1 卷积神经网络模型原理 |
| 2.4.2 LightGBM模型原理 |
| 2.5 交通速度预测模型原理 |
| 2.5.1 BiLSTM模型原理 |
| 2.5.2 注意力机制原理 |
| 2.6 本章小结 |
| 第三章 基于CNN与 LightGBM结合的交通量预测模型研究 |
| 3.1 引言 |
| 3.2 交通量数据预处理 |
| 3.2.1 数据来源与问题分析 |
| 3.2.2 原始数据处理与统计 |
| 3.2.3 交通量数据处理 |
| 3.3 交通预测模型 |
| 3.3.1 交通量时空特性分析 |
| 3.3.2 基于LightGBM交通量预测模型 |
| 3.3.3 基于CNN的交通量预测模型 |
| 3.3.4 基于CNN-LightGBM的交通量预测模型 |
| 3.3.5 模型预测结果 |
| 3.4 本章小结 |
| 第四章 基于Attention-BiLSTM模型的交通速度预测研究 |
| 4.1 引言 |
| 4.2 交通速度数据预处理 |
| 4.2.1 原始数据预处理 |
| 4.2.2 通行时间的计算与筛选 |
| 4.2.3 速度数据的计算 |
| 4.3 .交通速度预测模型 |
| 4.3.1 基于BiLSTM的交通速度预测模型 |
| 4.3.2 基于Attention-BiLSTM的交通速度预测模型 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于模糊评价法的高速公路路况评定算法 |
| 5.1 引言 |
| 5.2 高速公路路况判定指标定义 |
| 5.2.1 路况评价因素指标的选取 |
| 5.2.2 路况评价标准 |
| 5.3 基于模糊评价的路况评价方法 |
| 5.3.1 建立高速公路路况的指标集 |
| 5.3.2 建立高速公路路况的评价集 |
| 5.3.3 基于IAHP-熵权法的权重系数确定方法 |
| 5.3.4 确立评价因素指标隶属度 |
| 5.3.5 确立多因素指标下的模糊综合评价矩阵 |
| 5.3.6 最终等级确定方法 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 高速公路路况预测平台的设计与开发 |
| 6.1 引言 |
| 6.2 系统设计 |
| 6.2.1 开发环境 |
| 6.2.2 技术路线 |
| 6.2.3 系统的难点和解决方案 |
| 6.2.4 系统硬件架构 |
| 6.2.5 系统软件架构 |
| 6.2.6 数据库的设计 |
| 6.3 系统平台展示 |
| 6.3.1 登录系统页面 |
| 6.3.2 车辆查询页面 |
| 6.3.3 高速公路路况指标查询页面 |
| 6.3.4 高速公路路况趋势页面 |
| 6.3.5 高速公路路况查询页面 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 主要成果 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（3）交通领域下在线集成时间序列预测方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通领域下的时间序列预测应用的研究现状 |
| 1.2.2 时间序列预测方法的研究现状 |
| 1.2.3 在线集成学习预测方法的研究现状 |
| 1.3 时间序列预测中的关键问题 |
| 1.4 论文的研究内容 |
| 1.4.1 论文的主要创新点 |
| 1.4.2 论文的组织结构 |
| 第2章 时间序列预测及其相关模型 |
| 2.1 时间序列预测问题描述 |
| 2.2 相关模型介绍 |
| 2.2.1 参数模型 |
| 2.2.2 非参数模型 |
| 2.2.3 集成学习算法 |
| 2.2.4 在线集成算法 |
| 2.3 现有在线集成学习方法的不足与发展前景 |
| 2.3.1 现有在线集成学习方法的不足之处 |
| 2.3.2 在线集成学习方法的发展前景 |
| 2.4 本章小结 |
| 第3章 基于非参数核平滑的在线集成回归模型 |
| 3.1 引言 |
