基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。     

高速公路气象数据融合滤波与短时雨雾预测

高速公路路域内雨雾气象数据呈现多源、异构特性,对其进行短时精准预测存在很大难度;针对该问题,在利用联合概率法求得数据之间联合概率的基础上构建异构数据融合模型,并将该融合模型与卡尔曼滤波方法相结合,建立面向多源异构气象数据的协同融合滤波模型;在此基础上,利用贝叶斯最大熵方法,结合雨雾经验理论、融合滤波后的数据以及原始雨雾数据,实现了对高速公路目标路段雨雾天气的短时精准预测;实验结果表明,该方法能够为用户提供精准、稳定的高速公路短时雨雾气象预测结果,对减少交通事故,合理进行交通管制具有重要意义。     

小波神经网络在短时交通流量预测中的应用

研究在短时交通流量预测问题,短时交通流量存在随机性和非线性因素,影响预测的准确性。传统预测模型难以反映交通流量变化特点,同时传统神经网络易陷入局部极小值,泛化能力差,交通流量预测精度低。为了提高短时交通流量预测精度,提出一种小波神经网络的短时交通流量预测模型。小波神经网络可以对短时交通流量随机性、不确定性进行局部分析,并进行非线性预测,验证了模型的有效性,进行了对比试验。验证结果表明,小波神经网络提高了短时交通流量预精度,预测结果更具应用价值。     

粒子滤波最大熵算法在网络流量预测中的应用

研究网络流量预测优化问题,网络技术的发展使网络的流量增大.针对网络中对网络流量的不确定影响因素较多,同时由于传统的网络流量预测算法都是线性模型,无法适应网络流量非线性变化,从而导致预测精度不高等缺陷,提出了一种粒子滤波和最大熵算法原理相结合的新的网络流量预测模型.首先用模型捕捉原始数据的重构性,然后采用粒子滤波算法对最大熵进行优化处理,根据得到的预测结果作为约束的信息,采用优化后的最大熵得出预测的结果分布.最后采用算法与其它几种常见的流量预测算法相比较,仿真结果表明,改进方法比传统的几种网络流量预测算法具有更高的预测准确度和较高的泛化能力.     

基于混沌粒子群算法的神经网络短时交通流预测

针对短时交通流量具有复杂性、非线性等特点,提出基于粒子群算法的神经网络交叉路口短时交通流量预测方法;利用混沌粒子群算法对BP神经网络权值和阈值进行优化,克服易陷入局部极小和引起振荡效应现象,从而提高了网络的预测精度;实验仿真结果说明,与标准粒子群算法相比较,新算法可以有效提高预测精度,减少预测误差,最大绝对误差下降至12.15%,相对预测误差在10%以内的预测数据提高至57.5%,并且很好地反应了交通流的特点,是一种可行的预测方法.     

组合预测模型在短时交通流预测中的应用研究

根据智能交通诱导和信号控制的需要,短时交通流预测应具备实时性、准确性和可靠性,应用单项预测模型已不能满足当前交通流预测的要求,借此提出了以时间序列法、非参数回归法和RBF神经网络预测法为基础的定权系数和变权系数组合模型进行短时交通流预测,实例应用表明组合预测模型较单项预测方法预测精度有显著的提高。     

灰色Verhulst模型在短时交通流预测中的应用

为提高短时交通流预测模型精度,分析了GM(1,1)模型和灰色Verhulst模型的特点,发现GM(1,1)模型适用于具有较强指数规律的序列,只能描述单调的变化过程,而Verhulst模型则适用于非单调的摆动发展序列或具有饱和状态的S形序列。短时交通流某一时段内数据具有饱和状态S形过程的特性,采用Verhulst预测模型比GM(1,1)模型具有更高的预测精度。利用2007年10月21～23日6:00～8:25的交通流数据进行实验,结果表明:Verhulst模型的预测精度明显优于GM(1,1)模型。     

