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.      

数据融合技术在短时交通流预测中的应用

提出了短时交通流预测的时间间隔长度,介绍了常用短时交通流预测方法.结合数据融合技术,明确了短时交通流预测的改进方向之一,即模型选择、模型组合,并给出了短时交通流预测的数据融合算例.     

基于相似性的短时交通流预测

为了提高短时交通流的预测精度,更加精确地进行交通流规划和管理,引入了一种基于相似性的短时交通流预测方法。用该方法研究了美国加州高速公路某单点交通流在时间尺度上的相似性,发现同"星期几"交通流的相似性比相邻几天交通流的相似性大。在此基础上,建立了小波神经网络模型,将4个同"星期几"的交通流数据和相邻4天的交通流数据分别构成一组,各自采用200多组数据分别训练小波神经网络,然后对同一天的交通流进行了预测,发现前者的MRE、MSPE值比后者低,EC值比后者高,说明前者的预测精度高于后者,验证了所提方法的有效性。     

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.      

基于可视化技术的交叉口短时交通流预测研究

为通过视觉图形实现交通流时序特征可视化,精准掌握交通大数据驱动下交叉口交通主体的移动趋势,构建交叉口短时交通流可视化预测系统。通过Python中的Matplotlib实现交叉口交通流时序可视化,利用ARIMA模型进行短时交通流预测,并以OpenITS合肥市示范区黄山路-科学大道交叉口数据进行实例验证。结果表明,该系统可实时、在线实现不同时段交通流分布规律可视化,并能有效提取交通流时序特征,ARIMA(1,1,0)模型的3个评价指标的预测误差均小于10%,具有较高的预测精度。     

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。     

区域交通流的时空预测与分析

论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。     

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.      

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。