| 3.2 基于拓扑学习的核密度回归和Adaboost算法简介 |
| 3.2.1 拓扑学习和核密度回归 |
| 3.2.2 Adaboost |
| 3.3 非参数在线集成核平滑回归框架 |
| 3.3.1 最大似然平滑参数选取 |
| 3.3.2 局部策略 |
| 3.3.3 集成拓扑学习回归框架 |
| 3.4 对比实验 |
| 3.4.1 在UCI数据集上的对比试验 |
| 3.4.2 时间序列预测:交通流预测 |
| 3.5 本章小结 |
| 第4章 基于分类型损失函数的增量回归预测模型 |
| 4.1 引言 |
| 4.2 SVM和 Learn++模型简介 |
| 4.2.1 SVM |
| 4.2.2 Learn++ |
| 4.3 基于SVR和 Learn++的在线集成回归算法框架设计 |
| 4.3.1 R2C集成学习 |
| 4.3.2 适应非线性核的R2C框架 |
| 4.4 基于R2C和 Learn++的回归算法实现 |
| 4.4.1 增量集成算法分析和描述 |
| 4.4.2 R2C-SVR算法实现 |
| 4.5 对比实验研究 |
| 4.5.1 数据集描述 |
| 4.5.2 数据预处理 |
| 4.5.3 参数敏感性分析 |
| 4.5.4 在概念漂移和非平稳环境下的对比实验 |
| 4.5.5 连续预测三周的对比实验 |
| 4.6 本章小结 |
| 第5章 基于在线迁移回归的集成位置预测模型 |
| 5.1 引言 |
| 5.2 问题描述和算法简介 |
| 5.2.1 问题描述 |
| 5.2.2 迁移学习形式化表达 |
| 5.2.3 Tr Adaboost |
| 5.3 基于在线迁移学习的车辆位置预测模型 |
| 5.3.1 线性在线迁移回归模型构建 |
| 5.3.2 非线性在线迁移回归模型设计 |
| 5.4 在线迁移回归算法设计和实现 |
| 5.5 对比实验 |
| 5.5.1 实验设置 |
| 5.5.2 参数选择模型 |
| 5.5.3 对比实验分析和讨论 |
| 5.6 本章小结 |
| 第6章 基于自适应加权策略的在线集成LSTM预测模型 |
| 6.1 引言 |
| 6.2 LSTM神经网络基础简介 |
| 6.3 基于R2C的 LSTM分类类型损失 |
| 6.3.1 在线集成R2C框架 |
| 6.3.2 LSTM的分类类型损失构建 |
| 6.4 在线集成LSTM模型设计 |
| 6.4.1 自适应分类型权值策略 |
| 6.4.2 基于自适应加权的在线集成LSTM模型 |
| 6.5 对比实验研究 |
| 6.5.1 数据集选择和预处理 |
| 6.5.2 时间步长参数分析 |
| 6.5.3 未来5 分钟交通速度预测对比实验 |
| 6.5.4 多种预测时间间隔的对比实验 |
| 6.6 本章小结 |
| 结论 |
| 本文工作总结 |
| 工作展望 |
| 参考文献 |
| 附录 攻读博士期间发表学术论文 |
| 致谢 |
（4）基于机器学习的交通状态判别与预测方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 交通缺失数据修复研究现状 |
| 1.2.2 交通事件自动检测研究现状 |
| 1.2.3 交通事件持续时间预测研究现状 |
| 1.2.4 交通状态判别研究现状 |
| 1.2.5 短时交通流预测研究现状 |
| 1.3 研究框架及章节安排 |
| 1.3.1 研究框架 |
| 1.3.2 章节安排 |
| 1.4 本章小结 |
| 第2章 基于RBF神经网络的交通流缺失数据修复 |
| 2.1 概述 |
| 2.2 交通流缺失数据 |
| 2.2.1 交通流缺失数据分类 |
| 2.2.2 基于矩阵的交通流缺失数据表达 |
| 2.3 基于RBF神经网络的缺失数据修复方法 |
| 2.3.1 交通流缺失数据修复方法分析 |
| 2.3.2 基于RBF神经网络数据修复 |
| 2.4 模型验证 |
| 2.4.1 数据选取 |
| 2.4.2 模型构建 |
| 2.4.3 验证分析 |
| 2.5 本章小结 |
| 第3章 基于小波和改进BP神经网络的交通事件检测 |