漂移瑞利滤波算法及其在纯方位跟踪中的应用

单传感器纯方位跟踪问题仍是目前研究的重点和难点,方位角变化率很大时往往使得扩展卡尔曼滤波等矩匹配算法不稳定或发散。重点研究漂移瑞利滤波算法在方位角变化率很大的复杂单传感器纯方位目标跟踪场景下的性能,比较了漂移瑞利滤波,扩展卡尔曼滤波,不敏卡尔曼滤波,粒子滤波等其他非线性跟踪算法的性能,推导并计算了相关问题的Cramer-Rao下界并将其用作比较估值准确性和衡量算法性能的评价指标。仿真结果表明:漂移瑞利滤波算法的性能优于其他矩匹配算法,能达到与粒子滤波大体相同的计算精度,但它的计算速度比粒子滤波算法快几个数量级。     

IEKF滤波在移动机器人定位中的应用

针对EKF中观测噪声方差估计不准确导致滤波器性能下降甚至发散的问题,提出了基于环境特征的迭代扩展卡尔曼滤波(IEKF)融合算法。该算法融合了里程计采集的机器人内部数据和激光雷达传感器采集的外部环境特征,在测量更新阶段多次迭代状态估计值并对机器人的位姿进行修正,减少了非线性误差,提高了定位精度。     

面向小样本意图识别的分步式阶段性数据增强

文本意图识别任务中常面临训练数据不足的问题,且由于文本数据离散性导致在标签不变的条件下进行数据增强并提高原模型性能具有一定困难,为解决小样本意图识别任务中的上述问题,提出一种分步式数据增强与阶段性训练策略相结合的方法.该方法从全局和局部两个角度将原始数据在全体语句和同类别中的样本对上进行递进式增强,并在模型训练期间根据递进层次的不同划分阶段进行学习,最后在多个意图识别数据集上进行实验以评估其有效性.实验结果表明,该方法可以有效提高小样本环境中意图识别模型的准确率,同时模型的稳定性也得到了提升.     

相空间重构的卡尔曼滤波交通流预测研究

为了提高城市交通流的预测精度,克服单一预测模型不能很好反映交通流本质特征的缺点,在交通流混沌特性的基础上,提出将卡尔曼滤波理论与相空间重构原理相耦合的方法,建立基于相空间重构的卡尔曼滤波交通流预测模型。此模型以相空间重构的相点作为状态向量构成相点的状态空间描述,运用卡尔曼滤波理论实时预测并校正相点的未来演化规律,并根据焦作市某路段的交通流数据进行实例仿真。通过相关性能指标对比分析,结果表明,基于相空间重构的卡尔曼滤波预测模型各项指标明显优于未改进的单一模型,使预测精度提高了16.75%。     

基于网格划分的城市短时交通流量时空预测模型

准确的交通流量预测在帮助交通管理部门采取有效的交通控制和诱导手段以及帮助出行者合理规划路线等方面具有重要意义。针对传统深度学习模型对交通数据时空特性考虑不足的问题,在卷积神经网络（CNN）和长短时记忆（LSTM）单元的理论框架下,结合城市交通流量的时空特性,建立了一种基于注意力机制的CNN-LSTM预测模型——STCAL。首先,采用细粒度的网格划分方法来构建交通流量的时空矩阵;其次,利用CNN模型作为空间组件来提取城市交通流量不同时期下的空间特性;最后,利用基于注意力机制的LSTM模型作为动态时间组件来捕获交通流量的时序特征和趋势变动性,并实现交通流量的预测。实验结果表明,STCAL模型与循环门单元（GRU）和时空残差网络（ST-ResNet）相比,均方根误差（RMSE）指标分别减小了17.15%和7.37%,均绝对误差（MAE）指标分别减小了22.75%和9.14%,决定系数（R²）指标分别提升了11.27%和2.37%。同时,发现该模型在规律性较高的工作日的预测效果好于周末,且对工作日早高峰的预测效果最好,可见该模型可为短时城市区域交通流量变化监测提供依据。     

自适应单指数平滑法在短期交通流预测中的应用

短时交通流预测是实现交通规划和管理的关键技术之一. 指数平滑法因其计算过程简单, 需要观测数据较少等优点, 在短时交通流预测中获得了广泛的应用, 但其平滑系数缺乏有效的选取方法. 本文提出了一种自适应单指数平滑法, 通过近似动态规划方法的引入, 结合实际交通流数据对指数平滑系数进行优化, 使其随预测过程自动更新, 从而保证了预测的实时性、准确性. 严格的理论推导证明了这种预测方法的收敛性, 仿真结果验证了算法的有效性.     

