基于多层复杂网络的循环神经网络交通量预测模型

针对未安装车流量检测设备的高速公路路段进行短时交通量准确预测,是一个亟待解决的问题。为此,提出一种基于复杂网络的循环神经网络路段短时交通量预测模型。该模型以入口节点交通量为输入,输出路段动态预测交通量。模型由复杂网络、交通小区划分、循环神经网络三个模块组成。复杂网络由多层网络组成,是交通小区划分的基础;交通小区划分模块根据节点特征值,采用聚类方法将节点形成小区,使同小区内节点具有类似特征。最后,以交通小区为依据,将节点交通量合并为小区交通量,采用循环神经网络进行路段动态交通量的预测。通过模型示例并与其他模型预测结果进行对比分析,验证所提模型的准确性和可靠性。结果表明,该模型能够准确地预测不同时长的交通量,MAPE为9.275%,相比于其他方法,预测精度更高且性能稳定,具有重要的应用价值。

基于AGRU-Trans融合模型的特长海底隧道交通量预测

为了使海底隧道交通管控部门更好地掌握准确的交通数据,给出行者提供更好的交通引导,通过对循环神经网络和Transformer算法的研究,结合GRU与Transformer模型算法优点并加入自注意力机制,提出一种基于AGRU-Trans融合模型的海底隧道交通量预测模型。选取胶州湾海底隧道市南-黄岛交通运行数据,通过AGRU-Trans融合模型与3种基准模型对比发现,LSTM,Transformer,GRU模型的平均绝对误差(MAE)相比AGRU-Trans分别大了31.48%,67.54%,20.57%;均方根误差(RMSE)分别增长了35.63%,38.45%,32.02%。结果表明:AGRU-Trans融合模型的预测结果与真实数据贴合性最好,预测精度均高于基准模型,因此,基于此方法可为胶州湾海底隧道管理部门对车辆进行精细化诱导及管控提供理论参考。

改进SSA优化的BP神经网络交通量预测模型

为更加准确地进行交通量预测,针对传统的BP神经网络随机赋值、收敛速度慢等问题,提出了改进麻雀搜索算法(sparrow search algorithm,SSA)优化的BP神经网络预测模型。该模型结合SSA位置更新原理和鸡群优化算法中公鸡位置更新方法对麻雀搜索算法进行改进,在避免算法陷入局部最优和位置更新无效的同时有效地提高了算法的收敛速度。利用改进麻雀搜索算法对BP神经网络的权值和阈值进行寻优赋值,得到了改进SSA-BP神经网络预测模型。利用交通量数据,对LSTM神经网络、BP神经网络、SSA-BP神经网络和改进SSA-BP神经网络4种预测模型进行训练和测试,以MAE、MAPE、MSE、RMSE和EC 5个指标对预测结果进行对比分析。结果表明:BP神经网络优于LSTM神经网络,且麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了0.28 veh/(3 min)、MAPE降低了1%、MSE降低了2.72 veh/(3 min)、RMSE降低了0.04;改进麻雀搜索算法优化BP神经网络预测模型相较于BP神经网络预测模型MAE降低了1.31 veh/(3 min)、MAPE降低了4%、MSE降低了9.2 veh/(3 min)、RMSE降低了0.18,且拟合度更接近于1。改进SSA-BP预测模型的性能优于SSA-BP神经网络预测模型,且有效提高了BP神经网络的预测精度,拟合度达到0.98,该模型适用于交通量预测,能够为智能交通系统提供可靠的预测值。

基于改进GCN-sbuLSTM模型的高速公路交通量预测方法

为解决现有高速公路交通量预测方法在捕捉动态时空依赖关系方面的不足,提出了一种融合信息几何方法与注意力机制的新型高速路网交通量预测模型。首先,利用信息几何方法量化ETC门架之间的动态数据分布差异。然后,利用注意力机制来捕获交通的动态空间依赖关系。最后,结合一种堆叠的双向递归层结构,提出了一种长时间跨度的并行子模型算法,即基于信息几何方法(Information Geometry)和注意力机制(Attention Mechanism)优化的图卷积神经网络(GCN)结合堆叠双向单向长短期记忆神经网络(sbuLSTM)的组合模型—IGAGCN-sbuLSTM。采用该模型对100多条路段、3000多处门架近7亿条高速公路ETC门架系统数据进行分析,结果显示:与LSTM、GCN、GCN-LSTM、ASTGCN等现有4种模型相比,在10 min时间尺度下,IGAGCN-sbuLSTM组合模型的平均绝对误差(MAE)分别降低了2.39,3.72,1.02,1.46,均方根误差(RMSE)分别降低了3.25,4.32,2.05,5.65,平均绝对百分比误差(MAPE)分别降低了5.49%,12.54%,1.56%,0.5%。研究表明,IGAGCN-sbuLSTM模型在预测精度和不同时间间隔的预测性能上均优于现有的单一捕获特性模型及其他常用的组合模型,可广泛应用于高速公路收费、车速等数据的预测分析。

