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.      

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

基于深度学习的网约车供需缺口短时预测研究

城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型 3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类-最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的 STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.