基于演化模式挖掘和代价敏感学习的交通拥堵指数预测

交通拥堵指数预测是智能交通系统的核心能力之一。然而,现有方法大多采用回归模型,在长期交通拥堵指数预测任务上表现不佳。针对此问题,本文提出了一种融合演化模式挖掘和代价敏感学习的交通拥堵指数预测方法。首先,采用序列模式挖掘算法从交通拥堵指数历史数据中发现长期演化模式。同时,采用代价敏感学习技术对交通拥堵指数数据与多种时空特征之间的关联进行学习。最后,通过Stacking框架对演化模式挖掘和代价敏感学习的能力进行融合。基于杭州市真实交通拥堵指数数据集进行的实验表明,本文提出的方法对未来5天交通拥堵指数的预测误差比现有方法降低了10%以上。

基于交通指数预测的公交发车频率优化方法研究

随着城市经济发展,城市出行人口数量急剧上升,交通拥堵现象日益严重。由于公众对城市公共交通认识不足,公共交通使用率较低,无法达到缓解交通拥堵的目的。因此,科学地引导人们选择公交出行对提高城市道路资源利用率、解决城市交通拥堵等意义重大。基于上述问题,提出基于道路交通拥堵指数预测的公交发车频率优化的改进方法。将武汉市34路公交车的运营线路作为研究对象,通过百度地图后台获取数据,将数据因素分类,并进行数据集预处理,发现存在多维度因素对交通指数产生影响。根据这一特性,使用神经网络构造预测模型,该模型能有效预测出未来某时刻交通拥堵指数,通过交通指数预测值,修正公交发车时刻表、优化公交发车频率,引导私家车通勤者向公交转移,倡导公众选择便捷快速的公交出行,进而很大程度上缓解交通拥堵的问题。

基于多元时间序列预测的智能交通系统

随着城市化进程的高速发展,交通拥堵已成为困扰和阻碍城市发展的重要问题。道路大多数是部分拥堵、部分畅通,准确预测出道路拥堵状态可以更好地实现汽车分流,缓解交通压力。本文分别运用VARMA(向量自回归移动平均)和LSTM(长短期记忆网络)算法对首都机场附近的57条道路的拥堵数据进行建模分析,在此基础上将LSTM处理多元时间序列的核心思想加入到多元回归算法中,使多元回归算法拥有处理多元时间序列的能力。之后对三个算法的预测准确度和建模复杂度进行对比,找出适合用于不同场景的算法。得出结论,VARMA模型适用于短期精准预测、RNN适用于长期大规模的波动预测、改造后的多元回归模型适用于中长期快速预测。本文中的算法和结论可以更好地帮助公安和交警及时把控道路拥堵状况,针对道路拥堵情况提前做出预案和防范措施。减轻出行压力,提高居民幸福感。