| 3.1 概述 |
| 3.2 基于小波变换的交通流数据奇异值提取 |
| 3.2.1 交通事件自动检测特征量选择 |
| 3.2.2 小波理论 |
| 3.2.3 交通流数据奇异值提取 |
| 3.3 GA优化的BP神经网络交通事件检测方法 |
| 3.3.1 BP神经网络 |
| 3.3.2 GA优化的BP神经网络 |
| 3.3.3 基于小波和改进BP神经网络的城市交通事件检测模型 |
| 3.4 模型验证 |
| 3.4.1 数据选取 |
| 3.4.2 模型构建 |
| 3.4.3 验证分析 |
| 3.5 本章小结 |
| 第4章 基于GA-ANN的交通事件持续时间预测 |
| 4.1 概述 |
| 4.2 ANN交通事件持续时间预测模型 |
| 4.2.1 ANN属性融合 |
| 4.2.2 ANN交通事件持续时间预测模型构建 |
| 4.3 基于GA-ANN的交通事件持续时间预测模型 |
| 4.3.1 模型结构 |
| 4.3.2 模型输入和输出 |
| 4.3.3 基于GA的特征选择 |
| 4.3.4 基于GA的特征选择模型构建 |
| 4.4 模型验证 |
| 4.4.1 数据选取 |
| 4.4.2 模型构建 |
| 4.4.3 验证分析 |
| 4.5 本章小结 |
| 第5章 基于PNN的交通状态判别方法 |
| 5.1 概述 |
| 5.2 概率神经网络 |
| 5.3 交通状态判别方法 |
| 5.3.1 交通状态划分指标 |
| 5.3.2 交通状态划分 |
| 5.3.3 交通状态判别 |
| 5.4 模型验证 |
| 5.4.1 数据选取 |
| 5.4.2 模型构建 |
| 5.4.3 验证分析 |
| 5.5 本章小结 |
| 第6章 基于改进遗传算法优化的小波神经网络短时交通流预测 |
| 6.1 概述 |
| 6.2 小波神经网络交通预测模型 |
| 6.3 基于改进遗传算法的小波神经网络短时交通流预测模型 |
| 6.3.1 基本遗传算法 |
| 6.3.2 遗传算法的改进 |
| 6.3.3 基于模糊聚类搜索策略的遗传算法步骤 |
| 6.3.4 改进遗传算法优化小波神经网络预测模型参数 |
| 6.4 模型验证 |
| 6.4.1 数据选取 |
| 6.4.2 模型构建 |
| 6.4.3 验证分析 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（5）基于TVF-EMD的主干道路口短时交通流量预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 研究现状综述 |
| 1.3 研究内容及论文的组织架构 |
| 1.4 研究方法与技术路线 |
| 1.5 本章小结 |
| 第2章 交通流基础理论与预测方法分析 |
| 2.1 交通流基础理论 |
| 2.2 城市主干道路口短时交通量预测需求分析 |
| 2.2.1 短时交通量特性 |
| 2.2.2 主干道路口短时交通量预测的重要性与需求性 |
| 2.3 短时交通量预测方法比较分析 |
| 2.2.1 统计学理论预测模型 |
| 2.2.2 非线性预测模型 |
| 2.2.3 智能预测模型 |
| 2.2.4 混合预测模型 |
| 2.2.5 预测模型利弊比较分析 |
| 2.4 本章小结 |
| 第3章 交通量数据分析与处理 |
| 3.1 短时交通量数据预处理 |
| 3.2 短时交通量数据特性分析 |
| 3.3 短时交通量数据的分解方法与不足 |
| 3.3.1 小波分解 |
| 3.3.2 变分模态分解 |
| 3.3.3 经验模态分解 |
| 3.3.4 集合经验模态分解 |
| 3.3.5 分解方法对比分析 |
| 3.4 时变滤波经验模态分解 |
| 3.5 本章小结 |
| 第4章 基于TVF-EMD的短时交通量预测模型构建与可靠性评估 |
| 4.1 基于数据分解的混合预测模型TVF-EMD-LSSVM构建流程 |
| 4.2 时变滤波经验模态分解数据处理方法 |
| 4.2.1 局部截止频率的估计 |
| 4.2.2 构建时变滤波器获取局部均值函数 |
