基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,为了准确地对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型(CS-Transformer)。该模型通过使用卷积神经网络(convolutional neural networks,CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(similarity location encoding mechanism,SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车全球定位系统(global positioning system,GPS)数据对模型进行验证,结果表明该模型预测结果优于CNN、Transformer和CNN-Transformer等模型,以均方误差(mean square error,MSE)为评价指标,将测试集中交通路网的平均预测精度分别提高了19.6%、26.3%和10%。

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function,PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。

基于空洞-稠密网络的交通拥堵预测模型

在利用卷积神经网络模型对短时交通拥堵情况等预测场景进行预测时,由于模型的卷积池化操作过程会丢失部分数据,使得目标位置的信息出现丢失及特征的分辨率持续下降,导致模型的预测能力降低.针对此,本文提出一种空洞-稠密神经网络模型.首先,利用空洞卷积用较少的网络参数获取更大感受野的特点,充分提取出复杂多变的数据时空特征.其次,通过下采样及稠密网络的等值映射,解决参数在神经网络层数增加过程出现退化的问题.最后,取实际的城市道路平均车速数据块对网络结构的有效性进行验证.结果表明:同卷积神经网络模型相比,该网络结构预测平均绝对误差降低3%~23%.

基于Softmax函数增强卷积神经网络—双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,需要准确识别和判断交通状态。基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index, TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态。提出了一种改进的深度学习预测模型(CS-BiLSTM),该模型基于卷积神经网络(convolutional neural networks, CNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM),并结合Softmax函数增强CNN提取出的交通空间特征信息。最后以成都市出租车的全球定位系统(global positioning system, GPS)数据进行验证。结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比CNN-BiLSTM网络预测框架提升了13%。

基于长短期记忆模型的交通拥堵预测方法

为了在交通拥堵预测算法中充分考虑各类因素的影响以及挖掘交通流数据隐含的深层特征,该文提出基于长短期记忆(Long-short term memory,LSTM)模型的交通拥堵预测方法。该方法充分考虑交通流特征、天气、节假日等因素,首先利用去噪自编码模型提取输入数据的核心特征,再使用LSTM模型长时记忆历史数据,二者结合对城市交通拥堵程度进行有效预测,通过与已有的交通拥堵预测模型进行对比,结果表明,该方法具有较高的预测准确度和鲁棒性,准确度能达到92%以上。

基于时序关联规则挖掘的交通拥堵预测研究

交通拥堵造成的时间延误和能源浪费给社会带来了巨额的经济损失并严重影响了居民的生活环境,是当前亟需解决的重要问题。现有的交通拥堵预测方法并没有考虑到交通流量的时序性,因而不能很好地适应复杂的交通情况。针对这一背景,提出了一种基于遗传算法的时序关联规则挖掘的方法,并通过对挖掘出的时序关联规则进行分类来预测交通拥堵。实验结果表明,本方法能够准确有效地对交通拥堵事件进行预测,能够很好地适用于复杂的交通拥堵状况。

基于深度学习的城市主干道路交通拥堵水平预测

为了解决城市主干道路交通拥堵问题,提出一种基于深度学习的城市主干道路交通拥堵水平预测方法。建立城市主干道路交通网络的Katz相似度矩阵,保存路网的结构特征,获得城市主干道路交通流数据。采用局部敏感判别分析模型,将交通流数据映射到低维流形,获得最优投影矩阵,提取城市主干道路交通特征。结合循环神经网络模型(RNN)和长短时记忆网络模型(LSTM),设计长短时记忆循环网络(RNN-LSTM)模型,解决梯度消失问题,输入城市主干道路交通特征,经过训练输出城市主干道路交通拥堵水平预测结果。实验结果表明,所提方法预测准确度在0.8~0.98,预测所需时间平均为24.74 ms,具有一定的应用价值。

融合FCM-RBF的短时交通拥堵状态预测模型

针对高速公路常发性拥堵路段,提出一种融合模糊C均值聚类算法和径向基函数神经网络的短时交通拥堵状态预测模型。模型基于FCM聚类算法获取历史交通流的拥堵状态标签以及不同交通状态的聚类中心;基于RBF神经网络算法实现短时交通流参数预测。将RBF神经网络预测得到的短时交通流参数代入FCM聚类结果中,得到短时交通拥堵状态标签。通过交通流参数与交通状态的隐含关系,搭建出融合模型的基本计算架构。结果表明:FCM聚类算法训练后的分类结果更加稳定有效;RBF神经网络比对照方法具有更高的预测精度,预测相对误差基本低于1.2%;建立的FCM-RBF模型对短时交通拥堵状态预测的分类正确率达到95%,预测结果准确可靠。

