基于流计算和大数据平台的实时交通流预测

目前交通流预测实时性差,很难满足在线分析和预测任务的需求,基于此提出一种Flink流计算框架和大数据平台结合的实时交通流预测方法。基于流计算框架实时捕捉和预处理数据,包括采用Flink的transform算子对数据进行校验和处理,将处理后的数据sink到大数据的HDFS文件系统,交由下一步的大数据并行框架进行分析建模与训练,实现基于流计算和大数据平台的实时交通流预测。实验结果表明,Flink能够实时捕捉和预处理交通流数据,把数据准时无误送入分布式文件系统中,在此基础上借助大数据框架下的并行分析和建模优势,在实时性数据分析与预测方面取得了较好的效果。

数据缺失下的交通流预测方法研究

文中提出了一种基于节点向量-生成对抗网络的交通流预测方法.通过Node2vec方法实现路网邻接关系的重构,实现路网空间相关性的深度挖掘.基于残差图聚合机制构建了路网数据空间特征的生成器,实现了根据路网中的部分已知数据推演未来路网交通流数据.采用西雅图高速路网速度数据集(Seattle)和加州路网速度数据集(PEMS)验证模型的有效性.结果表明:该模型在不同数据缺失模式、不同数据缺失率下均可以保持鲁棒的交通流预测表现.

基于ETC和互联网地图路况数据的高速公路交通流仿真和预测探析

本文针对高速公路大流量和交通事件的管控需求,提出了一种基于ETC门架获取的车辆行驶数据和互联网地图导航大数据的融合分析方法,结合交通流仿真理论和机器学习算法,实现了对高速公路交通运行情况的仿真和预测。该预测方法可针对事故、施工、恶劣天气场景提供实时仿真和未来预测的路网运行态势评估,具备全行业标准化推广的可能性。

基于神经网络的海量GPS数据交通流量预测

交通流量数据具有非周期性、非线性和随机性等特点.为了更准确地对未设置ETC路段交通流量进行预测,采取相应措施处理交通拥堵问题,提出了基于神经网络推论模型为主体的交通流量预测系统.通过实验验证了ARIMA乘积季节模型、BP神经网络和RBF神经网络的多种训练函数的预测精度及适应性.相对于常规预测方法,基于神经网络的预测方法具有更好的适应性,而且预测精度也更高.

应用手机GPS数据预测交通流速度

准确估计交通状况,定位交通拥堵是方便人们出行的重要一步。利用手机GPS信息,预测交通拥堵具有很广阔的应用前景。本文采用基于主成分分析的多元线性回归的方法构建预测模型,利用GPS定位数据对短时交通流速度进行预测。实验结果表明,基于手机GPS数据所构建的回归模型能够对交通流速度进行有效的预测。

面向动态交通流多步预测的时空图模型

为更好表征交通路网中节点之间的动态隐式关系,提出一种基于时空数据嵌入的动态图卷积交通流预测模型。基于路网中节点之间的共现关系,利用深度游走算法将时空数据映射到嵌入空间中学习节点的向量表示;引入时隙嵌入特征与二维空间嵌入特征共同构建三维嵌入邻接张量,用于捕获时空依赖关系;在图卷积网络中添加自适应更新机制,利用循环组件演化图卷积网络的参数,以捕获图序列的动态性。将所提模型应用于基于真实交通数据集的交通流预测,结果验证了其有效性和提取路网隐式关系的准确性。

基于深度学习的短时交通流预测方法综述与仿真研究

近年来,随着城市路网交通检测设备和城市数据存储基础设施的升级换代以及深度学习技术的快速发展,应用深度学习技术解决城市路网短时交通流预测问题已成为智能交通领域的一个研究热点。不同于传统短时交通流预测方法,基于深度学习的短时交通流预测方法能充分利用海量交通流数据,深入挖掘路网中不同交通节点间流量的隐藏特征与复杂时空关联,能有效提升预测短时交通流的精度。首先,简要回顾短时交通流预测方法的发展历史,重点分析、讨论基于深度学习模型的短时交通流预测方法最新技术进展和理论研究结果。其次,梳理、总结国内外广泛用于验证算法有效性和进行比较分析的公开交通流数据集。再次,阐述基于深度学习模型的短时交通流预测算法解决实际交通流预测问题的具体过程和详细步骤,基于公开测试数据集PEMS04分别对基于深度学习模型长短时记忆网络(LSTM)和门控循环单元(GRU)的短时交通流预测算法进行仿真研究,以验证算法的有效性及其相较于传统方法的优势。最后,总结、展望基于深度学习模型的短时交通流预测方法在实际应用中存在的挑战和未来研究方向。

基于公交车GPS数据的短时交通流预测研究

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。

基于多组件时空网络的高速路网交通流预测探析

高速公路ETC数据包含着丰富的交通运行时空特征,本文充分挖掘ETC数据,提出了一种高速公路网络级门架断面交通流量预测模型——多组件时空网络(MCSTN)。对门架流量数据时空特征进行了分析,依据福建省高速公路真实的数据集,对MCSTN进行了实验测试与可视化,结果表明,MCSTN在多个性能评估指标上均优于相关的基线模型和变体模型,且能较好地拟合真实值。

基于K-means与Bi-LSTM的短时交通流预测研究

本文选取交通流预测模型为双向长短时记忆网络模型(Bi-LSTM)做预测,通过对Bi-LSTM模型进行研究,并对此模型进行改进,使模型可用于预测通过聚类后的Bi-LSTM模型的交通流量数据。实验通过中心聚类方法对数据进行聚类,对所分类的数据样本运用已经设置好的Bi-LSTM预测子模型进行预测。结果表明,相较于单一模型,本文所提出模型提高了预测精度,验证了所提出模型可以有效地对交通流进行预测。

