基于大数据技术的城市道路交通短期流量预测研究

车辆数量的增长为城市道路交通带来了较大的压力,很多城市经常出现道路交通拥堵的情况,为城市的发展带来了负面影响,导致了较为严重的汽车尾气污染问题,影响了城市的运行效率。智能交通技术是缓解城市道路交通拥堵问题的重要手段,该技术对道路交通流量进行预测,对车辆进行引导,缓解交通压力。而对城市道路交通的流量进行预测需要强大的计算平台以及精准的预测模型支撑。因此,本文基于大数据技术研究城市道路交通的短期预测问题。

基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

城市短期交通流量预测方法的探讨

根据实际观测得到的交通流量数据,运用灰色预测模型、神经网络以及最小二乘拟合等三种交通流量预测模型,对上海市延安东路隧道浦西段入口处短期车流量进行短期的预测。计算结果表明,神经网络模型的精度最高。最后提出一种根据短期交通流量预测结果的人工智能解决交通拥堵的方案。

基于GA-SVR模型的短期交通流量预测方法研究

为了提高短期交通流预测精度,寻求最优交通流分组策略,通过对短期历史交通流量数据的分析,运用遗传算法优化支持向量回归机的惩罚参数、核函数参数和不敏感损失函数3个参数,构建了GA-SVR模型。首先对采集的数据采用算术平均值进行了降噪处理,然后根据交通数据特征分为连续5个星期五时间、相邻前5个工作日和当天3种时间周期序列,通过不同时间周期序列确定了最优的训练样本集。最后结合采集的数据进行了验证,并且与传统SVR模型进行了精度对比。结果表明:GA-SVR模型预测精度优于传统SVR模型,且基于当天数据构建的训练样本集总体预测精度最高。

基于堆叠LSTM神经网络的短期交通流量预测

短期交通流量预测是各种智能交通场景中的关键任务之一.文章提出了一种堆叠长短期记忆(LSTM,Long Short-term Memory)神经网络来执行此任务.该方法以堆叠的结构增加神经网络的深度,可增强对复杂的线性和非线性函数的拟合能力,从而提高预测的准确性.在四个典型的基准数据集上进行了大量的实验,结果表明所提出方法优于常用的机器学习和经典的LSTM方法.

独立分量分析在短期交通流量预测中的应用

传统短期交通流量预测方法都基于相同的预测模型直接对总体流量进行预测,总体流量数据中含有若干个分量,不同分量使用同一个预测模型,预测模型无法符合每一个分量数据的变化规律,导致预测结果精确度不高。为了提高流量预测精度,节省预测时间,改善传统预测方法的不足,将独立分量分析方法应用到短期流量预测中,对自回归滑动平均(ARMA)预测模型进行了改进。首先,对去除周期分量的高速公路交通流量数据进行独立分量分析,将其分解成若干个正交独立分量,减少分量关联性带来的预测误差;然后,对不同的独立分量分别构建适当阶数的自回归滑动平均模型,即对不同分量进行单独预测;最后,用最小二乘法求解独立分量分析中的混合矩阵,通过混合矩阵将独立交通分量的所有预测值准确地重构回最终需要的交通流量预测值。结果表明,该方法与直接自回归滑动平均模型预测法和经验模态分解法相比具有更高的预测精度和更短的计算时间。

基于Eurocat-X系统实时运行数据的短期空中交通流量预测

在对EuroCat-X系统实时运行数据进行深入分析的基础上,提出一种新的短期流量预测模型,与现有模型相比,它利用EuroCat-X系统强大的计算能力和丰富的信息资源,减少了自身的计算量和复杂度,而且从空中交通管制的角度直接、迅速获得航班动态更新的信息,提高了实时性,然后在REC数据分析系统上对该模型进行了实现,并将预测结果与实际情况进行对比,分析误差产生的原因。