基于K-means聚类与PLS回归模型的交通速度短时预测

为实现对交通流局部特征的有效提取,提高交通速度预测模型的可解释性,提出基于K-means聚类与偏最小二乘(Partial Least Squares,PLS)回归的交通速度短时预测模型。模型采用时空相关矩阵挖掘路网中相邻路段交通速度之间的关联性,利用K-means聚类算法划分历史数据集,并选取实测出租车GPS数据验证模型对交通速度短时预测的准确性。实验结果表明,与ARIMA、PLS回归和LSTM模型相比,该模型的预测误差减少了约30%。

基于Inception卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。

基于图注意力机制的城市路网短时交通速度预测

针对城市路网短时交通速度预测问题,在考虑路网交通状态时空相关性的情况下,提出一种基于图注意力机制的预测方法。该方法利用图注意力网络(GAT)和门控循环单元(GRU)构建了GAT-GRU模型,在路网层面对交通状态的时空相关性进行有效地建模,进而预测路网短时交通速度。以城市道路网的交通速度数据为数据源展开数值实验,结果表明GAT-GRU模型的表现均优于对比模型。

基于多任务学习时间卷积网络的路网短时交通速度预测

短时路网交通速度预测是智能交通系统的重要技术。基于深度学习,文章提出了一种多任务学习时间卷积网络(Multi-Task Learning Temporal Convolutional Network,MTL-TCN),用于预测路网层面的短时交通速度。以广州市路网交通速度数据为数据源展开对比实验,结果表明MTL-TCN模型优于经典方法和深度学习方法。