基于WNN模型的短时交通量预测研究

科学准确预测运营期公路交通量是实现智能交通系统的重要组成部分,并能对公路基础设施的优化设置提供关键支持。本文采用小波神经网络、GA-BP、SVM、GA-LSSVM、PSO-LSSVM五种模型对短时交通量进行预测,并将预测值与实际值进行对比。研究发现:神经网络预测模型整体优于支持向量机及其优化模型,能提升交通量预测的有效性和准确性,其中GA-BP模型相对于其他模型在短期交通量预测中具有预测精度高、收敛速度快的特点,能满足公路运营管理及智能交通需求。

G112(千松梁至五道营段)交通量预测研究

为尽可能准确预测交通量,以国道G112千松梁至五道营段改建工程为例,在详细进行交通调查的基础上,采用四阶段预测法对未来交通量进行预测分析。分析结果表明,现状路段货车占比较高,且以中小型货车为主,客车则以小客车为主;未来货车占比将逐年下降,而客车占比将相应上升。

基于算法融合的高速公路断面交通量预测

高速公路断面交通量是交通状态分析和管控策略制定的重要数据支撑。本论文对交通流进行服务水平划分,将不同时刻的交通流按饱和度划分成四类服务水平,采用ARIMA、XGBoost、SVR、BP和GRU五种常用的预测模型对高速公路交通量进行了预测,并提出基于SVR、BP和GRU模型的融合预测模型,提高了高速公路断面交通量预测的准确率,为高速公路规划和管理提供信息支撑。

基于两相四阶段法的城市路网规划交通量预测研究

依托实际工程项目,针对斯里兰卡科伦坡地区的城市路网规划及交通量进行深入研究,从大范围到小范围调研了斯里兰卡、西方省、科伦坡的经济发展现状,分析影响经济和交通发展的影响因素,综合考虑路网相和交通相两方面因素,采用“两相四阶段法”对项目影响区的社会经济和交通发展趋势进行分析预测。预测结果表明本项目2025—2040年交通量由22789 veh/d上升为42736 veh/d,其中小汽车的所占车型比例逐渐降低,中型卡车所占比例逐年增加。本文考虑因素众多,预测结果可靠,为项目地区或同类型社会经济条件下的项目建设规模、建设方案及经济效益等提供了参考依据,同时为城市路网交通量预测研究提供了新的思路和方法。

基于四阶段预测法的道路工程交通量预测与应用

为了在项目可行性研究阶段提供合理有效的交通预测数据,研究采用四阶段预测法,对拟建工程进行交通量预测。首先在分析四阶段预测法的总体思路、拟建项目基本情况和现场交通现状基础上,对交通量进行预测;其次,分别对交通发展、居民出行、机动车、非机动车和行人出行进行预测,最后研究交通分配的结果。通过研究可知,随着年份的增长,路段交通量也在得到逐年的递增,并根据交通量对道路采用单向2车道进行设计。

基于Python改进的高速公路扩建项目交通量预测

以传统的四阶段法为基础,在交通生成阶段使用Python(计算机编程语言)对现状高速公路路段OD(origin-destination,起讫点)进行拆分,从四阶段法的第一个阶段入手,提高高速公路扩建项目中交通量预测的精度。同时,将研究方法应用于沪武高速公路太仓至常州段扩建项目,结合不同过江通道的建设时序,对道路各特征年的交通量进行预测,分析远景年的路段OD,为扩建技术方案的制定及交通组织提供依据。结果表明:该方法提高了高速公路扩建项目交通量的预测精度,对类似工程具有指导意义。

探究新建道路的交通量预测数学模型

随着社会经济的持续发展,我国的道路建设水平、建设规模在不断提升,社会车辆的数量也在增长,交通拥堵问题是目前发展非常重要的一个问题。因此,我们需要采用交通阻抗的方法,以及诱增经济增长模型法,预测道路交通量,明确新建交通道路对于交通布局所产生的影响。采用先进的预测方法,能够为实际工作提供有价值的参考,助推我国交通网络的健康发展。基于此,本文详细探讨了新建道路的交通量预测数学模型,旨在为解决交通拥堵问题提供科学依据,推动我国交通事业的持续进步。

