基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

基于XGBoost算法的高速公路短时交通流量预测

在快速城市化背景下,高速公路交通流畅度对经济效率与民众生活至关重要,故在复杂多变的高速公路网中,快速精准预测交通流量成为实时交通管理的核心前提。然而,由于短时交通流具有非线性和随机变化的特点,交通流量的准确预测一直面临着巨大的挑战。为了克服这些挑战,构建了一种基于XGBoost算法的短时交通流量预测模型,旨在提高交通流量预测的准确性。该模型基于XGBoost算法的强大学习能力和优秀的泛化性能,通过对历史交通流量数据的学习,能够更好地捕捉交通流的复杂模式和规律。为了检验XGBoost模型的准确性和有效性,使用江西永武高速公路某路段ETC门架数据进行了一系列测试,并将结果与传统的ARIMA、BP、GBDT、Prophet模型进行了比较。实验结果表明,相比于传统的预测模型,XGBoost模型在短时交通流量预测中具有更高的预测精度。这将为公路交通管理部门提供更有效的决策支持,帮助其优化交通流,减少交通拥堵,提高交通运行效率。

基于CNN-LSTM-AM的短时交通流量预测

短时交通流量预测对于提高实时交通数据信息的精准性及增加车辆道路行驶的效益性具有重要意义。为能准确预测未来短期交通流量情况,支持智能交通系统的应用和决策,提出一种基于CNN-LSTM-AM的短时交通流量预测模型。首先利用卷积神经网络(convolutional neural network,CNN)来对交通流序列进行信息捕捉,从而提取交通流数据的动态变化特征;其次将所提取的特征向量构成时间序列作为长短期记忆(long short-term memory,LSTM)网络的输入;最后根据注意力机制(attention mechanism,AM)来分配LSTM隐含层不同权重,增强重要特征的作用,完成交通流量预测。采用美国加利福尼亚州高速路网数据库PeMS里面的相关数据信息,通过实验与其他神经网络预测模型进行对比,结果显示,CNN-LSTM-AM模型的相对平均误差(mean absolute percentage error,MAPE)值为0.254578%,R^(2)=0.583152,预测能力优于其他对比模型。其所用方法可以对未来短时交通流量预测提供一种思路模型。

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。

基于RVM和ARIMA的短时交通流量预测方法研究

为进一步提高短时交通流量预测精度,提出一种基于RVM和ARIMA的短时交通流量降噪方法.设计了降噪方法的流程,选取了降噪方法误差评价指标;基于RVM和ARIMA的短时交通流量预测方法和预测流程,引入平均绝对相对误差(MAPE)作为预测方法误差评价指标,以某城市道路的录像数据为实例,对构建的预测方法有效性进行验证.结果表明,在不同公用时间尺度(5,10,15min)下,所提出的短时交通流量预测方法的平均绝对相对误差均小于直接运用指数降噪模型、BT神经网络模型、ARIMA模型等方法预测的结果,有效地提高了短时交通流量预测精度.

基于时空分析的短时交通流量预测模型

根据交通流的时空关联性和非线性,提出一种基于时空分析的短时交通流量预测模型.在相关系数的基础上扩展时空语义,提出时空相关分析算法,并以支持向量机为预测工具进行预测.弥补现有模型在预测因子选取方面的不足,提高预测精度并避免预测的人为主观性.实验结果表明了算法和模型的有效性.

高速公路短时交通流量预测的改进非参数回归算法

针对非参数回归短时交通流量预测算法的状态向量选取问题,基于高速公路交通流量在空间上演变趋势明显的特点,提出交通流量预测的改进非参数回归算法。引入各上游断面车流到达当前断面的行程时间作为状态向量选取的依据,并根据各上游断面影响程度的不同,调整相似机制的计算方法。利用渝武高速公路微波检测器数据对该模型进行验证。结果表明,改进的非参数回归算法克服了固定状态向量定义不能满足同一断面不同交通状态的缺点,对各种交通状态具有更好的适应性,预测精度更高。