| 4.2.3 判断是否满足停止准则 |
| 4.3 最小二乘支持向量机预测模型的构建 |
| 4.4 最小二乘支持向量机预测模型的求解 |
| 4.5 预测的可靠性分析 |
| 4.5.1 广义自回归条件异方差模型 |
| 4.5.2 异方差性检验 |
| 4.5.3 置信区间的确定 |
| 4.6 模型预测精度与可靠性的评价指标选取 |
| 4.7 本章小结 |
| 第5章 案例应用分析 |
| 5.1 交通量原始数据描述 |
| 5.2 交通量原始数据的预处理 |
| 5.3 A进口道TVF-EMD-LSSVM混合预测模型短时交通量预测 |
| 5.3.1 时变滤波经验模态分解数据处理 |
| 5.3.2 基于TVF-EMD的最小二乘支持向量机预测模型的构建 |
| 5.3.3 基于TVF-EMD的最小二乘支持向量机预测模型的求解 |
| 5.3.4 TVF-EMD-LSSVM预测模型预测结果与可靠性分析 |
| 5.4 A进口道其它模型短时交通量预测 |
| 5.5 A进口道短时交通量预测结果分析与评价 |
| 5.6 B进口道TVF-EMD-LSSVM混合预测模型短时交通量预测 |
| 5.6.1 时变滤波经验模态分解数据处理 |
| 5.6.2 基于TVF-EMD的最小二乘支持向量机预测模型的构建 |
| 5.6.3 基于TVF-EMD的最小二乘支持向量机预测模型的求解 |
| 5.6.4 TVF-EMD-LSSVM预测模型可靠性分析 |
| 5.7 B进口道其它模型短时交通量预测 |
| 5.8 B进口道短时交通量预测结果分析与评价 |
| 5.9 案例预测与评价结果分析 |
| 5.10 本章小结 |
| 第6章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间取得的研究成果 |
（6）基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 城市供水量预测方法及智能优化算法简介 |
| 1.3.1 人工神经网络 |
| 1.3.2 支持向量机模型 |
| 1.3.3 基于混沌理论的预测模型 |
| 1.3.4 整合自回归移动平均模型 |
| 1.3.5 组合预测模型 |
| 1.3.6 智能优化算法 |
| 1.3.7 城市供水量预测方法及智能优化算法归纳 |
| 1.4 模型预测精度评价指标 |
| 1.5 章节内容安排、技术路线及创新点 |
| 1.5.1 章节内容安排 |
| 1.5.2 技术路线 |
| 1.5.3 创新点 |
| 第二章 供水量时间序列可预测性分析 |
| 2.1 供水量数据预处理 |
| 2.2 混沌理论 |
| 2.2.1 相空间重构 |
| 2.2.2 混沌特性分析 |
| 2.3 本章小结 |
| 第三章 BP和RBF神经网络及粒子群算法优化模型 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络结构 |
| 3.1.2 BP神经网络算法 |
| 3.1.3 BP神经网络优缺点 |
| 3.1.4 BP神经网络模型建立 |
| 3.1.5 BP神经网络预测结果及分析 |
| 3.2 RBF神经网络 |
| 3.2.1 RBF神经网络结构 |
| 3.2.2 RBF神经网络算法 |
| 3.2.3 RBF神经网络优缺点 |
| 3.2.4 RBF神经网络模型建立 |
| 3.2.5 RBF神经网络预测结果及分析 |
| 3.3 粒子群算法 |
| 3.3.1 粒子群算法(PSO)简介 |
| 3.3.2 粒子群算法优缺点 |
| 3.4 粒子群算法优化神经网络 |
| 3.4.1 优化流程 |
| 3.4.2 优化模型预测结果及分析 |
| 3.5 本章小结 |
| 第四章 最小二乘支持向量机 |
| 4.1 支持向量机 |
| 4.1.1 VC维 |
| 4.1.2 结构风险最小化 |
| 4.1.3 核函数方法 |
| 4.2 SVM回归预测算法原理 |
| 4.3 SVM的时间序列回归预测算法原理 |
| 4.4 最小二乘支持向量机回归预测算法 |
| 4.5 参数确定 |
| 4.5.1 参数对模型的影响 |
