基于时空特征向量的城市快速路交通状态长时段预测

针对交通状态长时段预测问题,提出了基于时空特征向量的长时段交通状态预测模型。该模型在分析交通状态变化时空关联性的基础上,构建了表征交通状态变化规律的时空特征向量,包括时间轴特征、路段历史平均交通状态特征、时间常发拥堵特征和上下游路段的历史交通状态特征。单路段预测实验结果表明,模型预测准确度较高,全天预测准确度在90%左右,高峰预测准确度在80%左右。此外,与单一时间特征相比,提出的时空特征向量能显著提高预测准确度。多路段的实验结果表明,基于时空特征向量的SVM预测方法具有较好的普适性,全天平均预测准确度达到了95%左右,高峰平均预测准确度达到了88%左右。

基于随机抽样GMM的城市交通运行状态模式分类

针对城市交通运行状态模式分类研究实验对象单一、标准方法适用性较差的问题,提出一种基于高斯混合分等级随机抽样聚类的交通运行状态模式分类方法。采用相对速度作为聚类指标,利用分等级随机抽样的方法,从组成城市路网6种主要道路等级的路段中分别进行随机采样,在此基础上比较不同采样数下的聚类结果。实验结果表明:当采样路段数在3000条以上时,该方法NMI指标维持在0.95以上,聚类结果基本保持稳定;当交通运行状态模式数为5时最为合理,与其他模式数的结果相比,此时聚类中心没有明显重合,DBI指标最小;与国标、FCM和K-means聚类方法相比,该方法的整体分类效果更优,符合聚类指标的分布特点,与聚类指标的相关性更高。

基于随机森林算法的路段行程时间预测

利用随机森林算法对路段行程时间进行预测,根据行程时间的相关性提取了四个特征向量作为决策树节点分裂的依据,对原始数据集进行训练,并将预测值与实际数据对比,发现绝大部分时刻两者基本吻合,MAE均小于2.49 min,MAPE都控制在10%以内,相对于该时段平均行程时间来说误差在可以接受的范围内,预测精度较高,这说明基于随机森林算法的路段行程时间预测是可行的。