基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解(VariationalMode Decomposition,VMD)和改进麻雀搜索算法(ImproveSparrowSearchAlgorithm,ISSA)与长短期记忆(LongShort-Term Memory, LSTM)神经网络相结合,建立一种短时交通流预测模型(VMD-ISSA-LSTM)。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。

基于完全自适应噪声集合经验模态分解的短时交通流组合预测

为了提高短时交通流预测的准确性,鉴于短时交通流非平稳、难预测的特征,提出了基于完全自适应噪声集合经验模态分解(CEEMDAN)短时交通流组合预测方法。利用CEEMDAN将原始短时交通流信号进行分解得多个复杂度、频率不同的时间序列分量,利用排列熵算法(PE算法)计算各分量的复杂度;然后根据复杂度和随机性的不同分为高频和低频,分别使用ATT-TCN-BIGRU模型和ARIMA模型对高频分量和低频分量进行预测,最后叠加高频和低频的每个分量预测结果作为最终短时交通流预测值。仿真分析结果表明:与ARIMA模型、TCN模型、BIGRU模型、ATT-TCN-BIGRU模型相比,此模型的平均绝对误差及平均绝对百分比误差为最小,预测精度更高。

基于STAtt-DGCN模型的高速公路短时交通流预测

短时交通流精准预测是高速公路交通运行状态精细化监管的重要手段,有助于提前监测高速公路潜在车流拥挤事件并及时管控。国内外学者已经从数理统计、数据驱动的维度提出了多种短时交通流的预测方法,虽然成果颇丰,但对交通流数据在时间关联性、空间关联性方面的共同建模能力不足,导致预测精度仍然有提升的空间。基于此,笔者提出了一种时空注意力扩散图卷积模型(STAtt-DGCN),来进行高速公路交通流的短时预测。该模型依托经典的时间注意力机制、空间注意力机制和图卷积网络,设计了时空模块、时空卷积模块以及扩散图卷积网络模块,来分别建立交通流数据在时间、空间维度的关联性,从而使预测精度得到有效提升。选取了江西省某高速公路3个月的ETC数据集来验证所提模型的性能,并选用ARIMA、LSTM、STGCN等常见基线模型来进行模型的对比评估。实验结果表明:STAtt-DGCN模型几乎在每个月的数据集上都展现出较好的预测能力。以2022年4月为例,与最具挑战的STGCN基线模型相比,所提模型在平均绝对误差、均方绝对误差、平均绝对误差上分别下降了17.9%、40.0%、11.0%。这意味着STAtt-DGCN模型的预测精度相较于基准方法有较大提升,可应用于高速公路交通流精准预测。

基于ARIMA的高速公路短时交通流量预测方法研究

短时交通流预测对于高速公路交通运营管理具有重要的指导价值,能够为高速公路交通流量趋势分析、基础设施建设规模确定以及运营效益评估提供可靠的数据基础。在高速公路交通流量数据平稳性分析的基础上,利用信息准则法进行预测模型识别,通过参数估计和模型检验,构建基于ARIMA的高速公路短时交通流量预测模型。最后利用济青高速的真实交通流量数据进行实例分析,结果表明ARIMA预测模型在高速公路短时交通流量预测方面具有良好的适应性和稳定性,在预测精度方面优于移动平均和指数平滑预测模型。

基于极限学习机的短期交通流预测混合优化模型

交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测,本文在极限学习机(Extreme Learning Machine,ELM)的基础上,通过嵌入原子搜索算法(Atom Search Optimization,ASO),构建ASO-ELM短期交通流预测混合优化模型,对比现有短期交通流预测模型,分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型,使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明:ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%,均方根误差(Root Mean Squared Error,RMSE)分别下降了4.8%、4.0%、2.0%和5.2%;其次,与人工神经网络(Artificial Neural Network,ANN)相比,MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。

基于ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型

电子不停车收费(electronic toll collection,ETC)门架系统为节假日高速公路短时交通流预测提供了数据支撑。针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制(attention)和双向长短期记忆(bidirectional long/short-term memory,BiLSTM)神经网络组成的Attention-BiLSTM(A-BiLSTM)组合模型。通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率。在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能。采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证。实验结果表明:①相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差(root mean square error,RMSE)分别降低了73.3%和49.1%,平均绝对误差(mean absolute error,MAE)分别降低了76.0%和56.3%,预测效果好,可应用于实际的交通运营管理。②相比于未引入注意力机制的BiLSTM,A-BiLSTM组合模型的RMSE降低了41.9%,MAE降低了46.0%。③A-BiLSTM组合模型在5 min的时间粒度下表现最好,与输入数据时间粒度为10,15 min情况下所构建的模型预测误差相比,RMSE分别降低34.5%和42.1%,MAE分别降低39.9%和46.3%。

