基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

高速公路建筑施工的短时交通流量统计预测的大数据分析

城市道路路网建设直接关系着市民的生活质量与城市的未来发展状况。现今时代,交通拥堵问题已成为城市发展过程中不可避免的重要问题,如何解决交通拥堵问题更是成为了城市可持续发展的重要前提。为了构建一个科学合理的城市道路交通体系.

基于二次分解和融合多特征的短时交通流量组合预测模型

考虑到交通流的随机性和非线性特征导致预测精度低的问题,本文提出一种基于二次分解和融合多特征的组合预测模型。利用时序分解方法将提取交通流量中的趋势性和周期性特征,通过优化后的变分模态分解对残差分量进行二次分解,并对所得分量进行重构;使用相关系数法选取交通流的外部特征,建立3个相异模型对融合外部特征后的分量进行预测;利用强化学习优化各模型的权重,加权求和得到最终的预测结果。利用长沙市区的交通流量进行仿真分析,结果表明:与长短时记忆神经网络模型、卷积神经网络和门控循环单元的组合模型、二次分解后的BP和二次分解后的轻量级梯度提升机相比,本文建立的模型对城市道路交通流的预测效果更好,平均绝对误差为2.622,均方根误差为3.479,均优于对比模型的预测误差,验证了模型的有效性。

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。

基于混沌和RBF神经网络的短时交通流量预测

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,论文从非线性时间序列的角度对短时交通流量预测进行探讨,提出采用基于混沌理论的RBF神经网络预测方法。首先在采用小数据量的Lyapunav指数计算方法判定交通流存在混沌的前提下,对交通流量数据进行相空间重构。构建了RBF神经网络,并对模拟产生的Lorenz和Rossler混沌时间序列数据以及实际采集的高速公路交通流量数据进行了仿真研究。结果表明,该方法对模拟产生的混沌时间序列具有很好的预测效果,在交通流量的短时预测上也具有较高的预测精度。

多子群遗传神经网络模型用于路口短时交通流量预测

为适应交叉路口短时交通流量的实时变化性和非线性性,提出将一种多子群遗传神经网络算法(MPGNN)应用于交叉路口短时交通流量的预测,结合BP网络对非线性问题良好的求解能力和遗传算法优良的全局寻优能力,建立遗传算法的多个子种群来搜索BP网络的最佳结构。通过对武汉市珞瑜路、武珞路、珞狮南路、珞狮北路交叉路口的短时交通流量进行预测分析,取得了良好的实验效果。根据预测结果对该路段的交通流量进行重新分配和控制,对缓解珞瑜路和武珞路段高峰时期交通流量的压力具有重要作用。

基于RVM和ARIMA的短时交通流量预测方法研究

为进一步提高短时交通流量预测精度,提出一种基于RVM和ARIMA的短时交通流量降噪方法.设计了降噪方法的流程,选取了降噪方法误差评价指标;基于RVM和ARIMA的短时交通流量预测方法和预测流程,引入平均绝对相对误差(MAPE)作为预测方法误差评价指标,以某城市道路的录像数据为实例,对构建的预测方法有效性进行验证.结果表明,在不同公用时间尺度(5,10,15min)下,所提出的短时交通流量预测方法的平均绝对相对误差均小于直接运用指数降噪模型、BT神经网络模型、ARIMA模型等方法预测的结果,有效地提高了短时交通流量预测精度.

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。

基于时空分析的短时交通流量预测模型

根据交通流的时空关联性和非线性,提出一种基于时空分析的短时交通流量预测模型.在相关系数的基础上扩展时空语义,提出时空相关分析算法,并以支持向量机为预测工具进行预测.弥补现有模型在预测因子选取方面的不足,提高预测精度并避免预测的人为主观性.实验结果表明了算法和模型的有效性.

基于GA优化IWNN的短时交通流量预测方法

由于交通流量的非线性、复杂性和不确定性,确定数学模型的预测方法难以满足交通管理控制中对预测精度和收敛速度的要求。为了对交通流进行准确、实时、高效的预测,提出将小波理论与神经网络相结合,并改进网络的训练过程从而构建改进型小波神经网络;同时运用遗传算法优化网络的初始权值,最终提高了预测精度,加快了收敛速度,避免陷入局部极小。通过仿真和分析,提出的方法具有较好的预测结果。

基于蚁群优化支持向量机的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种蚁群算法(ACO)优化支持向量机(SVM)参数的短时交通流量预测模型(ACO-SVM)。将SVM参数的选取看作参数的组合优化问题求解,采用鲁棒性较强的ACO来搜索最优解。仿真结果表明,ACO-SVM在预测精度、收敛速度、泛化能力等方面均优于参比模型,更适合于短时交通流量的预测。

