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.      

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

基于批处理增量Lagrange支持向量回归机的短时交通流预测模型

实时、准确的交通流预测是智能交通控制和诱导的关键之一,针对实际中短时交通流数据批量增加的情况,为了提高预测模型准确性、缩短运行时间和模型更新问题,文章提出了一种基于批处理增量学习Lagrange支持向量回归机的短时交通流预测模型。仿真实验表明,与传统的支持向量回归机增量学习算法相比,提高了模型的预测精度,缩短了训练时间。     

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。     

基于R树的非参数回归交通流预测方法

非参数回归在交通流预测中已得到广泛应用,但实际使用中存在实时性差的缺陷.为提高非参数回归预测速度,提出了使用空间索引结构R树作为模式库的存储结构,并依据R树空间聚类的特点进行K近邻搜索,最后根据搜索到的近邻点估算未来的交通流量.实验结果表明R树结构下的K近邻搜索速度比线性结构下的搜索速度提高了59.6%,但预测精度下降了8.8%.而通过缩小K近邻搜索中的距离上限这一参数,可以提高预测精度.结果表明当2种结构下的距离上限相同且小于0.02时,R树结构下的预测精度平均高于线性结构下11.9%,且搜索速度也平均提高了30.8%.因此,该算法能够在满足预测精度的条件下有效地提高预测速度,为实时短时交通流预测系统提供了1种实现算法.      

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

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。     

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。     

基于聚类分析的非参数回归短时交通流预测方法

大部分非参数回归预测算法并不对交通流历史数据进行区分,而是将全部历史流量数据建立模式库进行分析.基于交通流的现实特征,提出基于聚类分析的非参数回归短时交通流预测方法,首先根据流量分布特点运用聚类分析将其分类成不同的流量模式,然后选择匹配待预测时刻的流量模式作为样本数据库运用非参数回归进行预测.实例计算结果表明,其预测精度优于传统非参数回归方法.      

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果.基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测.仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络.     

基于数据约减和支持向量机的非参数回归短时交通流预测算法

交通流短时预测对保障智能交通系统的快速运行具有至关重要的作用。准确高效的交通流短时预测不仅可给交通流管理者提供辅助决策支持,同时可提高驾驶人员的出行效率,躲避或减缓交通拥堵。利用传统的非参数回归方法短时预测交通流在数据体量大、维度较高时,存在模式库需要的存储空间大、查询速度慢等缺点。针对这一问题,提出了一种改进的非参数回归交通流预测算法,不仅可提高算法的运算效率,同时可提升算法的预测精度。首先,使用主成分分析方法对模式维度进行了降维处理,以克服维度过高引起的匹配速度慢且无关维度的干扰等问题。其次,采用模糊C均值聚类方法对原始交通流数据进行了聚类筛选,以减少所需模式的数量,提升近邻搜索的速度。接着,使用多维搜索结构KD数代替常用的线性表作为模式库的存储结构,实现了模式的高速搜索。最后,融合支持向量机方法,运用搜索到的K个模式估计出最终待预测变量的值。进一步使用深圳市的实际数据对算法进行了检验。结果表明:该算法相比传统方法在运算效率和精度方面都有一定的提高,能够满足实时大规模交通流预测所需要的预测准确度、实时性和动态性等方面的要求,具有一定的应用价值。     

基于K近邻非参数回归的交通状态概率预报技术

针对城市道路交通系统中交通流演变的随机性和复杂性,以及实时交通状态判别本身所具有的不确定性,基于模式识别和相似预报的思想,提出了一种交通状态概率预报的K近邻非参数回归模型。模型首先利用城市道路路段上环形线圈采集的交通流数据,采用模糊聚类技术,生成历史样本数据库;接着采用相似离度指标进行近邻搜索;然后根据近邻子集,构建交通状态概率预报函数,对路段未来时段的交通流运行状态进行预报,并用概率定量描述该状态发生的可能性大小。最后根据该模型,结合实际数据,进行了不同预报时长的分级交通状态的概率预报试验,独立样本检验结果表明,该模型预报准确率高,稳定性好。     