基于文献计量分析的交通量预测研究综述

为了解交通量预测的研究现状和发展趋势,基于VOSviewer文献计量工具,以Web of Science核心合集和CNKI核心数据库近29 a(1993—2021年)有关交通量预测研究的文献为研究数据源,从发文年代、国家及地区、期刊来源和技术主题聚类分析了交通量预测领域研究态势。以“Traffic volume forecast”和“交通量预测”为检索主题,检索了范围内592篇有效文献,共涵盖6438个关键词。基于科学知识图谱对交通量预测领域文献进行了梳理分析。结果表明:交通量预测研究近29 a发文态势呈上升趋势,我国文献发表数量位居首位;Transportation Research Part C:Emerging Technologies不仅是文献发表数量最多的期刊,同时也是被引次数最多的期刊,《公路交通科技》是国内期刊中文献被引次数最多的期刊;交通量预测领域的研究主要是从公路交通需求发展预测、交通量预测方法模型、交通事件与实时监测等角度切入,重点围绕公路交通量预测、项目建设可行性研究、短时交通量预测方法模型构建与精度提升、交通事件监测和交通时空分布特征等主题开展研究;国外近年关于公路交通量与建设投资关系的研究、非典型条件下的交通量预测和有关雨雪等不利天气下的交通量预测研究文献发表数量呈显著上升趋势;国内在对四阶段法的改进、公路交通建设项目可行性研究和公路旅游交通量预测方面的研究相对丰富,但主要是从经济、人口和旅游产业等宏观角度出发,有必要进一步增加季节变化、个人出行特征和出行偏好等对公路旅游交通量预测的影响研究。

基于遗传-神经网络的交通量预测

分析了遗传算法 (Genetic Algorithm,GA)和人工神经网络 (Artificial Neural Network,ANN)的优缺点 ,在此基础上提出了将遗传算法与人工神经网络有机结合起来的遗传 -神经网络预测模型 ,并将此模型用于河北省交通量预测 ,其预测结果的精度明显得到提高 ,表明遗传 -神经网络预测模型可以作为交通量预测的一种有效手段。

基于混合AGO-SVM的高速公路短时交通量预测研究

提出一种混合AGO-SVM高速公路交通量预测方法,原始交通量数据通过累加操作生成有规则的数据,预处理后的规则数据使用支持向量机法进行建模并预测,预测数据进行逆累加操作,获得下一时刻高速公路交通量的预测值,数据进行更新并保持样本序列不变从而进行高速公路交通量递推预测.应用西宝高速交通量实际观测数据验证算法的有效性.试验结果表明,在几种指标下该方法的预测精度比灰色模型法和支持向量机法的预测结果有所提高,是一种有效的高速公路交通流量预测方法.

基于灰色马尔可夫链的桥梁荷载随机过程交通量预测

为了克服灰色预测方法的不足,在灰色模型预测方法的基础上,提出灰色马尔可夫链桥梁荷载随机过程交通量预测模型,该模型的灰色预测曲线能反映交通量历史发展趋势,马尔可夫预测可反映随机波动性对交通量预测的影响,从兼顾了趋势值和波动性两方面因素对预测结果的作用,能克服单一预测模型在交通量预测中的局限性,并可结合交通量实际情况,能实现准确、综合预测交通量的目的。在现有交通量统计资料的基础上,对该模型进行了精度检验,并预测出了2007年的交通量。实例计算分析表明,模型精度良好,预测结果与实际状态基本相符,利用灰色马尔可夫理论进行交通量预测是一种行之有效的方法。

基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明:模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。

公路建设项目可行性研究中的交通量预测方法

从公路建设项目的自身特点出发 ,探讨了在区域社会经济发展预测的基础上应用四阶段法进行公路建设项目可行性研究中的交通量预测方法。同时针对以往传统的某些做法 。

基于灰色马尔科夫链模型的交通量预测

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM(1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM(1,1)模型有更高的精度。

一种改进的灰色模型在交通量预测中的应用

GM(1,1)模型是灰色系统理论中的核心,已经得到广泛应用。一种改进GM(1,1)模型无论用于拟合或预测,其结果都明显优于常规GM(1,1)模型。结合遗传算法和最小二乘法获得该模型的待定参数,对改进的GM(1,1)模型给出了一种新的求解方法。将此改进GM(1,1)模型用于交叉口交通量的预测,预测结果较好。将等维递推和自适应的思想引入改进GM(1,1)模型,可进一步提高该模型的预测精度和实用性。

基于数据融合的高速公路短时交通量预测模型

根据高速公路交通量的时空特性,提出基于数据融合的高速公路短时交通量预测模型。对交通量时间序列性、周期相似性和空间序列性3个时空特性的状态向量进行定义,以BP神经网络预测模型为基础,结合自适应加权数据融合算法对时空特性预测值进行融合,构建交通量预测模型。通过计算相关性对时空特性进行分析,选取相关性较高的数据样本作为模型输入。实验结果表明,工作日和休息日高速公路交通量预测平均绝对误差百分比均在5%以内,与单变量预测模型相比具有更好的预测准确度和实用性,为智能交通管理系统提供数据支持。