| 4.6 LSSVM预测结果及分析 |
| 4.7 本章小结 |
| 第五章 PSO-ANN-LSSVM组合预测模型研究 |
| 5.1 组合预测简介 |
| 5.1.1 组合预测方法分类 |
| 5.1.2 预测模型组合方式 |
| 5.2 组合预测模型建立 |
| 5.2.1 基础模型选择 |
| 5.2.2 组合预测模型算法原理 |
| 5.3 组合预测模型结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作及结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.攻读学位期间发表论文及参与的科研项目 |
（7）基于相关向量机的短时交通流预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的意义 |
| 1.2 短时交通流预测 |
| 1.2.1 交通流及其特性 |
| 1.2.2 短时交通流预测问题及基本流程 |
| 1.2.3 短时交通流预测模型现状分析 |
| 1.3 本文主要的研究内容 |
| 1.4 本文研究技术路线 |
| 1.5 本文的组织结构 |
| 第2章 短时交通流预测研究进展 |
| 2.1 引言 |
| 2.2 基于时间序列模型的短时交通流预测 |
| 2.3 基于卡尔曼滤波模型的短时交通流预测 |
| 2.4 基于神经网络模型的短时交通流预测 |
| 2.5 基于K近邻模型的短时交通流预测 |
| 2.6 基于支持向量机模型的短时交通流预测 |
| 2.7 基于深度学习模型的短时交通流预测 |
| 2.8 本章小结 |
| 第3章 基于混沌模拟退火优化的RVR短时交通流预测模型 |
| 3.1 引言 |
| 3.2 基于混沌模拟退火优化的RVR短时交通流预测 |
| 3.2.1 相关向量机用于回归估计 |
| 3.2.2 混沌模拟退火用于相关向量机参数优化 |
| 3.2.3 混沌模拟退火优化相关向量机用于短时交通流预测 |
| 3.3 实验分析 |
| 3.3.1 比较的标准 |
| 3.3.2 使用的数据集 |
| 3.3.3 数据归一化及数据回放 |
| 3.3.4 模型中核函数选择 |
| 3.3.5 模型预测性能分析 |
| 3.4 本章小结 |
| 第4章 具有上下游路段感知能力的RVR短时交通流预测 |
| 4.1 引言 |
| 4.2 具有上下游路段感知能力的短时交通流预测模型 |
| 4.2.1 具有上下游路段感知能力的RVR短时交通流预测模型基本框架 |
| 4.2.2 具有上下游路段感知能力的短时交通流预测模型 |
| 4.2.3 具有上下游路段感知能力的RVR短时交通流预测模型参数优化 |
| 4.3 与相关工作的实验比较 |
| 4.3.1 比较的标准 |
| 4.3.2 使用的数据集 |
| 4.3.3 模型预测性能分析 |
| 4.4 本章小结 |
| 第5章 考虑季节性因素的RVR短时交通流预测 |
| 5.1 引言 |
| 5.1.1 短时交通流预测的季节性分析 |
| 5.2 季节性预测方法 |
| 5.2.1 双季节Holt-Winters(DSHWES) |
| 5.2.2 自回归滑动平均及季节性自回归滑动平均预测(SARIMA) |
| 5.2.3 考虑季节性因素的支持向量机预测(SSVRCSA) |
| 5.3 考虑季节性因素的RVR短时交通流预测(SRVRCSA) |
| 5.3.1 季节性指数调节方法 |
| 5.3.2 RVRCSA模型的具体步骤 |
| 5.3.3 确定核函数参数的值 |
| 5.4 比较标准及使用的数据集 |
| 5.4.1 用于比较的模型及模型参数设定 |
| 5.4.2 模型预测性能分析 |
| 5.5 本章小结 |
| 第6章 RVR短时交通流预测中样本量敏感性分析 |
| 6.1 引言 |
| 6.2 相关方法 |
| 6.2.1 Mann-Kendall检验 |
| 6.2.2 Sen非参数化检验方法 |
| 6.2.3 产生组合混沌序列 |
| 6.3 预测模型 |
| 6.3.1 RVR用于回归估计 |
