基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

基于数据挖掘的固定型交通检测器配置优化

结合固定型交通检测器空间配置的4条原则和配置密度优化步骤,提出基于数据挖掘技术的固定型交通检测器配置优化方法.设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对象,运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型、ARIMA预测模型及神经网络预测模型.采用网格搜索技术确定Winters模型参数,设计一种比传统ARIMA模型参数估计方法更精确的算法程序,来估计ARIMA模型参数,采用3项误差指标评价模型预测效果.根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案.实例研究表明,在保证满足ITS 对交通参数精度要求的同时,通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本.     

基于改进IDM-GARCH模型的速度波动不确定性研究（双语出版）

为定量分析跟驰行为中由驾驶人感知不确定性产生的速度波动不确定性，基于改进IDM-GARCH模型研究了后车速度波动存在的异方差性。首先，提出在经典智能驾驶模型中加入速度差刺激项和非对称系数，以增强速度波动方程残差项的实际意义。在此基础上，为度量速度波动的不确定性引入异方差的思想，并验证速度波动方程残差项的异方差性，最后运用广义自回归条件异方差模型对其异方差性建模。实证分析中，采用了美国联邦公路管理局主导下的下一代仿真项目中真实有效的跟驰数据。研究结果表明：改进的IDM模型能有效地拟合实际跟驰行为中后车的速度变化，且较经典IDM模型在精度上有了很大提高；同时，GARCH类模型估计的条件方差也能准确反映后车速度波动的趋势和幅度，以及不同驾驶人驾驶行为的差异。     

基于GA、RBF和改进Cao方法的空中交通流预测方法

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法（GA）、径向基（RBF）神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示:①改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;②以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%;③相比反向传播（BP）神经网络和长短期记忆（LSTM）神经网络,所提方法的平均绝对误差分别降低了36.20%和16.10%,运行速度分别提高了27.42%和35.00%。综上所述,所提方法能更好地解析系统的混沌特性,提升空中交通流量预测精度与速度。      

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。     

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。     

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。      

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%。     

快速路整体性匝道仪控仿真研究

以Payne车流模型和宏观交通流连续方程为基础,将多路段的动态交通流离散方程应用于控制系统的描述,以泰勒展开式及连锁律推导二阶非线性速率方程式,构建一非线性整体匝道仪控模型.算例中以快速路检测的实时资料为前提,matlab 6.5为仿真工具,进行模拟和数值计算,仿真结果表明:非线性控制模型可有效的疏解高峰期交通拥挤的状况.     

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.      

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。     

出口道左转交叉口信号控制鲁棒优化方法

为了提高出口道左转交叉口在现实交通需求和供给波动环境中的适应性，权衡运行效率与稳定性，对其鲁棒优化方法进行研究。在对出口道左转交叉口运行特点和饱和流率进行分析的基础上，提出从交通需求分布、基本饱和流率分布和实际运行车速分布3个方面考虑交通的波动性，以适应出口道左转交叉口交通供给波动与控制方案相关联的特征。在此基础上，分别以平均值-标准差最小、条件风险值最小和最大值最小化为目标，建立3种信号控制鲁棒优化方法，并基于遗传算法建立求解算法。通过算例分析，对鲁棒优化算法的准确性、平均值-标准差模型的参数取值和3种鲁棒优化方法优化效益进行分析。研究结果表明：所建立的鲁棒优化方法可实现交通需求和供给波动下出口道左转交叉口信号控制与设计车速的优化设计，相较于传统控制方案其在保证效率的前提下提高了控制方案运行的稳定性；平均值-标准差模型和条件风险值模型对于各项指标均表现较好，可在保障平均延误维持较优值的基础上（案例中车均延误增加小于3%）显著改善运行效果的稳定性（案例中延误标准差减少约40%）；最小-最大模型对延误最大值的优化效果最佳，但其对于控制方案的整体效率会造成较大的负面影响（案例中车均延误增加了8.19%）。     

基于ARIMA-FNN的道路交通事故最优加权组合预测模型

1个适应性良好的道路交通事故预测模型对于交通管理、控制和有关规划设计起着重要作用,文中根据交通事故发生的时空性和多因素性,利用ARIMA模型良好的时间序列线性拟合能力和FNN强大的非线性映射能力,通过最优加权方法确定模型权重,建立ARIMA和FNN的组合模型,并对我国道路交通事故进行预测。结果表明：这一模型可以提高事故预测精度,是1种有效的事故预测模型。     