基于GA优化IWNN的短时交通流量预测方法

由于交通流量的非线性、复杂性和不确定性,确定数学模型的预测方法难以满足交通管理控制中对预测精度和收敛速度的要求。为了对交通流进行准确、实时、高效的预测,提出将小波理论与神经网络相结合,并改进网络的训练过程从而构建改进型小波神经网络;同时运用遗传算法优化网络的初始权值,最终提高了预测精度,加快了收敛速度,避免陷入局部极小。通过仿真和分析,提出的方法具有较好的预测结果。

基于改进小波神经网络的短时交通流量预测研究

针对城市短时交通流量具有复杂性和非线性等特点,提出了基于人工蜂群算法(ABC)优化小波神经网络对短时交通流量预测分析模型。以小波神经网络(WNN)为基础,将以前城市采集的交通流量作为预测样本,通过人工蜂群算法优化WNN网络结构、权值和阈值,并建立城市短时交通流量预测数学模型。实验仿真表明,所提出的算法预测结果比仅使用WNN算法以及粒子群优化BP神经网络算法效率更高,是一种有效可靠的交通流量预测方法。

基于支持向量机的高速短时交通流量预测

高速公路短时交通流量具有非线性的交通特性,传统的预测方法在预测过程中会出现维数灾难,支持向量机正是通过非线性映射把低维非线性问题转化为高维线性问题。因此,本文提出基于支持向量机的高速公路短时交通流量预测模型,并利用湖北省高速公路琴台收费站的数据进行实验。结果表明,相关系数R2=0.9145,均方误差MSE=0.0056。说明模型的预测数据对原数据具有较高的吻合,实验误差小,验证了该模型的适应性和可行性。

基于改进卷积神经网络的短时交通流量预测

为了提高短时交通流量的预测准确率,提出采用改进的BP神经网络预测交通流量。首先,针对粒子群优化算法易陷入局部最优解和收敛速度慢的问题,提出改进一种的粒子群优化算法,通过双种群搜索的策略提高粒子群优化算法的寻优能力和收敛性。然后,利用改进的粒子群优化算法选取BP神经网络的权值和阈值。最后,将改进的BP神经网络应用到短时交通流量预测中。实验结果表明,与现有的BP神经网络相比,改进的BP神经网络能够有效提高交通流量预测的准确性。

基于遗传算法优化小波神经网络的短时交通流量预测

为了提高小波神经网络对具有时变性、非线性和复杂性等特点的短时交通流量预测的准确性,提出一种基于遗传算法优化小波神经网络的短时交通流量预测模型。利用遗传算法隐含并行性、自适应随机搜索及全局寻优的特性,优化小波神经网络的权值和阈值,克服了小波神经网络易陷入局部最优、得不到最优参数的缺陷。仿真结果表明,该方法对短时交通流量具有较好的非线性拟合能力和更高的预测精度,并具有良好的应用价值。

改进ACO优化的BP神经网络短时交通流量预测

针对BP神经网络算法收敛速度缓慢、易陷入局部最小值、在短时交通流量预测的问题中精度不高等问题,提出了一种改进ACO(蚁群算法)优化的BP神经网络短时交通流量预测算法。在确定BP神经网络权阈值的过程中,采用蚁群信息素挥发自适应参数、在蚁群信息素更新时采用精英选择策略和种群更新时加入变异因子的方法来得到最优权阈值。仿真结果表明,改进算法在预测流量趋势和准确度方面均有较大提升,在短时交通流量预测方面取得了良好的效果。

改进的K近邻非参数回归在短时交通流量预测中的应用

针对现有K近邻非参数回归方法的局限,为了进一步提高算法的精度和速度,做出了两方面的改进:利用相关性理论选择状态向量和采用基于聚类分析的变K近邻搜索算法.用仿真实验验证了该方法的有效性,给出了仿真试验结果.实例研究结果表明,预测效果优于传统的非参数回归方法.