银川市区部分路口短时交通拥堵指数预测分析

道路交通状况短时预测是现代智能交通系统的一个重要组成部分,而交通拥堵指数是交通状况最直接的体现,因此对交通拥堵指数进行预测具有重要的应用价值。利用小波神经网络结合城市道路交通拥堵指数分布的空间和时间性,建立银川市区部分路口的短时交通拥堵指数预测模型,利用实际交通拥堵指数数据对模型进行训练和短时预测,并将预测结果与实际数据进行对比。结果表明:模型在一定程度上拟合了真实交通拥堵指数的变化趋势,对所预测的2个交通路口的平均绝对百分比误差分别为13.68%和15.35%,能够达到较好的预测效果。

基于交通拥堵预测的交通网络最短路问题的研究

交通拥堵预测在车辆路线选择方面起到了一个指导决策的作用,通过交通拥堵预测,不但能够帮助减轻城市交通压力,同时方便了车辆出行,节省车辆出行费用。本文通过对交通拥堵的预测来修正交通网络中发生拥堵的概率分布,从而得到在交通网络期望费用值最少的最短路线,算例仿真结果表明交通拥堵预测能起到积极作用。

一种基于贝叶斯网的交通拥堵预测方法

在公共交通道路的管理决策及驾车者行车的择路过程中,经常需要对道路的拥堵情况进行判断与预测,以便对下一步的决策提供指导.提出一种对划分区域内下一时段的交通拥堵情况做出预测的方法.该方法可有效识别出规定区域内多个可能发生拥堵的子区域并应用于实际道路交通的管理决策支持及行车路线规划中;该方法用贝叶斯网推理算法对下一时段每一子区域的拥堵情况做出预期,用DBSCAN算法对相邻近的多个拥堵子区域进行合并.实验结果表明该方法是有效的.

基于改进支持向量机模型的交通拥堵情况预测

随着机动车数量的迅猛增加,城市交通拥堵状况日益严峻,城市道路拥堵严重影响着居民的日常工作和生活,因此研究道路拥堵程度,以及对道路拥堵变化进行预测则显得尤为重要。为此,构建一个基于拥堵指标的MM-SVR模型,在考虑下一时段可能到达路段的潜在车流量情况下,对道路拥堵情况进行深入探究。首先,融合速度、区域内交通流量构建道路拥堵程度指标,然后基于历史数据构建将马尔科夫链与支持向量机预测相结合的MM-SVR模型对道路拥堵进行预测,以向前n阶状态的交通流量和速度作为输入量,将道路拥堵程度指标作为输出量。在实例验证中,使用广州市某片区的实时交通流数据对模型效果进行评测,并且使用SVR以及Adaboosting模型进行对比实验。实验结果表明,该模型无论是在拟合优度还是预测误差上均优于对比模型,在实时反映交通流拥堵情况方面有着良好表现。

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。

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。

基于生存模型的城市交通堵塞时间预测研究

城市化是人类进步的必经历程,而交通拥堵又是城市发展过程中的必然阶段,城市经济的发展必然伴随着交通拥堵的出现。该文基于济南市交通情况进行探索性分析,结合交通系统的实时数据情况,考虑时空特征、动态交通流参数等方面,将噪声数据进行分类并依照除噪规则进行数据预处理,针对生存模型的交通拥堵持续时间评估,以济南市为研究对象,选择交通拥堵的研究路段及时段,建立生存模型,提出非参数分析方法,最后,绘制交通拥堵持续时间的生存函数曲线及风险函数曲线,对交通拥堵持续时间进行预测评估。

基于时空关联规则挖掘的城市交通拥堵传导预测

对城市交通拥堵进行准确预测是智能交通领域的重要研究问题.为更准确地预测道路拥堵状态和挖掘拥堵传导规则,本文提出了一个新的基于时空关联规则的交通拥堵传导预测模型.该模型使用基于遗传网络规划(GNP)的时空关联规则挖掘算法识别交通拥堵在不同时间、不同地点的共现规则,揭示了交通拥堵的时空传导模式.最后,本文基于北京市交通状态实测数据的实证结果验证了该模型具有较高的预测性能.该模型突破已有研究“先流量预测,再状态分析”的技术路径,将交通拥堵状态作为直接研究对象,揭示了交通拥堵的时空动态传导规律,从而可支持城市交通主管部门提前采取更加系统化的应对措施,提高交通拥堵的前瞻性和动态性处置能力.