基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

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.      

基于神经网络及关联性修正的交通异常预测研究

为实现城市交通异常管理的主动式响应,给交通异常处置争取更多的时间,减少交通异常对城市路网的影响,提出了一种基于神经网络及关联性修正的交通异常预测方法.基于历史异常数据构建交通异常数据库,并定义了预测模型中的主要参数;构建了基于改进神经网络算法的交通异常预测模型,在此基础上,创新性地提出了结合不同单元区域背景概率及交通异常相关关系挖掘的预测修正算法,对预测结果进行关联性修正以得到最终更加准确的预测结果,大幅提升了模型的预测精度.应用哈尔滨市30 d实例数据训练了所提出的交通异常预测模型,用15 d数据进行了验证,结果表明经过关联性修正的预测模型成功预测次数明显增加,相较于传统方法,预测成功率提升了31.46%,皮尔逊检验值均大于1.642,预测的结果的可信度大于80% 的置信水平.      

考虑数据缺失的高速公路交通参数计算方法

为提高数据异常状态下的高速公路交通参数计算的精确度，提出了基于数据融合的交通参数计算方法，首先结合收费站数据对门架数据所缺失的行车记录进行填充，再根据每辆车的平均行程速度，利用两阶段的聚类算法剔除驶入服务区和行驶异常的车辆，最后计算各个路段的路段流量和路段平均行程速度，对缺失的交通参数利用融合时间特征的KNN算法进行填充。选取3 d 15个门架的行车数据作为实验数据。结果表明，门架数据行程记录缺失较大，平均缺失率为46.95%,其中门架数据记录最大缺失率为56.25%,最小缺失率为31.73%,并且速度较快的小客车相较于速度较慢的中大型货车的行车记录更容易缺失。两阶段的聚类算法可以有效地识别并剔除驶入服务区和行驶异常的车辆。在填充连续复杂缺失场景下的交通流时空数据集方面，KNN算法相较于最大似然估计、决策树、链式方程多重填补方法在RMSE指标上分别下降24.90、15.88、5.81,添加时间特征以后RMSE在原始KNN基础上下降3.03,证明了融合时间特征的KNN算法在填充连续复杂缺失的交通流场景下的可行性和有效性。数据异常情景下的交通流缺失值填充以及交通参数计算方法为管理部门在高速...     

基于短时交通预测的公路交通异常判别方法

普通公路由于受到检测设施布设稀疏的制约,若沿用传统的交通事件自动识别方法,其判别率将低于高速公路或城市道路,而误判率也将高于高速公路或城市道路。为了便于公路管理者对普通公路发生交通异常时及时处理,以短时交通预测为基础,将交通异常的定义作为为判别标准,提出了1种新的交通异常判别方法,该方法能够排除由常发性交通拥挤和幽灵瓶颈现象引起的异常误判。试验表明,基于短时交通预测的公路异常判别方法精度误差在0.2以内,能够较好的实现对交通异常的判别。      

基于非参数回归-粒子滤波模型的公交到站时间预测

为进一步提高公交到站时间的预测精度,提出了一种基于非参数回归-粒子滤波模型的组合预测方法。首先利用非参数回归预测方法,对公交站间速度顺序进行了预测。考虑到速度自身的时变特性,采用了扩展欧式距离作为度量相似度大小的准则来预测下一个站间速度,保证了速度曲线的相似性和模型的鲁棒性。然后利用采样-重要性重采样思想,构建了基于粒子滤波的公交车辆到站时间预测模型。最后以北京市区内3条典型公交线路为例,利用其工作日早高峰时段的历史运行数据检验模型的准确性。结果表明:(1)基于非参数回归方法预测得出的公交站间速度与实际值更为接近,预测精度显著优于加权平均法的预测结果;(2)基于非参数回归-粒子滤波算法得出的公交到站时间预测结果,线路平均绝对误差在1.5 min内,标准误差在3 min内,平均绝对百分误差均小于4%,预测精度也显著高于加权平均法-粒子滤波、非参数回归-卡尔曼滤波和加权平均法-卡尔曼滤波3种组合算法。模型的敏感度分析结果也进一步显示,预测误差会随着粒子数目的增加而逐渐趋于稳定状态,进而证明提出的方法能有效预测公交到站时间。     

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.      