混合智能算法在城市道路短时交通流量预测中的研究

对城市道路短时交通流进行准确预测是实现城市交通控制与交通诱导的关键。针对目前单一预测方法预测精度不高的问题,提出了小波与支持向量机（SVM）融合的预测新方法;同时为了避免SVM知识学习过程陷入局部最优的问题,采用粒子群算法（PSO）来优化SVM的关键参数,以提高对短时交通流量的预测精度。通过对武汉市道路交通流数据的实验分析,结果表明所提出的方法能够准确提取实验数据关键特征,显著提高SVM的预测精度,且结果比单一使用方法提高了近9%。     

基于向量自回归模型的城市快速路交通状态短时预测研究

本研究考虑时空关联性对城市快速路交通状态进行了短时预测研究。首先,基于快速路上下游检测器数据分析交通流量和速度的时变特性,采用有序样本最优分割算法将一天划分为具有相对稳定交通状态的不同时段。然后,构建一种考虑上下游路段影响的空间向量自回归(Vector Auto Regression Model,VAR)模型,预测不同时段目标地点的交通流量和速度。研究结果显示,下游的交通状态对上游的影响不可忽视,尤其是在高峰时段。对于平峰时段,目标地点的交通状态很大程度上取决于上游路段,而受下游路段的影响较小。在此情况下,仅利用上游路段的交通状态来建模,便能达到足够的预测精度。另外,通过模型对比发现,相较于ARIMA预测模型和历史均值预测模型,本研究提出的VAR模型能够综合考虑交通状态的时空动态特征准确预测城市快速路交通状态。     

基于多车道加权融合的短时交通流预测研究

短时交通流预测是改善交通规划与管理效率的一个重要因素,为了提高交通运输管理和调度能力,从路段多车道交通流隐含的交互关系,引入一种基于多车道加权融合的短时交通流预测方法。用该方法分析了加州高速公路某五车道单检测点各车道交通流与聚合交通流之间的相关性,发现每个车道交通流与聚合交通流都呈现高度关联性。基于此,构建一种能够学习交通流上下关联性的双向长短时记忆模型。基于3种时间间隔数据,选取某一间隔交通流进行归一化及预处理,将各车道交通流和聚合交通流数据分别构成相对应的一组,采用几十组同"星期几"相应数据分别输入双向长短时记忆模型进行训练,利用各部分模型分别预测同一天相应车道和聚合的交通流。最后对预测的各部分交通流采用岭回归算法计算融合权重。通过权重融合预测的各车道交通流和聚合交通流作为最终预测的交通流,进一步在三车道检测点的3个时间间隔交通流进行试验。结果表明:本预测方法相对于未考虑各车道交通流与聚合交通流相关性传统预测模型的MAE、RMSE值均有一定程度降低,具有更高的预测精度和鲁棒性,是一种有效的交通流预测方法。     

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。     

基于局部路网空间结构特征的无检测器路段交通流预测方法

城市路网中存在大量尚未布设交通检测器的路段，其交通流数据难以获取，不利于开展精准路网管理，为此提出了利用局部路网空间结构特征预测无检测器路段交通流量的方法。基于有检测器路段的海量交通流数据，分析局部路网空间结构特征与路段交通流量之间的相关性；根据路网拓扑关系使用多元线性回归算法估计所有的有检测器交叉口交通流分配权重，并使用多元线性回归算法进一步挖掘局部路网空间结构特征对交通流分配权重的影响；结合空间特征影响度系数、无检测器路段所在的局部路网的空间结构特征及相邻路段的交通流，对无检测器路段进行交通流预测。实验结果表明，路段道路类型、相邻路段数量及相邻路段道路类型这3类局部路网空间结构特征与路段交通流量相关性显著，采用基于空间特征影响度系数对局部路网中只有单个相邻上游和具有多个相邻上游的无检测器路段进行预测，发现其平均误差分别在8%和22%左右。      

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。