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。      

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.      

Traffic flow forecasting based on a hybrid model

Real-time traffic flow forecasting is of great importance in the development of advanced traffic management systems and advanced traveler information systems. Traffic flow is evaluated using time series, and the Autoregressive Integrated Moving Average (ARIMA) model has been commonly used for determining the regression-type relationship between historical and future data. However, the performance of the ARIMA model is limited by the difficulty of capturing nonlinear patterns and the challenges of diagnosing permanent white noises. Hence, a hybrid method of ARIMA-EGARCH-M-GED was developed with the intent to address those limitations. It combines the linear ARIMA model with a nonlinear model of Exponent Generalized Autoregressive Conditional Heteroscedasticity (EGARCH) to capture heteroscedasticity (the variance of random error varying across the data) of traffic flow series. EGARCH in Mean (EGARCH-M), which corrects the expression of conditional variance by connecting the conditional mean directly with the variance, was introduced to better restrain the influence of abnormal data. Moreover, the tail of the generalized error distribution (GED) is better than that of the normal distribution in characterizing the features of time series, especially heteroscedasticity of residual sequences. Data collected from an interstate highway (I-80 in California) with a sampling period of 5 minutes were used to evaluate the performance of the proposed model. The results from the hybrid model were compared with ARIMA, an artificial neural network, and a K-nearest neighbor model. The results showed that the hybrid model outperformed the other methods in terms of accuracy and reliability. Overall, the proposed model performed well in tracking the features of measured data and controlling the impact of abnormal data.     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

交通流预测方法综述

实时交通流预测是智能运输系统研究的一个重要问题。为此,建立了许多预测模型,有历史平均模型、时间序列模型、卡尔曼滤波模型、非参数回归模型、神经网络模型和组合模型等。总结评述现存的各类模型,提出交通流预测研究领域今后可能的发展趋势。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于非参数回归的快速路行程速度短期预测算法

基于北京市快速路上的检测器所采集的历史数据，经过数据筛选，剔除判别，小波滤噪平稳处理，聚类分析等过程，建立了交通状态演变系列的历史样本数据库。基于所构建的历史数据库，通过数值试验，确定了状态向量、距离匹配原则，K近邻值等参量，构建了一种基于K近邻的非参数回归短时交通预测模型，实现了对路段行程速度的短时预测。最后，利用随机选取的历史数据系列对预测模型的精度进行了检验。结果表明，预测算法的精度可以达到90％以上，可以很好地满足ITS应用系统对于交通预测数据的精度要求。     

船舶航行交通事件实时检测技术研究现状与展望

船舶航行交通事件检测依赖基于历史数据的离线检测方法, 检测模型适用性差, 难以满足监管人员的实时监测需求。通过分析船舶异常行为检测、航行事故检测等现有交通事件检测技术, 可以发现: 在数据层面, 监测数据来源单一、环境信息缺失; 在方法层面, 基于统计、风险评估等经典模型的事件监测方法效率高但准确性低, 基于神经网络、图像识别等机器学习的检测方法准确性高但效率低; 多源数据融合、多项技术结合的交通事件检测方法成为实时检测方法的发展趋势。在此基础上, 梳理了实时船舶航行交通事件检测的3项关键技术: (1)海事大数据技术: 高效处理船舶运动数据和航行环境数据, 统一多源异构数据结构标准, 降低数据源单一造成的事件误报率; (2)船舶行为动态建模技术: 利用知识图谱等技术融合船舶航行情境信息, 在不同船舶运动环境下利用深度学习、语义关联、图神经网络等方法构建不同的船舶行为模型, 提高检测准确性; (3)实时分析和可视化技术: 结合平行系统进行虚实系统间信息传递, 定性分析检测结果, 实时显示检测全过程, 提升监管过程中的人机交互效率。然后, 提出了包括数据采集、后台服务和客户端应用3个功能模块的交通事件平行检测系统; 该系统具备实时接收并处理船舶航行数据、分析并预测交通状态、动态检测并预警交通事件和仿真结果展示等功能。从数据融合、交通状态感知和交通虚实映射3个方面, 展望了面向海事监测实务的实时检测技术发展方向。      

基于SARIMA模型的城市道路短期交通流预测研究

以城市道路短期交通特征为基础,提出在使用季节自回归求和移动平均（SARIMA）模型进行预测时还应该考虑交通流日周期性特征,以提高模型的预测能力。预测研究不仅考虑了模型的样本内预测而且考虑了样本外预测,并通过两个预测误差统计量,即预测误差绝对值均值和预测误差百分比绝对值均值,来对模型预测表现进行衡量与比较。研究结果显示,虽然只考虑城市道路短期交通流数据中周周期性的SARIMA模型预测能力比只考虑日周期性特征的SARIMA模型好,但是却比既考虑交通流数据中周周期性又考虑数据中的日周期性的SARIMA模型表现差。     

Modeling the accuracy of traffic crash prediction models

Crash forecasting enables safety planners to take appropriate actions before casualty or loss occurs. Identifying and analyzing the attributes influencing forecasting accuracy is of great importance in road crash forecasting. This study aims to model the forecasting accuracy of 31 provinces using their macroeconomic variables and road traffic indicators. Iran's road crashes throughout 2011–2018 are calibrated and cross-validated using the Holt-Winters (HW) forecasting method. The sensitivity of crash forecast reliability is studied by a regression model. The results suggested that the root mean square error (RMSE) of crash prediction increased among the provinces with higher and more variant average monthly crashes. On the contrary, the accuracy of crash prediction improved in provinces with higher per capita GDP, and higher traffic exposure. A 1% increase in crash variability, average historical crash count, GDP per capita, and traffic exposure, respectively, resulted in a 0.65%, 0.52%, −0.38%, and −0.13% change in the RMSE of forecasting. The addition of traffic exposure and macroeconomic factors significantly enhanced the model fit and improved the adjusted R-squared by 14% compared to the reduced model that only used the historical average and variability of crash count as the independent variables. The findings of this research suggest planners and policymakers should consider the notable influence of macroeconomic factors and traffic indicators on the crash forecasting accuracy.     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

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.     

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。      

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。      

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

基于季节ARIMA模型的公路交通量预测

为了提高公路交通量季节性预测的精度,在介绍一般ARIMA模型的基础上,推导出一种具有周期的季节ARI—MA模型的一般表达式,以及使用这种模型进行建模和预报的一般过程。在实证分析中,先用傅立叶周期分析法检验时间序列的周期性并求出周期长度,然后用Eviews软件对时间序列作平稳性检验以及实现模型的识别、建立、选择与预测过程。与三个常用季节预测模型：分组回归模型、可变季节指数预测模型和季节周期回归模型相比,季节ARIMA模型的预测精度最高。研究结果对于更为科学准确地预测公路交通量具有一定意义。