基于混沌理论的短时交通流局域预测模型

为了提高城市短时交通流预测的精度,对城市的短时交通流数据进行混沌时间序列分析,并对交通流时间序列数据进行相空间重构.通过对混沌时间序列预测方法的研究,提出短时交通流加权一阶局域多步预测方法.对实测短时交通流量预测结果,验证该多步预测模型的预测精度明显高于一步预测模型.     

用于交通流预测的自适应图生成跳跃网络

针对交通流数据复杂的时空相关性,提出新的基于深度学习的自适应图生成跳跃网络（AG-JNet模型）. 该模型由2个时空模块组成,每个时空模块分为2支,分别对时间相关性和空间相关性建模. 时间建模采用多层扩张卷积,在增大时间维度感受野的同时降低计算开销. 空间建模采用自适应图生成卷积,在不依赖图的固定结构下提取空间相关性. 在时间和空间的建模中均采用跳跃连接堆叠多层,以提升模型的深层特征提取能力,将时间特征和空间特征进行门控融合,提取出用于交通流量预测的时空特征. 在2个真实数据集PeMSD4和PeMSD8上的实验表明,AG-JNet在不同指标下取得了优异的性能.     

A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques

Short-term traffic flow prediction is one of the essential issues in intelligent transportation systems (ITS). A new two-stage traffic flow prediction method named AKNN-AVL method is presented, which c...     

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

交叉口短时流量CEEMDAN-PE-OSELM预测模型

为提高交叉口短时交通流预测精度,以历史交通流量数据为基础,提出一种基于自适应噪声完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-排列熵(permutation entropy,PE)-在线序贯极限学习机(online sequential extreme learning machine,OSELM)组合预测模型(CEEMDAN-PE-OSELM).首先对交通流历史时间序列数据进行CEEMDAN分解,得到多个本征模态函数(intrinsic mode function,IMF)分量;通过PE算法对IMF分量进行重组,形成具有复杂度差异的重组子序列.然后,分别构建重组子序列OSELM预测模型,将预测结果相加得到最终预测流量.最后选取一实际交叉口,进行模型验证分析.结果表明:CEEMDAN-PE-OSELM模型的MAE、MAPE和MSE的值均低于其他模型,预测误差最小;EC值为0.963,高于ARIMA模型的EC值(0.898),最接近于1,预测精度最高,稳定性最好.就同一预测模型而言,经过CEEMDAN-PE处理的模型的各项误差明显降低,预测精度有所提高.     

基于小波和回声状态网络的交通流多步预测模型

针对交通流的含噪混沌特征,提出了一种基于小波回声状态网络的交通流多步预测模型。该模型利用小波多尺度分解方法,屏蔽了噪声成分对交通流动力学特性的干扰,同时提取了占有交通流绝大部分能量的混沌低频成分。在采用多路分量并行预测的方式下,充分发挥了回声状态网络对混沌低频分量的强大多步预测能力,从而保障了交通流多步预测的精度。对北京市西直门桥的实测交通流的预测结果表明:该模型的多步预测精度比传统的回声状态网络模型有了较大幅度的提升,在保证预测精度的前提下,最大可预测的步长也相应的增加。     

基于模型预测的车辆稳定控制

利用三自由度车辆模型设计了模型预测控制器,发动机力矩PI控制器和制动力矩模糊控制器。并针对制动单移线转向行驶典型工况进行了仿真验证,结果表明,所设计的车辆稳定性控制器具有良好的控制效果,能够明显的改善车辆操纵稳定性;开发的制动力矩算法能够充分利用各个车轮的制动力,使得在发动机力矩改变和主动制动压力等输入都较小的情况下,获得较好车辆操纵稳定性。     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.     

基于GERT随机网络的城市交通流仿真研究

针对传统城市交通流模型仅适用于非拥挤城市交通路网规划,无法拟合路段行驶时间依赖于交通负荷变化的城市交通流时空分布网络问题的缺陷,运用GERT随机网络对城市交通流进行仿真模拟.将普通动态交通规划模型无法反映的各路径交通流之间相互影响的内在逻辑关系考虑在内,使得动态交通规划更具现实指导意义.对贵阳喷水池交通枢纽路段的实际案例分析表明,该方法可以为城市交通规划提供有力地决策支持.     

