交通流短时预测理论研究进展

交通流短时预测是智能运输系统。尤其是其先进的交通管理系统和出行者信息系统研究的一个重要内容。利用预测算法来分析交通数据，并预测未来数分钟内的交通流状态，便于及时采取适当的交通控制措施和诱导措施。     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

短时交通流智能预测方法的研究

在分析短时交通流预测方法的基础上。指出现有预测方法的局限性，提出了一种将多种预测模型与人工智能技术相结合的短时交通流智能预测方法，论述了该预测方法的基本原理。     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支...     

面向实时短时交通流预测的过程神经元网络建模

为了充分利用交通流的时空过程特性, 进行交通流的实时预测, 将过程神经元网络和数据流在线学习技术引入到短时交通流预测中。充分考虑交通流的日周期、周周期等内在特性, 结合过程神经元网络和小波变换, 实现对历史数据的多尺度过程特征处理。构建了路网整体预测过程神经元网络模型, 并采用主成分分析方法, 利用交通流空间相似性的影响对模型进行优化。基于Harr小波技术提出具有自适应和实时性预测特征的在线学习算法。试验结果表明: 该模型的预测准确性优于普通神经网络, 平均百分比相对误差降低6%~8%, 预测时间至少降低67%, 具有较高的性能, 能满足短时交通流实时预测的需求。     

基于小波与混沌集成的短时交通流预测

针对现有短时交通流预测模型的不足,提出了一种用于交通流短时预测的小波与混沌集成方法。首先对交通流序列进行小波分解,分别得到低频部分和高频部分,并在此基础上作进一步分析,结果表明交通流存在混沌特性。然后应用混沌理论分别建立低频部分和高频部分的预测模型,对低频部分和高频部分进行预测。最后应用小波理论对混沌模型预测的结果予以重构,实现对原始交通流序列的预测,与现有方法比较,结果表明该方法具有较高的精度和应用前景。     

交通流短时预测研究进展

交通短时流预测是交通控制和交通诱导的基础和关键技术之一,经过几十年的研究已出现200多种预测方法。首先对城市道路交通流短时预测方法进行分类。然后分析、归纳了交通流预测领域的最新研究进展,总结出几类最新的研究趋势：综合模型应用,组合模型应用,时空相关性研究,单断面向多断面、路网扩展研究,单步预测向多步预测发展研究,以及基于反馈的动态预测。最后,展望了今后交通流短时预测的研究方向。     

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。     

短时交通流预测方法研究进展

实时准确高效的交通流预测是实现交通流诱导和交通控制的关键技术之一,近年来它在智能运输领域受到广泛关注。本文首先介绍了短时交通流的属性和预测要求,接着将现有预测方法分成4类：基于线性理论的方法、基于非线性理论的方法、基于混合理论的方法和基于交通流理论的方法,并且总结评述了现有各种预测模型的优缺点,之后探讨了当今短时交通流预测领域的研究热点,最后指出了其未来研究方向．     

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

���ڶ����ѧϰ�������ԵĶ�ʱ��ͨ��Ԥ��

交通流量预测是当前交通大数据应用的重要议题之一.经典的交通流量预测方法通常只根据被预测道路自身的数据进行分析和决策,而往往较少考虑由于同一区域不同道路之间的交通流量关联性.本研究根据城市核心区交通流量数据的特点,构建同区域内多条相关道路的交通流量多维度数据模型.并且,基于该数据模型提出了一种基于多机器学习竞争策略的交通流量预报算法.该算法的主要核心思想是利用时间序列聚类的方式将多维交通流量数据进行降维,然后通过引入多种多机器学习方法进行并发训练,其训练结果通过竞争获得最优分类器群.最后设计了多最优机器学习集成预测方法进行交通流量预测.本模型通过在南昌市中心道路进行的实验显示,其预测结果优于传统单时间序列机器学习方法.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

�������Ԥ��ģ�͵Ķ�ʱ��ͨ��Ԥ��

在现代智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.为了提高短时交通流预测的准确性,本文提出了一种基于组合预测模型的短时交通流预测方法.一方面,根据当前的交通流数据来动态调整其对未来预测的影响;另一方面,通过对历史交通流数据的时空特性分析,利用数据挖掘领域的相关知识寻求与当前交通流特性最为相似的历史曲线,并以其为基础来获得预测值的匹配值;然后,将二者获得的信息进行融合,采用多种不同的组合方式来实现短时交通流预测.以厦门市莲花路口断面的交通流量为例,通过对仿真图像和数据的分析,得出各种组合方法的预测平均绝对相对误差均小于10%,能够较好地满足交通诱导系统的需求.     

基于短时交通流预测的广域动态交通路径诱导方法

为提升车辆通行效率,以预测型诱导策略为基础,以排队长度作为交通诱导的约束条件,利用小波神经网络短时交通量预测预知路段堵死事件发生路段,通过广域诱导时空边界条件对事件路段进行节点分级和诱导周期长度界定,进而建立广域诱导模型;对事件区域路网进行分区,进一步确定该模型诱导起点位置,引入基于路径尺度的Logit 路径选择模型作为诱导路径选择方法,通过流量迭代分配方法实现路网负载均衡. 通过实例验证,该诱导方法能有效地缓解道路交通拥堵,提高路网通行效率.     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于遗传算法(GA)优化BP神经网络的船舶交通流量预测

为了提高船舶交通流量的预测精度,在BP神经网络的基础上,结合遗传算法(GA)建立一个新的预测模型.该模型利用GA自适应搜索能力和较快的收敛速度,进而确定BP神经网络中的最优权值和阈值.以青岛港2011—2019年船舶交通流量统计数据为例,进行仿真实例验证.结果表明,与传统的BP神经网络相比,该模型能显著地提高船舶交通流量的预测精度,用于预测船舶交通流量具有一定可行性.