| 6.3.2 相关向量机短时预测模型 |
| 6.3.3 确定核函数参数的值 |
| 6.4 实验分析 |
| 6.4.1 比较标准及使用的数据集 |
| 6.4.2 各路段上样本量变化时模型预测性能比较 |
| 6.4.3 实验结果讨论 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 攻读博士学位期间发表的学术论文 |
| 3 参与的科研项目及获奖情况 |
| 学位论文数据集 |
（8）基于GIOWA算子的组合模型在铁路客运量预测中的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 铁路客运量预测 |
| 1.2.2 GIOWA组合预测 |
| 1.2.3 国内外研究综述 |
| 1.3 主要研究内容 |
| 1.4 研究技术路线 |
| 第2章 铁路客运量预测方法与影响因素分析 |
| 2.1 传统铁路客运量预测方法分析 |
| 2.1.1 单项预测方法 |
| 2.1.2 组合预测方法 |
| 2.2 GIOWA组合预测模型 |
| 2.2.1 GIOWA组合预测模型的提出 |
| 2.2.2 GIOWA组合预测中单项模型选择 |
| 2.2.3 GIOWA组合预测模型的优势 |
| 2.3 铁路客运量影响因素选取 |
| 2.3.1 影响因素的选取原则 |
| 2.3.2 影响因素的分类 |
| 2.3.3 影响因素的确定 |
| 2.4 本章小结 |
| 第3章 铁路客运量组合预测模型 |
| 3.1 单项模型选择 |
| 3.1.1 ARIMA模型 |
| 3.1.2 偏最小二乘回归模型 |
| 3.1.3 GRNN网络模型 |
| 3.2 GIOWA组合预测模型 |
| 3.2.1 GIOWA算子 |
| 3.2.2 GIOWA组合预测原理 |
| 3.2.3 GIOWA组合预测模型 |
| 3.3 本章小结 |
| 第4章 铁路客运量预测应用实例 |
| 4.1 数据的收集与处理 |
| 4.1.1 数据的收集与划分 |
| 4.1.2 数据的预处理 |
| 4.2 基于时间序列的铁路客运量预测 |
| 4.2.1 ARIMA模型 |
| 4.2.2 基于时间序列的GRNN模型 |
| 4.2.3 GIOWA组合模型预测 |
| 4.3 基于影响因素的铁路客运量预测 |
| 4.3.1 偏最小二乘回归模型 |
| 4.3.2 基于影响因素的GRNN模型 |
| 4.3.3 GIOWA组合预测模型 |
| 4.4 客运量预测结果对比分析 |
| 4.4.1 与传统预测方法效果对比 |
| 4.4.2 基于时间序列的预测方法与基于影响因素的预测方法对比 |
| 4.5 本章小结 |
| 第5章 总结及展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 部分MATLAB程序代码 |
| 致谢 |
（9）城市快速路短时交通流预测方法关键因素研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 研究目标及研究内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 技术路线及章节安排 |
| 1.3.1 技术路线 |
| 1.3.2 章节安排 |
| 1.4 本章小结 |
| 第二章 国内外文献综述 |
| 2.1 预测因素分析 |
| 2.1.1 交通流时间汇集度 |
| 2.1.2 车道和断面交通流 |
| 2.2 短时交通流均值预测方法 |
| 2.2.1 历史平均 |
| 2.2.2 移动平均 |
| 2.2.3 指数平滑 |
| 2.2.4 局部加权线性回归 |
| 2.2.5 谱分析 |
| 2.2.6 卡尔曼滤波 |
| 2.2.7 随机时间序列 |
| 2.2.8 神经网络 |
| 2.2.9 支持向量回归 |
| 2.2.10 小波分析 |
| 2.2.11 K近邻非参数回归 |
| 2.2.12 混沌时间序列 |
| 2.2.13 模糊时间序列 |
| 2.2.14 组合预测 |
| 2.3 短时交通流区间预测方法 |
