随着智慧化城市的提出,智能交通系统已经成为城市建设中至关重要的部分,而短时交通流预测是实现智能交通系统的核心研究内容之一[1]。本文对获取的公交车GPS数据进行了挖掘分析,提取公交车速度数据进行短时交通流预测算法研究。考虑到...随着智慧化城市的提出,智能交通系统已经成为城市建设中至关重要的部分,而短时交通流预测是实现智能交通系统的核心研究内容之一[1]。本文对获取的公交车GPS数据进行了挖掘分析,提取公交车速度数据进行短时交通流预测算法研究。考虑到时序数据的时间相关性和交通流数据的准周期特性,本文设计长短期记忆人工神经网络(Long-Short Term Memory,LSTM)对交通流速度数据进行预测。结果表明,LSTM能够通过对历史速度数据的学习,找出时间序列之间的关系,利用LSTM的选择性记忆功能,能够对短时交通流速度进行更准确的预测。展开更多
为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网...为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.展开更多
文摘随着智慧化城市的提出,智能交通系统已经成为城市建设中至关重要的部分,而短时交通流预测是实现智能交通系统的核心研究内容之一[1]。本文对获取的公交车GPS数据进行了挖掘分析,提取公交车速度数据进行短时交通流预测算法研究。考虑到时序数据的时间相关性和交通流数据的准周期特性,本文设计长短期记忆人工神经网络(Long-Short Term Memory,LSTM)对交通流速度数据进行预测。结果表明,LSTM能够通过对历史速度数据的学习,找出时间序列之间的关系,利用LSTM的选择性记忆功能,能够对短时交通流速度进行更准确的预测。
文摘为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.