基于ARMA和卡尔曼滤波的短时交通预测

交通预测是智能交通运输系统研究中的一个重要组成部分.为了有效地获取短时交通流量预测数据,保障交叉口畅通,依据道路情况的不确定性以及交通流的非线性变化,应用ARMA模型及卡尔曼滤波模型通过预测结果误差大小来组合预测路段短时交通流量.实例表明,组合模型预测结果达到较高的预测精度,预测误差降低到了5.79%,并且比单一模型预测精度要高.通过该组合模型可以更准确地预测短时交通流量,同时也可以为交叉口信号配时提供必要的理论依据和技术指导,对减小交通延误,提高道路服务水平有一定的应用价值.

短时交通预测的动态出行信息服务协同工作平台

目前,国内城市出行信息服务平台和网络地图平台主要提供静态信息服务,城市交通动态特征难以得到真实反映,对以时间和费用为主要准则的公众出行缺乏实用价值。本文提出了历史数据推理和微观交通仿真相结合,进行短时交通预测以服务公众出行的一种新方法;设计了实时交通信息处理与发布服务器、GIS应用服务器与数据库管理系统三者协同工作的体系结构;实现了顾及短时预测交通状况的公众出行路径规划过程,并作了验证。因此,为公众动态出行信息服务和动态网络电子地图的实现,提供了一个可行的解决方案。

基于短时交通预测的公路交通异常判别方法

普通公路由于受到检测设施布设稀疏的制约,若沿用传统的交通事件自动识别方法,其判别率将低于高速公路或城市道路,而误判率也将高于高速公路或城市道路。为了便于公路管理者对普通公路发生交通异常时及时处理,以短时交通预测为基础,将交通异常的定义作为为判别标准,提出了1种新的交通异常判别方法,该方法能够排除由常发性交通拥挤和幽灵瓶颈现象引起的异常误判。试验表明,基于短时交通预测的公路异常判别方法精度误差在0.2以内,能够较好的实现对交通异常的判别。

基于自适应GA_Elman神经网络的短时交通预测

为了提高短时交通流量的预测精度和针对Elman神经网络容易陷入局部最小值的缺点,采用了自适应GA_Elman神经网络模型。通过对比Elman神经网络不同隐含层数模型的预测误差,选用最佳层数;通过输入的样本数自动选取隐含层的节点数来实现隐含节点的自适应,通过遗传算法优化模型的权值和阈值,从而获得最佳的预测模型。通过实例分析,与Elman神经网络、GA_Elman模型进行对比,表明模型具有更好的预测效果。

时空相关的道路网络短时交通流预测模型

为有效解决复杂路网短时交通流预测问题中涉及的时空特征挖掘问题,提出一种基于改进长短时记忆神经网络(Improved Long Short-Term Memory, ILSTM)的交通流预测模型.首先,通过改进的遗传算法对长短时记忆神经网络(Long Short-Term Memory, LSTM)模型初始参数进行优化获得最优参数组合,解决LSTM初始参数设置对输出结果影响较大的问题.其次,针对复杂路网多路段交通流预测中遇到的空间特征提取问题,通过挖掘相关路段对目标路段交通流预测的影响程度,重新构建LSTM模型的损失函数,采用路网中相关路段对目标路段的影响系数,以损失函数输出值最小为终止条件,构建ILSTM模型.最后,选择加州公路局交通数据进行模型验证实验,采用遗传算法优化LSTM模型(Genetic Algorithm-LSTM, GA-LSTM)和单纯LSTM模型,以及皮尔森相关系数与LSTM组合模型(Pearson Correlation Coefficient-LSTM,PCC-LSTM),对工作日和周末数据的多次实验结果进行对比分析.实验结果表明:ILSTM模型能够充分考虑复杂路网交通流的时间和空间特征,预测平均误差约为1.16%,在收敛效率和预测精度方面均优于其他模型.

基于交通小区短时交通生成预测的城市道路网短时动态交通预测研究

城市道路周边用地性质的不同导致短时发生和吸引交通量的差异,直接影响城市道路网上的交通流。论文对城市路网中各地块的发生和吸引交通量进行短时预测,将预测的交通量通过动态交通分配到城市路网中,以此实现城市路网短时动态交通预测。将单一的BP神经网络模型为对比模型,对模型进行训练及参数标定,并检验模型的预测效果。实验结果表明,论文所提的预测方法与BP神经网络相比,预测精度最高可提升84.28%。

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。

基于深度学习的短时交通流预测方法综述与仿真研究

近年来,随着城市路网交通检测设备和城市数据存储基础设施的升级换代以及深度学习技术的快速发展,应用深度学习技术解决城市路网短时交通流预测问题已成为智能交通领域的一个研究热点。不同于传统短时交通流预测方法,基于深度学习的短时交通流预测方法能充分利用海量交通流数据,深入挖掘路网中不同交通节点间流量的隐藏特征与复杂时空关联,能有效提升预测短时交通流的精度。首先,简要回顾短时交通流预测方法的发展历史,重点分析、讨论基于深度学习模型的短时交通流预测方法最新技术进展和理论研究结果。其次,梳理、总结国内外广泛用于验证算法有效性和进行比较分析的公开交通流数据集。再次,阐述基于深度学习模型的短时交通流预测算法解决实际交通流预测问题的具体过程和详细步骤,基于公开测试数据集PEMS04分别对基于深度学习模型长短时记忆网络(LSTM)和门控循环单元(GRU)的短时交通流预测算法进行仿真研究,以验证算法的有效性及其相较于传统方法的优势。最后,总结、展望基于深度学习模型的短时交通流预测方法在实际应用中存在的挑战和未来研究方向。

