基于数字孪生的车流预测及潮汐车道管理系统

该文介绍了基于数字孪生的潮汐车道管理系统。该系统通过实时采集交通数据,利用数字孪生技术建立车流量预测模型和潮汐车道管理模型,通过对车流量的精准预测,实现对潮汐车道的动态管理,从而完成对交通拥堵的准确预测和有效管理。对车流影响因素进行深入分析,建立了车流量相关影响因素模型,并通过多模型对比,选定了效果最好的极端森林模型作为预测模型,同时,引入多种评价指标对极端随机森林模型进行评价。结果显示,无论是在哪一种评价指标上,极端随机森林模型都能对车流量预测体系实现最高精度的预测,尤其是对突发性高峰的预测。通过数字孪生技术对潮汐车道进行方案模拟,通过对不同方案的数字化仿真,有效降低了潮汐车道方案变更和验证的成本,为城市交通管理部门的工作提供了理论支持和数据支撑。该系统的应用可以提高交通管理的科学性和效率性,为智慧交通的发展拓宽应用渠道,为城市交通拥堵问题的解决提供有力支持。

基于车流预测的高速公路交通流动态控制方法研究

为进一步提高高速公路通行效率和服务水平,基于车流预测开展科学合理的交通规划是现阶段有效的解决方案之一,基于此,从车流预测角度出发,对高速公路交通流动态控制方法展开探讨,以期为人们提供安全、高效、稳定、舒适的行车条件以及为做好相对应的交通规划提供参考。

基于动态图自注意力的车流参数预测方法

为了提高异常事件常发地段中智能车辆行驶的效率和安全性,以提升车流参数预测的准确度为出发点,该文设计了一种基于动态节点自注意力的车流参数预测方法,在多个时间步中利用空间注意力聚合邻域节点的特征,沿着时间维度通过时间注意力机制预测交通参数。结果表明:该文设计的动态图自注意力(DGSA)模型的1 h预测结果平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分误差(MAPE)指标分别下降了3.75%、3.45%、11.63%;测算的路段平均碰撞时间(TTC)更长,达到2.8s。该方法能够在异常事件情况下有效预测车流演化态势并提升车辆的安全性。

高速公路车流量预测模型建设

本文对建立高速公路车流量预测模型的方法进行了分析和探讨。通过实验发现,采用机器学习技术建立预测模型可以更好地应对高速公路交通管理的实际问题,能够对车流状况进行准确预测,为高速公路车流管理和决策制定提供了重要依据。本研究成果为高速公路交通管理和规划提供了新的思路和方法,有望在实际应用中发挥重要作用。

基于改进Transformer的公路治超车流量预测

随着智慧城市的发展,公路治超车流量预测作为非现场执法平台的重要组成部分,能够协助系统平台合理配置执法力量,有效降低主干道路货车超载风险。现有的基于卷积、循环神经网络等模型在处理长时间流量预测时存在一系列问题,基于Transformer模型并进行改进,采用通道独立的patch操作提取局部特征作为建模对象,采用层次特征提取编码器结构对全序列进行关联度计算,能有效提高多元长序列的预测准确率。与现有两种方法的对比实验表明,基于改进Transformer的治超车流量预测模型在两个评价指标上有较大提升,能够有效提升交通治超车流量预测准确率。

市政道路智能管理系统构建及车流量预测模型研究

为了提升市政主干道的通行效率,缓解市政交通拥堵程度,实现市政道路的智能管理,构建市政道路智能管理系统,文章利用GraphSAGE聚合算法对图卷积网络进行改进,同时引入注意力机制来计算邻居节点的权重系数,完成对次要数据信息的筛除,简化了图卷积网络的处理过程;构建了包括2图卷积网络层+2门控循环单元层+1全连接层的车流量预测模型。该模型较GCN-LSTM模型、GCN模型、GRU模型和LSTM模型的预测精度分别提升了17.4%、39.2%、42.1%和51.8%,具有较高的预测精度和稳定性,可全面提升系统的管理效率。

基于时间序列预测的停车泊位调度算法

针对现有停车方法存在停车冲突和停车泊位利用率低问题,提出一种基于时间序列预测的停车泊位调度算法。算法利用Holt-Winters模型预测月租车辆在下一时段的停车流量;采用两种停车泊位调度策略,即月租服务优先策略和动态分配策略,在保证月租车辆的停车服务质量的前提下,动态规划可用停车泊位的泊位类型。实验结果表明,在不同数量的停车泊位和月租用户条件下,采用该方法比现有停车方法具有更高的累积利用率,可以有效提高写字楼停车场的利用率。

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.