| 2.3.1 局部加权线性回归 |
| 2.3.2 GARCH模型 |
| 2.3.3 贝叶斯方法 |
| 2.3.4 Bootstrap |
| 2.3.5 模糊信息粒化 |
| 2.4 本章小结 |
| 第三章 数据概述和预处理 |
| 3.1 数据概述 |
| 3.1.1 波特兰交通流数据 |
| 3.1.2 伦敦交通流数据 |
| 3.1.3 南京交通流数据 |
| 3.2 数据预处理 |
| 3.2.1 数据质量控制 |
| 3.2.2 交通流数据汇集 |
| 3.3 本章小结 |
| 第四章 短时交通流预测因素分析 |
| 4.1 交通流时间汇集度分析 |
| 4.1.1 不同时间汇集度下的交通流数字特征 |
| 4.1.2 不同时间汇集度下的交通流变化特征 |
| 4.1.3 不同时间汇集度下的交通流时序特征 |
| 4.2 交通流率水平分析 |
| 4.2.1 模糊均值聚类 |
| 4.2.2 交通流率水平分类 |
| 4.3 交通流互相关性分析 |
| 4.3.1 互相关性分析 |
| 4.3.2 车道与车道的交通流互相关性 |
| 4.3.3 车道与断面的交通流互相关性 |
| 4.4 本章小结 |
| 第五章 短时交通流预测方法 |
| 5.1 研究假设 |
| 5.2 整体预测建模框架 |
| 5.3 短时交通流均值预测方法 |
| 5.3.1 重构交通流 |
| 5.3.2 单项预测模型 |
| 5.3.2.1 BP神经网络 |
| 5.3.2.2 Elman神经网络 |
| 5.3.2.3 RBF神经网络 |
| 5.3.2.4 GR神经网络 |
| 5.3.2.5 支持向量回归 |
| 5.3.2.6 K近邻非参数回归 |
| 5.3.2.7 随机时间序列 |
| 5.3.3 组合预测模型 |
| 5.3.3.1 组合预测模型的结构 |
| 5.3.3.2 组合预测模型权值的分配 |
| 5.3.3.3 组合预测模型权值的修正 |
| 5.4 短时交通流区间预测方法 |
| 5.4.1 基于K近邻非参数的方法 |
| 5.4.1.1 近邻值的正态分布检验 |
| 5.4.1.2 近邻值的区间估计 |
| 5.4.1.3 预测步骤 |
| 5.4.2 基于GARCH模型的方法 |
| 5.4.2.1 白噪声检验 |
| 5.4.2.2 ARCH效应检验 |
| 5.4.2.3 GARCH模型 |
| 5.4.2.4 预测步骤 |
| 5.4.3 基于模糊信息粒化的方法 |
| 5.4.3.1 交通流时间序列的粒化 |
| 5.4.3.2 预测步骤 |
| 5.5 短时交通流预测精度评价 |
| 5.5.1 均值预测评价指标 |
| 5.5.2 区间预测评价指标 |
| 5.6 本章小结 |
| 第六章 实证分析 |
| 6.1 实验设计 |
| 6.2 实验数据 |
| 6.3 短时交通流均值组合预测实施 |
| 6.3.1 重构交通流 |
| 6.3.2 单项预测模型的建立 |
| 6.3.3 单项预测模型的选择 |
| 6.3.4 组合预测模型权值的确定 |
| 6.4 均值组合预测结果分析 |
| 6.4.1 组合预测模型的精度分析 |
| 6.4.2 不同流率水平下的预测精度比较 |
| 6.5 短时交通流区间预测实施 |
| 6.5.1 基于K近邻非参数的区间预测建模 |
| 6.5.2 基于模糊信息粒化的区间预测建模 |
| 6.5.3 基于GARCH模型的区间预测建模 |
| 6.6 区间预测结果分析 |
| 6.6.1 不同区间预测方法的比较 |
| 6.6.2 不同流率水平下的预测区间比较 |
| 6.7 本章小结 |
| 第七章 总结和展望 |
| 7.1 论文研究工作总结 |
| 7.2 论文创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 车道与车道的交通流互相关性计算结果 |
| 附录2 车道与断面的交通流互相关性计算结果 |
| 附录3 均值预测方法程序代码 |
| 附录4 区间预测方法程序代码 |
| 作者简介 |
