高速公路短时交通流预测方法对比分析

高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容，发现了目前高速公路短时交通流预测研究存在的不足，给出了高速公路短时交通流预测的流程，对高速公路短时交通流预测模型进行了分类比较，明确了不同模型的适用场景和优缺点，通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度，研究发现KNN模型的预测精度最高，明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。     

基于批处理增量Lagrange支持向量回归机的短时交通流预测模型

实时、准确的交通流预测是智能交通控制和诱导的关键之一,针对实际中短时交通流数据批量增加的情况,为了提高预测模型准确性、缩短运行时间和模型更新问题,文章提出了一种基于批处理增量学习Lagrange支持向量回归机的短时交通流预测模型。仿真实验表明,与传统的支持向量回归机增量学习算法相比,提高了模型的预测精度,缩短了训练时间。     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。     

基于SSA RX-N A RX模型的短时交通流预测

为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型.该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为N A RX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型.利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度.结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76% 和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大.      

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于PSR-PSO-RBF的短时交通流预测方法

短时交通流预测可为智能交通控制和管理提供决策依据,为了提高短时交通流的预测精度,统筹考虑短时交通流的混沌时间序列和非线性特征,提出一种基于相空间重构和PSO-RBF的短时交通流预测方法(PSR-PSO-RBF方法).采用延迟嵌入定理,构造一个基于相空间重构的短时交通流时间序列;在剖析RBF神经网络不足之处的基础上,采用...     

路段短时交通量预测自适应控制法

基于自动控制理论,文章提出一种路段短时交通量的动态预测算法。以历史交通量观测数据为输入,下一时刻交通量预测值为输出,构造了单输入单输出的离散时间动态系统,设计了反馈控制回路和自适应PID控制器对预测结果进行修正。实例分析表明,该算法能较快跟踪交通量的变化,实时修正算法,能实现时间和空间上的移植。     

A Comparative Study of Three Multivariate Short-Term Freeway Traffic Flow Forecasting Methods With Missing Data

Short-term traffic flow forecasting is a critical function in advanced traffic management systems (ATMS) and advanced traveler information systems (ATIS). Accurate forecasting results are useful to indicate future traffic conditions and assist traffic managers in seeking solutions to congestion problems on urban freeways and surface streets. There is new research interest in short-term traffic flow forecasting due to recent developments in intelligent transportation systems (ITS) technologies. Previous research involves technologies in multiple areas, and a significant number of forecasting methods exist in the literature. However, most studies used univariate forecasting methods, and they have limited forecasting abilities when part of the data is missing or erroneous. While the historical average (HA) method is often applied to deal with this issue, the forecasting accuracy cannot be guaranteed. This article makes use of the spatial relationship of traffic flow at nearby locations and builds up two multivariate forecasting approaches: the vector autoregression (VAR) and the general regression neural network (GRNN) based forecasting models. Traffic data collected from U.S. Highway 290 in Houston, TX, were used to test the model performance. Comparison of performances of the three models (HA, VAR, and GRNN) in different missing ratios and forecasting time intervals indicates that the accuracy of the VAR model is more sensitive to the missing ratio, while on average the GRNN model gives more robust and accurate forecasting with missing data, particularly when the missing data ratio is high.     

利用速度信息改进城市道路短时交通量预测

利用速度消息的时变特性,提出了1种无需假设状态变量为平稳的基于卡尔曼滤波算法的短时交通量预测模型。依据城市道路网上下游路段交通流之间的时空演化关系,利用实时采集的路段平均速度信息构建时变的状态转移矩阵来取代常数状态转移矩阵,对现有基于卡尔曼滤波算法的短时交通量预测模型进行改进。最后以2个真实路段4d的交通量进行预测试验,相关计算结果表明:由于加强了模型的动态性,改进后的预测模型较原模型的预测精度在整体上有所提高,其中平均绝对相对误差由7.64%及16.04%分别下降至7.25%及15.75%,均等系数则由0.9572及0.9250分别提高至0.9602及0.9268,而对于交通量急速变化的时段,提高的幅度更为明显,平均绝对相对误差可降低14.8%,从而验证了所提出方法的有效性。      

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理，且需要满足实时性需求。然而，少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory，LSTM）自编码器的高速公路交通流量递归预测框架，可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据，应用卡尔曼滤波方法进行数据平滑，以提高原始数据的可预测性能；引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模，以提高模型的运算效率；考虑到高速公路交通流量预测的实时性需要，进一步提出递归预测框架，用LSTM自编码器的预测值代替卡尔曼滤波值；根据获取的实时数据，执行自适应卡尔曼滤波算法以修正当前的最佳状态值，并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析，结果表明:所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势，模型预测的平均绝对百分比误差为5.0%，优于卡尔曼滤波和LSTM自编码器组合模型的7.4%；模型训练时间为85 s，低于标准LSTM模型的101 s。      

基于跟驰模型的交通流混沌转化影响因素的仿真研究

为分析交通流混沌转化机理，利用Matlab软件编制皮埃莱（Bierley）模型来产生仿真交通流时间序列。在一定参数组合情况下，仿真研究了交通流车队中前后车辆的车头间距变化过程。通过分析这种车头间距的变化曲线，可以明显地观察到交通流混沌运动和有序运动之间的转化过程；在此基础上，通过考虑模型参数和仿真参数变化的大量仿真试验，应用最大Lyapunov指数改进算法对仿真交通流混沌转化的影响因素进行了理论分析。该研究结果有助于进一步理解、解释诸多交通流混沌转化现象，并为短时交通流预测和智能交通控制提供理论依据。     

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。     

基于偏差分析的交通事件自动检测算法

高速公路事件检测是交通管理与控制中十分重要的环节。将交通流动态预测与事件检测相结合,探讨了基于偏差分析的事件识别方法。该方法对3个主要的交通流参数,交通量、地点车速和时间占有率进行动态预测,对预测值与实际值的偏差进行统计分析,明确了事件检测的具体步骤和事件发生概率的计算模型。该方法不受检测路段具体位置和时间的限制,具有较高的检测率和较小的误报率,有助于管理人员制定决策。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。