基于变量选择-神经网络模型的复杂路网短时交通流预测

针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面;结合神经网络(NN)的非线性特性,提出了Lasso-NN组合模型.结果表明:Lasso-NN模型在路网交叉口对未来15min交通流数据预测的误差率低于9.2%;在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.

自适应粒子群神经网络交通流预测模型

针对传统神经网络预测模型预测结果准确性低且存在大量无效迭代的问题，提出了自适应权重粒子群神经网络交通流预测（PSOA-NN）模型。首先根据待预测点的上下游观测点数目和历史数据，随机初始化若干组模型参数并计算每组参数对应粒子的适应度；然后采用改进的 sigmoid 函数替代原有模型中的固定惯性权重，并根据其中适应度变好的粒子更新粒子速度和位置，一直迭代到粒子适应度小于预设值为止；最后将满足条件粒子对应的模型参数应用到神经网络模型，根据实时交通流数据预测出15 min后的数据。仿真表明，使用 PSOA-NN 模型，可使得在同等预测误差范围内收敛速度提升 0.6～1.7 倍。

二维局部非负矩阵分解的路网态势算法

针对路网态势评测算法存在限于断面、依赖单一指标等的不足,在解析测量指标和测量断面的相关性及局部非负矩阵分解(LNMF)算法的基础上,提出了二维局部非负矩阵分解2DLNMF算法,通过选择合适参数对路网数据进行降维处理,提取路网特征数据,从而实现路网态势评测.仿真结果表明,使用2D-LNMF算法路网态势评测结果更加准确,而在线评测准确性达到95.69%.