基于互补集合经验模态分解和改进麻雀搜索算法优化双向门控循环单元的交通流组合预测模型

该文针对短时交通流预测过程呈现的非线性、非平稳性及时序相关性特征,为提升预测的精度及收敛速度,提出一种基于互补集合经验模态分解(CEEMD)和改进麻雀搜索算法(ISSA)优化双向门控循环单元(BiGRU)的组合预测模型。首先,考虑到端点飞翼问题,通过改进CEEMD算法将交通流量序列分解为体现路网交通趋势性、周期性及随机性的本征模态函数(IMF)分量,有效提取了其中的先验特征;随后,利用BiGRU网络挖掘交通流量序列中的时序相关性特征,为避免局部最优,并提高麻雀搜索算法(SSA)全局搜索及局部开发能力,采用ISSA对BiGRU网络权值参数迭代择优。实验结果表明,该组合预测模型中各组件对提高预测精度均起到正向作用,同时在不同交通流量数据集下的预测性能较对比算法均更优,展现了精准、快速的预测表现以及良好的泛化能力。

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明:改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。

基于VMD-LSSVM的扇区流量短期预测

对扇区流量进行短期预测,是精准实施扇区流量优化和管理措施的前提。基于分解集成预测方法论,建立了变分模态分解-最小二乘支持向量机(Vibrational mode decomposition-least square support vector machines,VMD-LSSVM)预测模型。首先,应用变分模态分解(Vibrational mode decomposition,VMD)方法将扇区流量时序数据分解为若干个模态;然后,使用最小二乘支持向量机(Least square support vector machines,LSSVM)模型分别对模态进行预测;接着,对模态的预测结果进行加和集成,得到了最终的预测值。算例计算结果显示,针对60 min统计尺度流量时间序列,VMD-LSSVM模型在1~6 h的均等系数(Equal coefficient,EC)值为0.97,在7~12 h的EC值为0.94;与差分自回归滑动平均模型(Autoregressive integrated moving average model,ARIMA),反向传播(Back propagation,BP)神经网络和LSSVM单一模型相比,VMD-LSSVM模型1~6 h的EC值分别提升了11.5%、7.8%、4.3%;与完整聚合经验模态分解(Compete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-LSSVM、CEEMDAN-BP和VMD-BP相比,提升了2.1%、6.6%、5.4%;与30 min和15 min统计尺度相比,的EC值分别提升了6.6%和19.8%;针对时间普适性的8次实验,EC值均在0.94以上,针对27个扇区普适性的实验,有24个扇区的EC值在0.9以上。算例结果表明,VMD-LSSVM模型具备良好的预测性能和较好的普适性,用于扇区流量短期预测是可行的和有效的。

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型(directed graph convolution network-gate recurrent unit,DGC-GRU)的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明:在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)均优于对比模型,与传统的GRU、GCN、DGC-LSTM模型相比,DGC-GRU模型能够将MAE和MAPE指数分别降低33.01%、5.76%、1.32%和27.75%、1.15%、7.76%,表明DGC-GRU交通流预测模型能够有效挖掘城市快速路网中的交通流时空分布特征,具有良好的预测精度与效率。

基于频繁序列模式挖掘的卡口短时交通量预测

基于数据的城市交通管理和控制方法是广大学者和交通管理部门的关注重点。以频繁序列模式挖掘算法为基础,对卡口车辆轨迹序列进行时空特征分析。选用7种典型的机器学习算法进行预测,并分析了卡口空间区位、交通量以及连接道路等级对预测精度的影响。研究结果表明,集成学习算法特别是RF的预测性能最好,误差较小且训练速度快;SVR和神经网络算法(MLP、LSTM)在预测误差表现上相近,但是基于神经网络算法的预测模型耗时较长。此外,不同模型的预测误差在空间上的分布具有相似性,在卡口密布的区域预测精度更高,在外围边缘区域误差较大;卡口交通量越大、连接的道路等级越高,预测精度越高。随着城市交通电子卡口设备在路网中的完善,该预测方法的准确性可以进一步提高。

基于指数平滑法和残差网络的短时交通流预测方法

针对短时交通流预测中短时波动特征提取预测困难、影响因素较多、与长时稳定特征混合难以分离的问题,提出1种基于三次指数平滑法(Triple Exponential Smoothing,TES)和深度残差网络(Deep Residual Networks,DRN)的组合预测模型.首先使用TES提取交通流数据中的趋势和周期特征,并得到剩余误差项;再使用DRN从剩余误差项中提取短时波动特征;最后融合上述2个模型的预测结果.基于北京巡游出租车和纽约共享自行车数据集进行验证.结果表明,在2种数据集上,只使用TES模型时均方根误差小于历史平均、自回归移动平均、季节性自回归移动平均和向量自回归模型;使用组合模型时,均方根误差小于循环神经、长短时间记忆、门控循环单元网络;相比于单独使用TES模型、DRN模型,组合模型在合适的网络深度下均方根误差降低4%以上.结果证明,组合模型可提高短时交通流预测准确率,且预测效果优于传统时间序列预测模型和上述神经网络模型.同时在需要大幅减少模型计算成本时,仅单独使用TES模型也能达到较高精度.