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。     

基于稳定性和宏观交通流模型的车辆路径规划

为了提升车辆的安全性和能量利用率，从路径规划的层面出发，针对避免车辆遇到极端工况及低效率工况的问题，提出将车辆稳定性判据模型和交通流模型相结合的方法来规划车辆路径，使得车辆在路面湿滑情况下实现快速、安全的行驶。使用交通流模型预测车辆未来将要面临的交通环境变化，再使用稳定性判据模型评估未来交通的安全性，以便为混合动力车辆规划出最快且最安全的路径。具体来讲，为了预测混合动力车辆未来将要面临的车速及车流密度的变化，使用通量矢量分裂格式求解广义Aw-Rascle-Zhang（GARZ）宏观交通流模型。此外，使用驾驶人在环仿真平台PreScan，收集了同一驾驶人在不同车速及不同相对前车距离时给出的前轮转向角响应。基于前轮驱动（FWD）前轮转向（FWS）车辆和全轮转向（AWS）分布式驱动车辆（DDV）的Simulink模型，给出了不同前轮转向角对应的轮胎力饱和因子（δ_TFSC）响应。使用人工神经网络训练不同车速和车流密度对应的δ_TFSC，建立了车辆的稳定性判据模型。使用新建立的稳定性判据模型对交通流模型预测的参数（车流速及车流密度）进行稳定性评估。然后，基于以上的方法优化了车辆行驶路径，以确保车辆在湿滑路面上的行驶安全。最后，使用US-101真实交通流数据来验证交通流模型的预测结果。经实例验证得出：交通流模型与车辆横向稳定性判据模型相结合可以从路径规划的层面保证车辆安全行驶并提升交通系统的通行效率。     

A Comparative Study of Three Multivariate Short-Term Freeway Traffic Flow Forecasting Methods With Missing Data

Short-term traffic flow forecasting is a critical function in advanced traffic management systems (ATMS) and advanced traveler information systems (ATIS). Accurate forecasting results are useful to indicate future traffic conditions and assist traffic managers in seeking solutions to congestion problems on urban freeways and surface streets. There is new research interest in short-term traffic flow forecasting due to recent developments in intelligent transportation systems (ITS) technologies. Previous research involves technologies in multiple areas, and a significant number of forecasting methods exist in the literature. However, most studies used univariate forecasting methods, and they have limited forecasting abilities when part of the data is missing or erroneous. While the historical average (HA) method is often applied to deal with this issue, the forecasting accuracy cannot be guaranteed. This article makes use of the spatial relationship of traffic flow at nearby locations and builds up two multivariate forecasting approaches: the vector autoregression (VAR) and the general regression neural network (GRNN) based forecasting models. Traffic data collected from U.S. Highway 290 in Houston, TX, were used to test the model performance. Comparison of performances of the three models (HA, VAR, and GRNN) in different missing ratios and forecasting time intervals indicates that the accuracy of the VAR model is more sensitive to the missing ratio, while on average the GRNN model gives more robust and accurate forecasting with missing data, particularly when the missing data ratio is high.     

高等级公路车流轴载模型研究

为解决交通流当量轴次的计算问题,在分析交通流构成和分布的基础上,利用轴载谱、轴载分布函数、单车当量轴次、车流当量轴次等一系列概念,提出了一套完整可行的公路运输车辆车流轴载计算方法并建立了车流轴载模型。在世行安徽公路项目II———超载运输研究课题中,利用该模型解决了如何使用车辆称重数据资料计算交通流当量轴次的问题。     

无信号交叉口车流通行状况的混杂Petri网模型

为了准确表征无信号交叉口的车流通行状况,提出了基于混杂Petri网的车流通行模型。该模型将交叉口车流分成不同的优先级别,分别计算每个级别通过交叉口的车流量和排队车辆数,以此表征它们在交叉口的通行状况,其中车流通行优先级别用离散Petri网表示,车流在交叉口的连续通行状况用时延Petri网表示。仿真结果表明:该模型能够比较有效地描述无信号交叉口车流通行的基本特性,满足城市路网建模的需要。     

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。