基于深度学习的短时交通流预测方法综述与仿真研究

近年来,随着城市路网交通检测设备和城市数据存储基础设施的升级换代以及深度学习技术的快速发展,应用深度学习技术解决城市路网短时交通流预测问题已成为智能交通领域的一个研究热点。不同于传统短时交通流预测方法,基于深度学习的短时交通流预测方法能充分利用海量交通流数据,深入挖掘路网中不同交通节点间流量的隐藏特征与复杂时空关联,能有效提升预测短时交通流的精度。首先,简要回顾短时交通流预测方法的发展历史,重点分析、讨论基于深度学习模型的短时交通流预测方法最新技术进展和理论研究结果。其次,梳理、总结国内外广泛用于验证算法有效性和进行比较分析的公开交通流数据集。再次,阐述基于深度学习模型的短时交通流预测算法解决实际交通流预测问题的具体过程和详细步骤,基于公开测试数据集PEMS04分别对基于深度学习模型长短时记忆网络(LSTM)和门控循环单元(GRU)的短时交通流预测算法进行仿真研究,以验证算法的有效性及其相较于传统方法的优势。最后,总结、展望基于深度学习模型的短时交通流预测方法在实际应用中存在的挑战和未来研究方向。

基于混沌粒子群优化小波神经网络的短时交通流预测

根据交通流量的非线性、时变性和复杂性等特点,提出基于混沌粒子群CPSO(Chaos Particle Swarm Optimization)优化小波神经网络WNN(Wavelet Neural Networks)的短时交通流预测。结合混沌的随机性和遍历性改进粒子群优化算法,改善粒子群优化算法容易陷入局部最优的问题。利用混沌粒子群算法优化小波神经网络的模型参数,克服传统小波神经网络采用梯度下降法易陷入局部极值和引起振荡效应现象缺陷。仿真结果表明,混沌粒子群优化小波神经网络与粒子群优化小波神经网络和小波神经网络两种方法相比,其提高了收敛速度和预测精度。

基于投影寻踪自回归的短时交通流预测

及时准确地进行交通流短时预测是智能运通系统(ITS),尤其是其先进的交通管理系统(ATM S)与先进的出行者信息系统(AT IS)研究的关键内容之一。随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般方法的预测精度大大降低。例如:非参数回归的算法是一种“无参数”、可移植、高预测精度的实时预测算法,在交通流预测中发挥了很大的作用,但随着样本数据维数的增加,存在“维数祸根”的现象。针对目前短时交通流预测存在的问题,本文提出一种基于投影寻踪自回归技术的短时交通流预测模型,解决了“维数祸根”和高维数据间的非正态、非线性问题。经过实测数据验证,该算法完全满足实时交通流预测的需要。

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。

基于蚁群粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键。针对城市交通流的特点,建立了模糊神经网络预测模型,并将全局优化的蚁群算法和粒子群算法组成递阶结构优化模糊神经网络的参数。算法中,主级为蚁群算法,进行全局搜索;从级为粒子群算法,进行局部搜索。仿真结果表明该模型能够取得比梯度下降法更高的预测精度。

基于粒子群的模糊神经网络交通流量预测

实时准确的交通流量预测是智能交通诱导和交通控制实现的前提和关键。针对城市交通流的特点,本文建立了模糊神经网络模型预测短时交通流量,并采用全局优化的粒子群算法优化模糊神经网络的参数。仿真结果表明该模型能够取得比梯度下降法更高的预测精度。

基于小波去噪和最优权重信息融合的短时交通量预测

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律。信息融合技术可以对不同传感器数据进行综合处理,去除冗余、克服歧义,得到比任何单个数据源更全面、更准确、更可靠的信息。综合考虑道路交通量预测的实时性、准确性和可靠性,运用基于小波分析的去噪和现代信息融合思想,提出了一种基于小波去噪和最优权重的信息融合预测方法,并用实际数据进行验证。实证分析的结果表明,该方法能够有效提高交通量的预测精度。

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。

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。

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。

基于灰色系统理论的短时交通流预测

通过分析短时交通流时序特性,将灰色系统理论应用于短时交通流预测,建立了滚动GM(1,1)预测模型。分析表明:该模型较好地预测了短时交通流的变化趋势。

基于BP神经网络的短时交通流预测

对比分析短时交通流预测模型,对BP神经网络预测算法的原理进行分析说明,用BP神经网络建立短时交通流预测模型,利用华南快速路的实测交通流数据来验证模型的可行性。

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。

基于乘积耦合Volterra模型的短时交通流预测

基于混沌序列固有的非线性和确定性机制以及Volterra级数的非线性表征能力,提出一种短时交通流预测的三阶Volterra模型。针对Volterra模型随阶数增加复杂度以幂次方增加的问题,研究了该模型的乘积耦合近似实现结构。首先,采用互信息法和虚假邻点法选取时间延迟和嵌入维数,并采用小数据量法计算Lyapunov指数判定交通流是否具有混沌特性;然后,建立三阶Volterra滤波器的乘积耦合近似实现结构,并采用一种改进的非线性归一化最小均方(NLMS)算法实时调整模型系数;最后,对高速公路实测交通流的预测结果表明,交通流中存在混沌特征,应用构建的预测模型可有效地对交通流进行预测,且降低了模型的复杂性。

城市道路短期交通流预测VHSSA模型

针对出行者出行时对交通信息预报以及动态路径规划的要求,对路段的历史交通流时间序列数据进行了研究,利用城市路段交通流的周期相似性特征提出了基于纵横序列相似性的短期交通流预测VHSSA模型,该模型克服了以往预测模型只考虑纵向时间序列周期性相似的缺陷,将全时间序列数据进行小波变换后分解为反映基本变化规律的基序列和反映波动变化情况的波动序列,既可只进行基序列预测,也可通过置信区间对波动序列进行修正,再与基序列叠加进行全序列预测。经试例验证,VHSSA模型和基于纵向序列相似性的VSSA模型分别与实测序列的基序列和全序列进行比对,VHSSA模型的预测效果总体优于VSSA模型,误差可满足实际要求。

基于最优梯度自适应优化算法的交通流预测

短时交通流预测在交通控制中起着基础的作用。建立了一类不需要选取初始值、带有动态参数的指数平滑模型。以预测误差平方和SSE最小为目标,构造了优选并自动生成最佳参数,使平滑模型得以优化的最速下降算法,增强了模型对时间序列的适应能力。较好地解决了指数平滑预测中,平滑参数靠检验确定且为静态、平滑初值难以确定并导致预测偏差等问题。通过比较上海浦东的实测数据和其它预测算法,验证了该算法的有效性和实用性。

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.

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。

小流量下短时交通量预测最佳窗口长度与时间间隔

探讨了小流量情况下,路段短时交通量预测中的可变时间间隔及预测窗口长度对预测精度的影响,分析了不同间隔序列在反映交通流特性方面的差别和最适合的预测窗口长度,并建立神经网络模型对预测效果进行了定量比较,得到序列用于预测的最佳窗口长度和一组最优时间间隔,有助于预测算法的改进和预测精度的提高.