基于云模型的短时交通流预测方法研究

为了提高短时交通流预测的精确性,提出了一种基于云模型的短时交通流智能预测方法.该方法利用云模型拟合交通流,分别用历史交通流和当前交通流建立历史云和当前云,共同生成预测云,用采预测交通流.结合广州市某交叉口交通流量采集数据,进行了仿真试验,以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两个指标来衡量预测效果,结果表明了该预测方法具有较高的预测精度.该方法既考虑到交通流历史变化,又顾及交通流实时变化,同时将交通流做整体性处理,很好地避开了噪声引起的预测误差问题,兼顾了预测精度和实时性的要求.     

冥函数变换在短时交通流组合预测中的应用

实际交通流是一个明显含有噪声的非线性时间序列。针对这一特点提出对此时间序列进行冥函数变换,变换之后的噪声会比原始信号的压缩程度更大,从而降低白噪声对预测结果的不利影响;利用最小二乘支持向量机（LS-SVM）对自回归求和滑动平均（ARIMA）模型的预测结果进行循环补偿;通过冥函数反变换对输出结果进行相应的信号还原。实验预测结果表明,经过冥函数变换后的组合预测模型具有较高的预测精度。     

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。     

一种利用UKF的高速公路实时交通状态估计方法

把无轨迹卡尔曼滤波器（UKF）和宏观随机交通流模型结合在一起,可以实现对高速公路交通状态的实时估计。高速公路被看作是由等距离的路段首尾相接而成的系统,每个路段中交通变量的更新不光与其自身有关,还受到相邻路段的影响。交通传感器通常设置在路段的交界处,而且数量远少于所需估计的交通状态。采用压缩状态空间的形式,将模型参数也作为交通状态而非常量进行估计。仿真结果表明UKF方法能够有效地估计和跟踪交通状态的变化,并且与扩展卡尔曼滤波方法相比具有更高的精确度。     

交通流量经验模态分解与神经网络短时预测方法

基于经验模态分解（EMD）和神经网络,提出了一种短时交通流量预测方法。通过EMD分解把交通流量分解成不同的模态,利用神经网络对分解后的各分量进行预测,再将预测值累加得到最终的预测结果。利用EMD与神经网络模型对I-800数据库实测交通流量数据进行预测,结果表明该方法具有很高的预测精度,明显优于直接采用神经网络的预测结果。     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

基于图卷积网络的交通路口流量预测模型

交通流量预测是建设智慧城市中一项重要性高且挑战性大的任务。准确预测需要考虑如节假日、相似节点和天气等多种影响因素组成的时空特征。为了准确捕获到路网路口的时空特征,提出了一种基于图卷积神经网络、时序算法Prophet和Pearson相关系数的预测模型,以实现考虑空间结构、相似节点、节假日及其他影响因素对路口流量的准确预测。首先,为降低相似节点影响引入Pearson相关系数,改进时序算法,实现时间特征的捕捉;然后,采用图卷积神经网络实现空间特征的捕捉;最后,通过线性回归确定图卷积网络和时序算法的融合权重,得到时空融合预测的结果。最终基于成都市出租车轨迹数据分析提取出路口流量数据,并进行了流量预测实验。结果表明,提出的模型准确性优于大多现有的基线方法,与T-GCN、ASTGCN、AGCRN模型相比,MAE分别降低了1.623、0.724、0.161,精度分别提高了0.144、0.068、0.021,验证了该模型在交通路口流量预测中的有效性。