融合多模态信息的Prophet-DCRNN交通预测方法

交通预测问题具有明显时空特性。相比传统数据挖掘方法,深度学习因为其解决复杂问题的能力越来越受到研究人员青睐。同样在交通预测中,深度学习借助其被精心设计的网络结构很好的捕捉了时空特征。然而,实际城市交通状态还受天气、节假日等因素影响,往往在恶劣天气、节假日更倾向于出现交通拥堵。为解决上述问题,文中提出了融合多模态信息的Prophet-DCRNN路口交通预测方法,利用Prophet时序预测算法捕获节假日效应,采用DCRNN捕获交通时空特性,此外采用类stacking技术,融合Prophet算法、DCRNN算法及天气信息,得到最终融合多模态信息的混合模型。最后通过实验验证了Prophet-DCRNN混合模型在节假日、不同天气状况等场景下交通预测的准确性。

高速公路突发事件恢复重建期交通量预测

为了提升高速公路突发事件应急管理能力,为突发事件恢复与重建施工及路网拥堵状况预判提供依据,提出一种高速公路突发事件恢复重建期路网交通量预测方法,利用扩散卷积和序列到序列学习框架模型,结合预定采样技术捕捉时间序列时空相关性,以高速公路联网收费数据为基础,建立路网交通量分配模型,实现对交通量时间精度下的分配;利用扩散卷积递归神经网络(DCRNN)构建高速公路路网交通量预测模型,运用扩散卷积运算来捕捉交通量的空间相关性,并使用预定采样编码器-解码器结构有效解决交通量的时间依赖问题,模型将交通的空间性建模为有向图上的扩散过程,而不是传统的网格划分;并选取自回归滑动平均模型(ARIMA)模型和机器学习BP神经网络模型对模型的准确性及有效性进行了验证。研究结果表明:将河北省石家庄高速公路路网发生突发事件后15d交通量数据做训练集,后7d数据进行验证,迭代60次时,测算每15min间隔内的路网交通量的模型精度达到0.95。提出的模型预测的平均绝对误差(MAE)和平均绝对百分比误差(MAPE)更低,能够有效弥补单一化神经网络预测模型仅能做出时序性预测的不足,可显著提高预测结果的精确性和实用性。