基于图卷积网络的交通流预测方法综述

近年来,基于深度学习的交通流预测方法一直是交通流预测领域的研究热点.与传统卷积神经网络不同,适合处理非欧几里得数据的图卷积网络在空间特征建模方面表现出了强大的能力,而反映路网空间特征的拓扑图、距离图、流量相似图等正是典型的非欧几里得数据.因此,基于图卷积网络及其变体的交通流预测方法成为交通流预测领域的一个研究热点,并取得了很多有吸引力的研究结果.本文对近年来基于图卷积网络的交通流预测模型进行了分类和总结.首先,从图卷积网络的基本定义出发,结合空域图卷积和谱域图卷积的定义详述了图卷积的基本原理.其次,根据预测模型的网络结构特点,将基于图卷积网络的交通流预测模型分为“组合型”和“改进型”两大类,并对其中最具代表性的模型结构进行了详细分析和讨论. 此外,对交通流预测领域中常用于模型性能对比的典型数据集进行了综述,并以其中一个真实数据集为例开展仿真测试,展示了4个基于图卷积网络交通流预测模型的预测性能.最后,基于当前的研究现状和发展趋势,对基于图卷积网络的交通流预测方法研究领域中未来的研究热点和难点进行了开放性的讨论和展望.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

连续交通流模型的并行计算

为了降低连续交通流模型并行计算的实现难度,参考离散交通流模型并行计算的框架,提出了一套连续交通流模型并行计算的框架.该框架包括同步机制、基于网格的区域分解方法和边界缓冲模型,其中同步机制采用与离散交通流模型并行计算相同的主从结构的同步机制,基于网格的区域分解方法和边界缓冲模型分别用来实现任务的分解和提供仿真计算时所需的交互数据.实验中,选用了一个大规模路网进行验证,结果表明应用这一框架,可以方便地实现连续交通流模型的并行计算,提高连续交通流模型运算的速度,从而满足了智能交通系统中大规模交通路网实时、高效和动态仿真的需求.     

基于上游出口检测的公交优先信号控制

针对城市中心区部分主干道受道路条件和交通条件限制不能开辟公交专用道的情况,为了能在这些干道上开展公交优先信号控制,提出在上游交叉口的出口设置交通流检测器,基于实时检测数据对公交车等大型车辆通过下游交叉口停车线的时间区间进行估计,合并所有公交车辆通过下游交叉口停车线的时间区间,形成若干公交车队在交叉口停车线的运行图式,用该图式同交叉口主干道方向信号运行图式比较,决定该方向信号相位的绿灯时间延长或红灯提前结束,以实现有条件公交优先信号控制。交通仿真表明:该方法除使交叉道路上的车辆延误有所增加外,车均延误有所降低,且公交车延误下降幅度较大。     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.     

交通流诱导与控制协同优化模型的遗传算法求解

以路段和交叉口的加权拥挤程度最小为目标,建立诱导和控制的协同优化交通流分配模型,并提出基于遗传算法的求解。采用动态滚动式计算模型算法得出的均衡流量调整为诱导信息的发布提供定量依据,能够将诱导和控制协同起来均衡路网流量,避开拥挤。小路网试验结果表明:该模型算法实时、有效,便于实施。     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。     

随机交通流的组合控制预测模型和方法

为了解决交通流预测中的时变性、随机性和不确定性等问题,提出了一种新的组合控制预测算法.该方法利用多尺度的小波分析方法将交通流量分解为均匀部分和随机部分,并根据状态的动态变化构建了组合控制预测模型,分别利用支持向量机回归和Markov链法来预测交通流的均匀序列和随机序列,同时基于准动态规划方法来计算最优控制向量和相应的控制矩阵,从而动态选择训练数据得到最优预测结果,并采用实际数据进行实验验证与比较.结果表明,本文方法得到的平均相对误差和均方差比其他方法低74%和85%,得到的均等系数高6%,从而验证了本文方法的可行性和有效性.     

Traffic flow cycle prediction based on the PCA-ESN model

ing at the problem of low precision of multi-step traffic flow prediction, a cycle prediction model for traffic flow forecasting is presented. First, the time series is reconstructed by considering the periodicity of traffic flow in our model, and Principal Component Analysis (PCA) is explored as a dimensionality reduction method. Then the Echo State Network (ESN) model is used to predict the traffic flow time series. Meanwhile, an adaptive disturbance particle swarm optimization algorithm is used to optimize the parameters of the model. The availability of the proposed model is proved by predicting the time series of real traffic flow. The Mean Absolute Percentage Error (MAPE) of the prediction results is 9.8%, which is 12.7% lower than that of the traditional ESN multi-step prediction model. Experiments demonstrate that the proposed model can effectively prevent the delay of prediction results and greatly improve the precision of multi-step prediction.