（10）基于特性分析的短时交通流预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 线性预测方法 |
| 1.2.2 传统非线性预测方法 |
| 1.2.3 智能非线性预测方法 |
| 1.2.4 基于交通仿真的预测方法 |
| 1.2.5 组合预测方法 |
| 1.2.6 研究现状总结 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 2 交通流特性分析 |
| 2.1 交通流基本特性分析 |
| 2.1.1 交通流三参数特性分析 |
| 2.1.2 交通流三参数模型 |
| 2.2 交通流时空特性分析 |
| 2.2.1 相关性分析理论 |
| 2.2.2 时间相关性分析 |
| 2.2.3 空间相关性分析 |
| 2.2.4 空间时滞分析 |
| 2.3 交通流混沌特性分析 |
| 2.3.1 混沌理论 |
| 2.3.2 延迟时间和嵌入维数计算 |
| 2.3.3 最大Lyapunov指数计算 |
| 2.3.4 混沌特性实例分析 |
| 2.4 本章小结 |
| 3 交通流数据预处理 |
| 3.1 数据整合 |
| 3.2 缺失和错误数据识别 |
| 3.2.1 缺失数据识别 |
| 3.2.2 错误数据识别 |
| 3.3 基于3D形函数的数据修复算法 |
| 3.3.1 数据修复三维空间构造 |
| 3.3.2 3D形函数理论 |
| 3.4 实例验证 |
| 3.5 本章小结 |
| 4 基于改进回声状态网络的交通流预测模型 |
| 4.1 回声状态网络ESN |
| 4.1.1 ESN基本结构特征 |
| 4.1.2 ESN建模过程与关键参数 |
| 4.2 思维进化算法MEA |
| 4.3 基于MEA-ESN的短时交通流预测模型 |
| 4.4 实例验证 |
| 4.4.1 基于ESN的交通流预测实例 |
| 4.4.2 基于MEA-ESN的交通流预测实例 |
| 4.4.3 实验影响因素显着性检验 |
| 4.5 本章小结 |
| 5 基于分解与重构的交通流预测模型 |
| 5.1 基于单变量分解与重构的交通流预测模型 |
| 5.1.1 经验模式分解方法介绍 |
| 5.1.2 EMD-PSR-MEA-ESN建模流程 |
| 5.1.3 实例验证 |
| 5.2 基于多变量分解与重构的交通流预测模型 |
| 5.2.1 EMD-MPSR-MEA-ESN建模流程 |
| 5.2.2 实例验证 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.1.1 主要研究内容及结论 |
| 6.1.2 创新点 |
| 6.2 展望 |
| 参考文献 |
| 附录A |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
四、一种改进的RBF神经网络及其在短期交通量预测中的应用（论文参考文献）
- [1]基于图傅里叶变换和深度学习的短时交通流预测方法研究[D]. 罗向龙. 长安大学, 2021(02)
- [2]基于车辆通行大数据的高速公路路况预测的研究与应用[D]. 张振. 东华大学, 2020(01)
- [3]交通领域下在线集成时间序列预测方法及应用研究[D]. 肖捡花. 湖南大学, 2020
- [4]基于机器学习的交通状态判别与预测方法[D]. 魏丹. 吉林大学, 2020(08)
- [5]基于TVF-EMD的主干道路口短时交通流量预测研究[D]. 王延鹏. 重庆交通大学, 2020(01)
- [6]基于PSO-ANN-LSSVM的城市短期供水量组合预测模型研究[D]. 陈攀. 昆明理工大学, 2020(05)
- [7]基于相关向量机的短时交通流预测研究[D]. 沈张果. 浙江工业大学, 2020(08)
- [8]基于GIOWA算子的组合模型在铁路客运量预测中的应用研究[D]. 刘媛媛. 深圳大学, 2019(10)
- [9]城市快速路短时交通流预测方法关键因素研究及应用[D]. 刘钊. 东南大学, 2019
- [10]基于特性分析的短时交通流预测方法研究[D]. 王硕. 北京交通大学, 2019(01)