基于WD-DE-BP集成优化模型的短时交通流预测

为进一步提升短时交通流预测精度,提出一个基于小波降噪(WD)、差分进化(DE)算法优化BP神经网络权值与阈值的WD-DE-BP集成优化预测模型.为验证所提模型的有效性,采用多组短时交通流数据进行仿真实验,就常用的误差指标MAPE、RMSE、MAE而言,WD-DE-BP集成优化模型获得的预测误差指标均值较传统的BP模型获得的误差指标均值分别下降了37.23%、38.59%、37.87%,较WD-BP模型获得的误差指标均值下降了2.51%、2.85%、3.05%.实验结果表明所提出的WD-DE-BP集成优化模型可以为ITS的相关子系统提供较好的基础数据.

基于WT-SLSTM模型的交通流预测研究

随着机动车保有量的增加,交通问题逐渐成为城市管理中的重要议题。尤其是交通事故频繁发生,给社会带来了巨大的安全隐患和经济损失。为了减少交通事故的发生率,学者们对交通流预测进行了深入研究。虽然传统的交通流预测取得了一定的成果,但其预测精度和预测滞后等问题仍然存在。为了解决这些问题,采用小波变换和堆叠式长短时记忆模型相结合的WT-SLSTM(Wavelet Transform and Stacked Long Short Term Memory)模型,对北京市出租车车流量进行了分析预测。结果表明,WT-SLSTM模型在预测精度和拟合程度等方面都优于基准模型。因此,WT-SLSTM模型可以更好地对交通流进行预测,有助于交通部门对大流量路段的车辆管控,从而减少交通事故的发生,为构建智慧交通做出贡献。

基于Att-CNN-BiGRU的高速公路短时交通流预测方法研究

消除高速公路交通流数据随机噪声和确定深度神经网络框架以及超参数是短时交通流组合预测模型的关键环节。为了提高高速公路交通流管理水平,针对交通流的时空特征和长时间序列依赖问题,利用CNN框架提取了交通流的空间特征,融合了注意力机制加权分配各时间节点对交通流预测的关注度,并结合Bi GRU提取了时间特征,从而消除了噪声并加强了对时间序列问题的解析,构建了Att-CNN-BiGRU组合模型从而预测出高速公路短时交通流。在以江西省高速公路数据集为例的试验中获得的结果表明:该模型的平均绝对误差(MAE)达到了6.88,均方根误差(RMSE)达到了9.90,平均百分比误差(MAPE)达到了30.81%;模型预测精度优于基线模型,且模型可用于高速公路交通流的精确预测。该研究成果可为高速公路交通组织与缓解交通压力提供基础数据支撑。

多影响因素下的交通枢纽客流短期预测算法

交通枢纽短期客流受时间属性、天气条件等变化的影响非常大,因而提出基于改进PSOLSTM模型的交通枢纽客流短期预测算法。以时间属性、天气条件为影响虹桥交通枢纽短期客流变化的重要因素,构建基于LSTM的短期客流预测模型。将虹桥交通枢纽历史客流数据与天气数据作为模型输入,获得短期客流预测结果;为避免LSTM参数对短时客流预测效果影响,通过自适应惯性权重、时间系数以及根据遗传算法的变异思想确定的自适应函数改进PSO算法,通过改进后的PSO算法优化LSTM参数,提升短期客流预测效果。实验结果表明:在周末、长假时期交通枢纽客流量会明显增加,恶劣天气使得虹桥交通枢纽客流降低至最小值,该算法可实现不同时段短期客流预测,分析客流变化情况。

基于车流量数据的SARIMA和LSTM组合模型的比较研究

针对同时具有周期性、长记忆性等多种特征的车流量数据,单一地SARIMA或LSTM模型往往拟合效果不理想,而其组合模型可以弥补单一模型的不足。结合线性和非线性预测方法,文中分别建立了三个SARIMA-LSTM组合模型,随后,对车流量数据进行了预测分析,通过与SARIMA、LSTM两种单模型拟合效果的比较分析表明:1)对含周期性和长记忆性的数据,组合模型的预测效果更优;2)基于MA滤波方法的组合模型三比其他两种方法在提升模型预测精度上表现更好。

基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

基于Elman神经网络的道路网短时交通流预测方法

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测.首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析.验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.

基于ARIMA模型的短时交通流实时自适应预测

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。基于采用ARIMA(p,d,0)模型结构的时间序列分析方法,提出一种短时交通流实时自适应预测算法。在该算法中采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。针对大量实测数据进行仿真实验,结果表明:减小遗忘因子可以提高一步预测的性能。此外,将该算法分别应用于工作日和双休日的数据时,仿真实验都取得了较好的预测效果,说明该算法对不同交通流状况具有较好的适应性。