基于粗糙集交通信息提取计算的城市道路行程时间预测

针对城市道路的行程时间预测问题进行研究。由于城市道路交通问题具有不确定性和不精确性,故采用基于粗糙集的交通信息提取计算理论建立城市道路行程时间预测模型。模型建立后,利用在荷兰代尔夫特市采集到的实际数据,对该预测模型进行检验。检验结果表明:如果不进行原始数据的前期处理,那么得到的预测误差在35%左右;而在剔除了质量较差的数据后,预测精度明显提高;同时,条件属性和决策属性的分类,显著影响到预测的精度。通过计算得到分类范围值,该模型能够较好的对交通状态进行物理解释同时预测精度能够达到可以接受的范围。     

CS优化BP神经网络的高速公路流量预测

随着高速公路交通控制和出行诱导需求的日益增加,对高速公路交通流量的预测提出了更高的要求。为了提高预测的精度,提出了改进的布谷鸟搜索(cuckoo search,CS)算法优化BP神经网络的高速公路流量预测模型(Weighted value of T dynamic disturbance CS-BP,WTCS-BP)。利用高速观测站的信息采集系统收集车流量信息;离散为时间序列,构建学习样本;利用BP神经网络对采集的样本进行训练,并采用改进的CS算法对网络参数进行优化;建立高速公路交通流量的预测模型。最后通过仿真实验进行测试。结果表明,该模型的拟合度较其他对比模型更接近实际流量。提高了预测的准确性,对高速公路出行起到有效的指导作用。     

基于GRU-RNN模型的交叉口短时交通流预测研究

为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度(R~2)为0.962,最接近1,稳定性最好,均方根误差(RMSE)为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。     

基于ADAS联网时空数据的路段交通参数估算模型

交通参数实时获取是道路交通管控的重要基础。针对固定检测器观测范围受限和浮动车数量需求大的问题，研究了1种利用车载ADAS联网数据进行路段交通参数估算的方法。通过分析车载ADAS感知的前向目标参数与交通参数的关系，结合广义交通量定义，并考虑多车道条件下ADAS车辆及其邻近前车的相对运动变化特性，建立了1种非稳态交通条件下的交通参数估算模型。在仿真实验环境下获得定参数据集和验证数据集，完成对模型的参数标定和验证，并探讨时空分辨率和ADAS车辆渗透率对模型估算精度的影响规律。基于实验数据分析，结果表明，时间分辨率降低5 min，所提模型估算误差平均减小3.4%，降低时间分辨率可以提升所提模型的估算精度；空间分辨率降低500 m，流量和密度的估算误差平均减小1.68%，却可能导致速度估算误差平均增加5.19%；ADAS车辆渗透率的增长可以增强估算交通参数和观测交通参数在路段时空区域的契合程度。在ADAS逐渐装车应用的背景下，所提的交通参数估算模型可快速、精准获取路段连续时空范围内的交通量信息。      

考虑大型车因素的支持向量机短时交通状态预测模型研究

高速公路是运输效率高、通行能力大、具备全控制条件的道路,及时发现异常交通状态并采取相应的管制措施是保持良好通行能力的基础。交通状态的短时预测技术能够在实时交通状态数据的基础上对交通状态发展趋势进行预测,为高速公路主线运行管理及匝道交通控制提供决策依据。本研究首先应用灰色关联度理论,分析了道路车型组成比例对交通状态的影响,发现车流中的大型车比例与车流平均速度存在较强的关联性,而且在纵断面线形较为复杂的山区高速公路,车流中大型车比例对车流速度的影响更为显著;然后建立了引入大型车辆比例影响因素的基于支持向量机(SVM)模型的高速公路短时交通状态预测模型,最后通过实测数据及对比试验验证了模型的可行性与准确性。结果表明:本研究设计的支持向量机预测模型具有较为准确的预测效果,均方误差为0. 024 19,决定系数为0. 58;与未引入大型车辆比例的预测方案相比,均方误差减少0. 22,决定系数增大0. 27;与传统的BP神经网络模型相比,支持向量机短时交通状态预测模型预测结果震荡幅度小,所需训练样本量少,具有良好的预测精度,综合性能较好;通过时间序列分析得到,以前6,7个时间点作为输入的预测方案效果较为准确,若时间选取过多,将对模型产生干扰,预测效果反而不好。     

基于参数预测的高速公路交通状态判别

针对目前基于单截面检测数据的高速公路交通状态判别算法存在着判断阈值多,对拥挤样本依赖性强而拥挤样本采集困难等问题,提出了基于交通流预测的交通状态判别模型.预测过程中以车辆的平均占用时间作为预测的目标参数,利用神经网络建立预测模型,并通过相关系数法确定神经网络的输入层.在预测的基础上,以实测值与预测值之间的差值作为判别的依据,判别道路的交通状态.应用广深高速公路实测数据对判别模型的有效性进行检验,并与经典的McMaster检测算法做了对比,结果表明,所提出算法对拥挤样本依赖较少,判别精度高,鲁棒性高.      