基于ICA和SVM的道路网短时交通流量预测方法

交通流量预测是智能交通系统(ITS)研究的一个重要课题。通过对多个观测点交通流量数据特点进行分析,采用一种基于独立成分分析(ICA)与支持向量机(SVM)相结合的短时交通流量预测方法。首先,通过独立成分分析得到同一条道路上各个观测点的交通流量的独立源信号;接着利用支持向量机预测模型对源信号进行建模和预测,并通过遗传算法(GA)优化参数;最后将其转换为交通流量数据,得到预测结果。实例分析结果显示,该算法优于直接利用支持向量机对交通流量进行预测的方法,并能去除同一条道路上多个观测点测量数据之间的相互影响。

基于遗传灰色GM(1,1,ρ)模型的短时交通流量预测

为了提高短时交通流量的预测精度,本文根据短时交通流量的数据特征,结合灰色模型在短时预测方面的优势,利用遗传算法根据已知数据优化灰色新陈代谢GM(1,1,ρ)模型的背景值参数ρ,对实时采集的交通流量数据进行仿真分析,实验结果验证了该模型的准确性、实时性和有效性。

短时交通流量预测方法

短时交通流量是短时交通参数的基础参数之一,其变化规律可直观反映调查路段或区域的交通变化趋势,可为交通出行提供有效的路径选择信息。基于对统计分析模型、人工智能模型、非线性理论、交通模拟、组合预测模型等短时交通流量预测方法特点和应用的分析,鉴于短时交通流量自身的随机波动特性,指出单一的交通参数预测方法很难有效提高预测的精度和效果,而基于组合预测模型的预测方法具有广阔的应用前景和实践意义,并指出短时交通流量预测方法研究领域今后可能的发展趋势。

基于图结构的城市道路短时交通流量时空预测模型

准确、实时的城市短时交通流量预测可为驾驶员提供实时的道路状况预警,是城市智能交通系统发展的重点之一。考虑交通流量数据的时空特征,该文提出一种基于注意力机制的GC-GRU时空预测模型(STGCGRU),模型输入根据交通流量时间特性划分为邻近片段、日周期片段、周周期片段3类,以嵌入图卷积(GC)计算的门控循环单元(GRU)作为基本单元搭建Encoder-Decoder模型框架。其中,GC用以捕捉城市道路图中的空间特征,GRU用以捕捉交通流量时序特征,注意力机制用以调节交通流量的趋势变动性。基于北京市出租车GPS轨迹数据集的实验结果表明,该模型适用于短时交通流量预测,预测精度随预测时长减少而升高;未添加周期性信息模型的预测精度优于常规基准模型,添加周期性信息后预测精度提升,并优于添加周期性信息的DeepST模型。对比不同交通情况,该模型可捕捉易堵路段交通流量的趋势变动性,晚高峰时期预测精度更高,但对交通流量的突增突减不敏感。

基于组合模型的短时交通流量预测算法

交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine,ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model,TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10,ELM建模时间的4倍,均方误差为BP的1/50,ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。

交通大数据环境下短时交通流量预测研究

针对当前城市交通日益复杂脆弱,以及精细化控制对预测精度要求的现实需求,分析短时交通流量预测研究现状及已有方法在实际预测中的特点与局限性,剖析传统预测手段所面临的挑战与困境。研究结合现代城市交通数字化、信息化、智慧化发展背景,把握交通数据由小样本环境向大数据环境转变的有利契机,依据从实际交通大数据中提取的典型数据,分析探讨从海量数据中挖掘具有相似变化态势的数据进行短时交通流量预测的可行性,并从历史数据库构建、相似度量机制、预测相关参数选取等方面提出相应的算法思路和关键技术。

CS算法优化BP神经网络的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种布谷鸟搜索算法优化BP神经网络参数的短时交通流量预测模型(CS-BPNN)。基于混沌理论对短时交通流量时间序列进行相空间重构,将重构后的时间序列输入到BP神经网络进行学习,采用布谷鸟搜索算法找到BP神经网络最优参数,建立短时交通流量预测模型,通过具体实例对CS-BPNN性能进行测试。仿真结果表明,相对于对比模型,CS-BPNN提高了短时交通流量的预测精度,更加准确反映了短时交通流量的变化趋势。

基于网格划分的城市短时交通流量时空预测模型

准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题,在卷积神经网络(CNN)和长短时记忆(LSTM)单元的理论框架下,结合城市交通流量的时空特性,建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先,采用细粒度的网格划分方法来构建交通流量的时空矩阵;其次,利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性;最后,利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性,并实现交通流量的预测。实验结果表明,STCAL模型与循环门单元(GRU)和时空残差网络(ST-ResNet)相比,均方根误差(RMSE)指标分别减小了17.15%和7.37%,均绝对误差(MAE)指标分别减小了22.75%和9.14%,决定系数(R2)指标分别提升了11.27%和2.37%。同时,发现该模型在规律性较高的工作日的预测效果好于周末,且对工作日早高峰的预测效果最好,可见该模型可为短时城市区域交通流量变化监测提供依据。

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机(LSSVM)参数优化难题,提出一种人工鱼群算法(AFSA)和LSSVM相结合的短时交流量预测模型(AFSA-LSSVM),通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。