基于GRU-RNN模型的城市主干道交通时间预测

交通旅行时间是研究交通路况的重要指标之一,对其精确预估是城市道路交通管理的重要依据。针对交通旅行时间序列数据,应用GRU结构的递归神经网络,构建城市主干道交通旅行时间预测模型。根据实际路网数据的时间相关性重构交通旅行时间序列,结合时间序列的趋势特性完成对数据的清洗以及缺失值的补齐。使用基于TensorFlow为后端的Keras框架完成基于GRU结构的循环神经网络的结构搭建和精细调参,使用路网实测数据进行模型的训练和验证,根据验证结果选择优化参数,使模型的训练时间水平得到提升。仿真实验证明其所采用的模型相对于基于LSTM结构的时间序列模型收敛速度更快。

基于随机生存森林的交通事件持续时间预测

采用随机生存森林模型开展交通事件持续时间分析,克服了传统决策树模型易过度拟合和传统生存分析需限制性假定及识别协变量交互作用的缺陷.该研究基于上海城市快速路网交通事件数据,结合道路几何线形、交通运行、天气状况等数据.原始数据库分为训练数据(80%)和测试数据(20%).分析结果表明事件类型、路段长度、发生地点、剩余车道数、交通流量等变量对交通事件持续时间有显著影响;影响时间预测准确率结果表明随机生存森林模型预测精度显著优于随机森林的预测精度.

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。