基于XGBoost的短时出租车速度预测模型

准确预测短时出租车速度是识别驾驶员异常加减速行为的前提，有助于提升乘客的安全与舒适。以城市中出租车实时移动速度为研究对象，研究了基于XGBoost的短时出租车速度预测模型。将出租车的移动速度数据集划分为训练集和测试集，构造滑动时间窗口，以时间窗口内的出租车历史移动速度的时间序列为输入变量，以出租车当前时间的移动速度为输出变量，采用前向验证的方法进行模型评估。利用基于贝叶斯算法的hyperopt模块实现模型参数的快速优化，得到模型最优参数组合，并基于深圳市2013年10月22日的出租车GPS轨迹数据集进行算例分析，将模型的预测结果与非参数回归模型、神经网络模型预测结果进行比较。研究表明:所构建的短时出租车速度预测模型的平均绝对误差（MAE）为9.841，均方根误差（RMSE）为12.711，均低于非参数回归模型和神经网络模型，提高了出租车速度的预测精度；由于出租车速度序列缺乏规律性，调整后的R₂（R₂ _adjusted）为0.592，且相较于其他2个模型，XGBoost模型在出租车速度发生急剧变化的时间点附近具有更优的拟合效果，避免了过拟合造成的预测精度下降。      

汕头海湾隧道复合地层超大直径泥水盾构掘进参数预测研究

为研究复合地层超大直径泥水盾构掘进参数之间的复杂关系，以汕头海湾隧道工程为背景，选取700环掘进数据，通过优选函数类别和网络结构，建立基于BP神经网络的复合地层超大直径泥水盾构掘进参数预测模型，定量预测刀盘转矩、刀盘能耗和平均泥水压力。研究表明： 1）复合地层盾构贯入度和掘进速度、贯入度和刀盘转速、刀盘电流和刀盘转速的皮氏积矩相关系数绝对值均在0.75以上，具有良好的线性相关性，其他掘进参数之间相关性较不明确； 2）复合地层盾构刀盘转矩和刀盘能耗预测值与实际值的算术平均误差在5%左右，平均泥水压力预测值与实际值的算术平均误差为1.31%，预测精度较高，满足盾构施工要求； 3）基于BP神经网络预测模型，软土地层各掘进参数预测效果得到进一步提升； 4）根据BP神经网络预测模型输入参数定量预测其他掘进参数，操作简单，预测效果良好，能够为盾构主司机提供参考，同时提高施工效率，为实现智能掘进打下基础。     

基于实时多模态时空数据的时空图卷积网络精准鲁棒交通流预测模型

随着我国城市规模的不断扩张,绕城高速公路被各大城市相继采用,在疏导城市过境交通、缓解市内拥堵、提高通行效率等方面起到积极作用。然而,少有学者针对绕城高速公路开展全面和系统的研究,在其交通流特性、态势评估预测、运营管理措施等方面有着较大的研究空间。传统基于单一或部分数据源进行交通预测受到数据源的限制,在精准度、鲁棒性和实用性上都有待提高。本研究选择成都绕城高速公路(国道G4202)作为试点路段,基于系统视频智能分析平台对车流速进行实时监测,并基于实时多模态时空数据的时空图卷积网络进行精准鲁棒交通预测模型的研究。该方法结合了时空图卷积网络以及卡尔曼滤波(Kalman Filtering)校正相点的未来演化规律,预测模型通过自学习对比实际交通监测数据进行优化,并提供交通预测模型的有效性与可信度评估。实际交通流数据测试结果表明,文中所提出的预测模型与传统预测模型相比具有更高的预测精度,是一种有效的交通流预测方法。     

基于IFA-SVM的高速公路沥青路面使用性能预测

针对传统定性法对高速公路沥青路面使用性能预测精度不高的问题,结合支持向量机理论和改进萤火虫算法,建立了一种基于IFA-SVM的预测模型。首先在预测模型中引入萤火虫领域搜索,克服了寻优过程中随着迭代次数的增加而发生萤火虫的随机移动。其次,在后续寻优过程中采用动态调整算法搜索步长来平衡全局搜索能力,加快了SVM模型性能参数的寻优选择。最后通过实例验证,并与标准FA-SVM预测方法进行对比分析,验证了IFA-SVM模型的有效性和预测精度的可行性。研究结果表明:(1)采用标准FA-SVM对G6高速公路白银段路面使用性能各个指标进行预测,其相对误差最大达2.543 5%,最小为0.820 6%,而利用IFA-SVM模型预测结果的相对误差最值分别为1.085 8%和0.365 4%,且其均方根误差均小于标准FA-SVM方法。(2)IFA-SVM模型在高速公路沥青路面使用性能预测时,收敛速度更快,精度高于标准的FA-SVM,预测结果不仅更加接近实测值,而且对高速公路沥青路面的养护决策提供有效支持。     

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。