高速公路车流量预测方法的研究

阐述了高速公路车流量预测研究的意义，并对各种预测方法进行了详细的讨论。通过一个高速公路的实例，对这些预测方法进行了对比分析，并对这些预测方法在高速公路车流量预测问题上的适用性进行了归纳总结。

基于残差修正GM(1,1)模型的车流量预测

车流量预测是城市智能交通系统研究中的热难点问题之一,精确的车流量预测能有效地支持智能交通系统的发展,减少拥堵。同时车流量预测的精确度密切关系着居民的出行质量。然而车流量受诸多因素的不同程度的影响,具有一定程度的随机性、灰色性和不确定性,从城市交叉路口得到的车流量监控数据也具有一定程度的缺失和偏差,简单、准确且高效地预测车流量成为一个挑战。基于交叉路口采集到的车牌识别数据,通过对比经典GM(1,1)得到的预测值与真实值计算出残差,用残差去修正计算模型进而得到修正GM(1,1)模型,再用得到的修正模型迭代处理同一数据集,最后,数值稳定收敛且精度高于未修正模型的结果。

基于AFSA优化的灰色模型的车流量预测方法

随着互联网和大数据技术的发展,利用采集的各种数据进行预测和分析也越来越重要。例如,在交通领域用先进技术来对车流量进行预测,为用户提供方便的出行指导以防患于未然。论文提出将人工鱼群(AFSA)与带卷积积分的多变量灰色模型(GMC)结合的算法模型(AFSA-GMC)应用于指定时间段的高速公路车流量预测上,以提高收敛速度及预测精度。人工鱼群算法的优势在于对初值不敏感,鲁棒性强,能快速收敛,并很好地进行全局寻优,将其应用在带卷积积分的多变量灰色模型中,对其通过最小二乘法得到的参数向量进行优化后能有效提高预测精度,是多变量灰色模型在车流量预测领域应用中的新的尝试。

基于马尔柯夫过程的交叉路口车流量预测模型研究

为了预测城市交叉路口交通控制系统中每个相位的车辆流量,进而在一个信号周期内合理分配每个相位的时间,建立了交叉路口车流量预测模型.该模型运用马尔柯夫分析方法,把各相位定义为当前状态,经片段时候后,系统只要掌握转化为另一状态的可能性,即可制订出相应的控制策略.试验结果表明该算法预测的车流量与实测车流量之间的误差比较小,在短时预测车流量方面是可行的.

基于TS-NN模型的道路交通车流量预测

针对现有的智能交通系统预测方法,基于道路交通的关键参数车流量预测,提出了一种基于深度学习的时间序列交通流预测方法,进一步提升道路交通车流量预测准确率。在对道路交通数据集进行清洗后,使用时间序列和神经网络的结合算法TS-NN进行车流量预测,实验表明,在城市路段的预测中,TS-NN相对时间序列模型ARIMA、神经网络模型LSTM准确率分别提升了1.62%和2.13%;在高速公路数据集上测试上,TS-NN有更加明显的改进,相对ARIMA、LSTM分别提升了20.87%和3.53%,在一定程度上,TS-NN算法确实有助于改进智能交通系统核心算法。

基于傅里叶级数残差修正TDGM(1,1)的车流量预测模型

车流量预测是城市智能交通研究中的热点和难点问题之一。然而,车流量受到诸多因素的不同程度的影响,使用单一模型难以对其进行准确预测。针对这一问题,本文提出了基于傅里叶级数残差修正TDGM(1,1)的车流量预测模型。该模型首先应用离散灰色模型TDGM(1,1)对原始车流量序列进行建模,并得到初始预测值以及残差序列;然后通过傅里叶级数对残差序列进行二次拟合,同时对预测结果进行修正。通过实例分析以及对比试验表明,该模型可以有效提高车流量预测精度。