结合变种残差模型和Transformer的城市公路短时交通流预测

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响,蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆(ConvLSTM)网络进行交通流预测时,未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题,对ConvLSTM模型作出改进。首先,提取每个采样时刻的交通流数据的短期时间特征和空间特征,并在特定的维度下将交通流的短期时空特征融合;其次,进行残差映射;最后,将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征,并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证,以平均绝对误差(MAE)作为模型评价指标时,所提模型相较于Conv-Transformer模型,预测精度提高了18%,验证了所提模型的有效性。

基于季节性ARIMA模型的短时交通流预测方法研究

综合道路特点、行驶时间和车辆的特征等信息,采用时间差值法筛除无效数据,剔除运营车数据;在通过序列分解与ADF-1平稳性检验后,提出基于季节性ARIMA模型的短时交通流预测技术,以探究该模型下车流量预测精度达到最佳预测效果时的最优采样间隔;采用AIC准则对参数寻优定阶,ADF检验和差分分析选择最优的差分阶层;为确保模型的可靠性,使用Ljung-Box Q检验进行白噪声检验。结果表明,时间间隔为15 min的车流量统计模型SARIMA(1,1,2)×(2,0,0)4在预测精度和稳定性方面均优于其他时间间隔和传统的ARIMA模型。同时,该方法也具有一定的通用性,可以应用于其他领域的短时流量预测。

基于Transformer的短时交通流时空预测

现有的交通流预测模型未能全面获取路网的空间依赖,忽略了周期性对交通流量的影响,且缺乏对全局时间依赖的建模能力。针对以上问题,提出一种结合Transformer的动态扩散卷积门控循环单元预测模型。该模型利用动态扩散卷积网络和门控循环单元对交通流的近期、日周期和周周期三个时间进行时空建模;使用Transformer层获取全局时间依赖关系;将各组件输出进行加权融合,生成预测结果。实验结果表明,该方法相较基准模型能有效降低预测误差,准确预测交通演化态势。

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解(VariationalMode Decomposition,VMD)和改进麻雀搜索算法(ImproveSparrowSearchAlgorithm,ISSA)与长短期记忆(LongShort-Term Memory, LSTM)神经网络相结合,建立一种短时交通流预测模型(VMD-ISSA-LSTM)。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。

基于CS算法优化的SVM短时交通流预测模型

为了提高短时交通流预测模型的准确度,提出一种基于布谷鸟搜索算法(Cuckoo Search,CS)优化的支持向量机(Support Vector Machine,SVM)短时交通流预测模型(CS-SVM)。选取青岛市内的多组典型城市路段作为研究对象,将观测收集的车流量数据作为学习样本。利用CS算法对SVM模型的主要参数进行优化,建立以SVM为基础的短时交通流预测模型。最后将CS-SVM模型与多种现有模型进行仿真分析。结果表明,CS-SVM模型相比其他传统模型具有更低的预测误差和更好的稳定性,CS-SVM模型相比SVM模型的MAE值下降了6.56%,RMSE值下降了7.36%。因此该模型能够为城市交通出行和交通流理论研究提供有效帮助。

基于CBAM&ConvLSTM的短时交通拥塞预测

短时交通拥塞预测是智能交通的重点问题,其难点在于时空序列的数据处理和特征提取。卷积长短期记忆网络(Convolutional Long Short-Term Memory, ConvLSTM)适合处理兼具时间和空间相关性的交通数据。而卷积注意力机制(Convolutional Block Attention Module, CBAM)在空间和时间维度引入注意力机制,使模型对于数据的变化更加敏感。文中结合ConvLSTM和CBAM,设计了一种新模型,对短时交通拥塞进行预测。实验基于百度地图实时数据,并与其他主流模型进行了比较。结果表明,该模型在交通数据的适应性方面优于其他模型,为解决交通拥塞的预测问题提供了一种新的思路和方法。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于相空间重构和RELM的短时交通流量预测

为了提高短时交通流量预测的精度,构建了基于相空间重构和正则化极端学习机的短时交通流量预测模型.首先采用C-C算法求解交通流量时间序列的最佳时间延迟和嵌入维数,进行相空间重构;然后选用G-P算法计算序列关联维数,判断出短时交通流量序列具有混沌特性.在此基础上,将重构数据作为正则化极端学习机的输入和输出来训练模型,并采用网格搜索法优化模型参数.最后以实测数据为基础,对模型的预测效果进行对比分析.结果表明,新构建模型的预测效果良好,能够有效提高短时交通流量预测精度.

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出了一种基于图Transformer(graph transformer,Graformer)的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,将带有边的图同构网络(graph isomorphism network with edges,GINE)和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络(long short-term memory,LSTM)对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。

基于多核混合支持向量机的城市短时交通预测

城市道路交通的不确定性、非线性和时空相关性使得交通系统参数描述和知识获取极为困难,从而使短时交通预测难以获得满意结果。利用多核混合支持向量机识别和处理不同类别输入数据的能力,提出了一种基于多核混合支持向量机的城市短时交通预测方法。该方法在统计分析交通状态数据样本的基础上,继承了支持向量机良好的泛化能力、全局最优和较强自适应性的特点,并采用改进的粒子群算法对支持向量机的参数进行了优化选择。同时,针对道路实时交通状态与历史平均交通状态较强的线性相关性、道路实时交通状态与前几时段交通状态及上下游路段实时交通状态的非线性相关性,分别设计了线性核函数和非线性核函数对城市交通状态进行映射和拟合。该方法既考虑到交通状态历史规律对预测的指导意义,又顾及交通的时变特征,充分提取了交通系统相关参数的知识信息。实验结果表明,本文提出的短时交通流预测方法具有准确性、鲁棒性和自适应性特点,具有较好的实际应用价值。

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。