基于多维流量特征的短时交通流量预测模型

大多数基于神经网络的短时交通流量预测模型存在以下2个方面的问题:一是提取时间特征和空间特征导致模型结构复杂、运算速度慢,二是模型中不断增加的交通态势特征难以采集。针对上述问题,提出了一种以历史交通流量构建多维流量特征的滑动窗口图注意力网络(SW-GAT)模型。首先,提出了引入历史流量及多组流量的滑动窗口数据,通过模型训练以获取潜在时间特征的假设。其次,引入图注意力机制,获取了路网节点之间的空间特征。最后,引入节点邻接距离矩阵构建了双层SW-GAT模型,以此提高输出的准确性和鲁棒性。将长短时记忆网络(LSTM)、图卷积网络(GCN)、图注意力网络(GAT)及多维流量特征GCN模型作为对照组进行了模型评价,间隔时间取值为15 min。试验结果表明:最优的滑动窗口K取值为3和4;相比于对照组的4种模型,双层SW-GAN模型的预测精度分别平均提高了约2.5%,5.82%,3.36%,8.2%;平均绝对误差MAE分别下降了约19.83,17.82,15.23,16.19;均方根误差RMSE分别下降约21.27,20.33,19.25,20.62;在交通流量变化频繁的时间段(7:30—18:30),SW-GAT模型曲线的拟合效果优于对照组的4个模型,对突变的交通流量有着更好的预测精度。SW-GAT模型能在保证预测准确率的情况下,降低对数据特征的要求和模型的复杂度,为解决深度学习特征数据搜集困难的问题提供了一种新思路。

基于深度残差网络的短时交通流量预测

建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%~4%,可以看出该模型一定程度上提高了预测精度。

基于图卷积神经网络和注意力机制的短时交通流量预测

本文提出一种基于图卷积神经网络和注意力机制的短时交通流量预测模型.该模型利用图卷积网络捕获路网流量空间特征;利用自注意力机制调整网络输出,提高最终预测结果的精确度.实验结果表明,相较于对比方法,本文提出的图卷积注意力网络模型可提升预测精度.

基于高斯核函数的短时交通流量预测

交通出行在人们的生活中占据了重要的地位,准确、短时交通流量预测有助于实现交通控制.本文采用基于高斯核函数的Nadaraya-Watson估计方法对短时交通流量进行了预测.以所选取路段的车流高峰时段为研究对象,根据当前时刻的车流量对下一时刻的流量值进行预测,其中相邻两时刻的时间间隔为5分钟;就所选的高斯核函数而言,根据试凑法,选定核函数带宽为8.结果表明,该方法的预测效果良好,其均等系数为0.996545243,达到了很好的预测效果.

支持短时交通流量预测的概率图模型构建与推理

短时交通流量预测,是交通系统信息化和智能化交通运输管理技术领域研究的关键问题.目前的方法对历史数据具有较高的依赖程度,或者具有较高的计算成本,或者不能有效反映实际中较复杂的交通网络及各结点之间的相互关系、以及依赖的不确定性,或者多种模型的组合使得预测方法较复杂.贝叶斯网是一种重要的概率图模型,本文以交通网络结构为基础,利用概率图模型在不确定性知识表示和推理方面的良好性质,考虑路口交通流量及其预测的时序依赖特征,构建了带有时序条件依赖关系的交通贝叶斯网.进而针对短时交通流量预测的实时性和高效性要求,提出了基于Gibbs采样的交通贝叶斯网近似概率推理算法,并进行交通流量的短时预测.实验结果表明,本文提出的交通贝叶斯网构建、近似推理以及相应的短时交通流量的预测方法,具有高效性、准确性和可用性.

基于改进LSTM算法的短时交通流量预测

针对短时交通流量预测模型受噪声数据影响预测误差较大的问题,提出了一种改进的长短期记忆网络(long short-term memory,LSTM)的短时交通流量预测模型———MVF-LSTM模型,该模型使用算术平均滤波MVF对LSTM模型的输入层进行改进,从而增加LSTM隐藏层输入的维度,利用平均相对误差对模型的迭代次数、时间步长和隐藏层神经元的个数进行调整,提高了模型的预测精度。实验结果表明:改进的模型平均相对误差降至5%,具有良好的泛化能力,可以更好地反映交通流量的变化特征。