面向手机信令数据的交通枢纽人流量短时预测算法

为实现对重点区域人群聚集动态的有效掌握,保障区域人群的及时疏运,预防群体性安全事故的发生,以广州市火车站枢纽区域为例,通过对海量手机信令数据进行信息处理,结合地理信息系统将手机信令数据映射至研究区域,实现区域人流量的实时统计,同时分析了大都市火车站枢纽区域春运人流量变化情况,得出春运期间区域人流量存在周期性变化的规律,以此为基础,构建了以平均绝对百分比误差最小的k值自适应计算模型,设计了基于手机信令数据的城市交通枢纽人流量k近邻预测算法,并以节假日与非节假日两种不同交通模式环境进行算法测试.结果表明:所建立的预测算法在两种模式下其平均绝对百分比误差PMAPE分别在6%与5%以内,均能够较为准确地对区域人流量进行预测.

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况,提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构,以此获取路网结构中的拓扑信息;通过时序模型对链状结构进行交通流预测,完成对链状结构的时序特征提取;最终,通过解码方法得到路网的时空交通流预测结果。采用GPS数据,选取不同路网进行对比实验,引入数据编解码的时空交通流预测方法与时间序列模型进行比较,并且与基线模型HA和ARIMA展开了对比实验。实验结果表明:深度学习模型引入数据编解码机制后,模型性能明显提升;引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。

基于手机信令大数据的轨道交通短时流量预测

针对轨道交通短时流量预测存在流量波动预测精度较低、运行时间较长等问题,提出了基于手机信令大数据的轨道交通短时流量预测方法。获取用户手机信令数据和轨道交通路线信息,并将发出手机信令大数据的手机基站拟合至轨道交通路线上,根据手机信令数据切换确定手机基站切换序列与轨道交通路线基站切换序列间的相似度,确定轨道交通路线上的手机用户,构建轨道交通路线上的大量手机用户信令样本数据库。根据预测当日交通轨道流量数据特征,在已构建的数据库内采用欧氏距离作为距离度量方式确定特征近邻,依照确定的K组近邻值数据预测下一时刻轨道交通流量。结果显示K取值为4时,该方法预测精度最高,预测日全天平均绝对百分比误差低于5%。

大数据背景下城市短时交通流预测

为了在尽可能短的时间内挖掘和分析海量城市交通流数据,实时准确地预测城市短时交通流状态,建立有效的城市交通诱导系统,改善城市交通管理水平。根据城市交通大数据的来源异同、数据量大、种类繁多等特征,提出大数据背景下的城市短时交流状态预测新方法。新方法综合利用了随机森林算法进行机器学习的优势,克服了决策树算法的一些不足,又保留了决策树算法的优点;同时,新方法在大数据体系下实现了并行运算,提高了新方法各方面的学习性能,能够更快速、更加精确地实现城市短时交通流状态预测,并为城市交通诱导系统提出合理的交通建议。首先,针对城市交通流大数据的特征和城市短时交通流状态的预测需求,采用通用大数据分析处理平台构建城市交通流大数据管理平台,实现城市交通流大数据的整合、分布式存储与管理;然后,结合云计算技术,利用并行化计算模型MapReduce对随机森林算法实现并行化,增强算法的数据分析与处理效率,提高算法对大数据的处理能力;最后,采用并行化的随机森林算法对城市交通流大数据进行计算与处理,实现城市短时交通流状态的高效和实时预测。试验结果表明,并行化的随机森林算法的数据分析与处理效率、对城市短时交通流状态的预测精度,以及在不同数据集上对大数据的处理能力等各方面的性能均优于传统的预测方法。

基于SVM与自适应时空数据融合的短时交通流量预测模型

针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.

处理缺失数据的短时交通流预测模型

针对交通检测中数据的缺失问题,提出了一种新的交通流综合短时预测模型,这种模型可以对交通检测中的缺失数据进行重建,并在此基础上运用改进的卡尔曼平滑算法进行短时交通流预测。该模型克服了传统的预测方法无法对检测数据的缺失进行处理的缺点,能在数据缺失时进行有效的交通流预测。通过深圳市的实际流量数据的验证,并比对传统方法,证实该方法具有较好的预测性能,模型预测精度可以保持在88%以上,具有较好的实用性。

手机信令与出租车GPS数据融合车源定位方法

为揭示居民出行行为与城市交通拥堵的内在关联,并为缓解城市交通拥堵提供技术支持,利用高覆盖率、低精度的手机数据和低覆盖率、高精度的出租车GPS数据,构建了数据驱动的车源定位方法.利用手机数据获取出行需求信息,利用出租车GPS数据获取交通状态信息;提出基于数据融合的出行OD估计方法,进行交通流分配,对城市道路车流来源及城市拥堵源进行动态定位.结果表明:道路车流主要来自于少量车源小区,且拥堵状态下这些小区更加集中;同时受居民通勤行为的影响,城市全局拥堵源在早晚高峰表现出不同的特征.利用数据融合的车源定位可以用于揭示拥堵形成的内在机理及演化规律,辅助制定有针对性的拥堵缓解策略.

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。

基于手机定位的交叉路口交通流数据采集方法

为了实现对城市道路交叉口交通流数据的全面采集、减少成本、提高效率,提出以手机为交叉口交通流信息获取源的思路。研究了将手机定位数据(运动速度、经纬度)转化为交通流数据的方法。通过检测空间和检测单元的确定,根据用户的运动速度和位置信息,按照步行、自行车、小汽车和公交车将不同手机用户的出行方式进行了准确判断,最终实现了交叉口交通量、车流流向和延误数据的自动采集。