基于Petri网建模的道路车流量预测方法研究

在对基于Petri网建模道路进行分析时发现,当利用智能算法优化交通信号时会存在一定滞后性,主要原因在于智能算法运算效率不高,以及道路车辆产生的一些随机因素等。因此,使用Petri网对交叉口进行建模并模拟车流产生,并运用改进卡尔曼滤波算法对道路车流量进行预测,用于弥补因车辆随机因素或使用智能算法造成的时滞。改进算法采用SVM回归对利用卡尔曼滤波产生的误差进行拟合与预测,用于补偿卡尔曼滤波算法产生的误差。实验结果表明,利用SVM滤波预测误差降低了6个百分点,证明该方法有效提高了车流预测精度。

基于卷积循环神经网络的城市区域车流量预测模型

城市范围内各区域车流量的预测对交通管制和公共安全有着重要意义。在图像处理和视频检测等领域知识的启发下,采用一种基于经纬度的网格分割方法,将城市范围内的车流量处理为一系列的静态图像,然后输入到一个由卷积循环神经网络(Convolutional Recurrent Networks,CRNs)所构建的编码-预测模型中。文章所提的CRNs结合卷积神经网络(CNN)和长短时记忆(LSTM)的优点,利用CNN挖掘区域间车流量在空间上的相关性,LSTM挖掘区域内车流量在时间上的依赖性。在成都市出租车轨迹数据上进行的实验结果表明,所提模型相比于其他典型的方法有更高的精度。

基于改进LSTM模型的短期车流量预测

随着社会的发展,短期车流预测成为了一个越来越重要的课题。准确预测车流量可以为交通部门提供必要的指导,也可为出行带来方便。为了更准确预测短时车流量,提出了基于注意力机制的长短时记忆神经网络(LSTM-attention)模型。并且又考虑到日期特性对车流量的影响,所以将数据集划分为工作日和节假日两类讨论。同时在实证分析中设置对比实验来说明LSTM-attention可以适应短时车流预测,能够对道路的拥堵情况做出较为准确判断。

基于长短期记忆网络构建短时车流预测模型

为了准确地预测短期高速公路车流量,从而有利于最优路径规划,基于高速公路大数据积累,以及基于神经网络机器学习技术的发展,构建了基于长短期记忆网络构建短时车流预测模型,并对关键参数的设置进行优化,提出模型求解算法。通过杭金衢高速新岭隧道段数据进行案例分析,模型预测精度高于传统时间序列模型,为今后高速公路运行管理提供可靠支撑。

基于ARIMA模型的区间道路短时车流量预测研究

针对区间道路短时车流量数据规律性较弱、随机误差干扰较强,且具有高度不确定性、难以准确预测的问题,基于ARIMA算法提出了一种改进型的短时车流量预测模型。该模型的建立无需借助任何外生变量,根据需要预测的时间周期个数可将短时车流量数据划分为对应的数据集组,再由每个数据集组预测下一个时间周期的车流量。该模型使得数据更加平滑,有效解决了多因素对短时车流量的影响。对区间道路采集到的车流量数据进行建模仿真,仿真结果验证了所提模型的普适性及准确性。

基于深度学习的车流量预测方法研究

交通流量信息在智能交通系统管理中起着重要作用。随着交通流检测、采集技术的发展,海量的交通信息得以获取,为提高预测准确性提供了机会。论文建立了基于自动编码器和LSTM递归神经网络的交通流量预测模型,该模型首先利用自动编码器进行无监督的特征表示学习,训练自动编码器层参数,然后将自动编码器隐含层输出作为LSTM层输入,利用期望输出和实际输出误差调整LSTM层和输出层参数,分析挖掘北京市朝阳区的路口交通数据,实验结果表明提出的预测模型能够更好地反映路口交通流的变化特征。