基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.      

基于多周期组件时空神经网络的路网通行速度预测

针对当前路网通行速度预测方法存在的中长周期预测准确性和稳定性不足、自适应路网拓扑空间关系建模能力有待进一步提升等问题,以多尺度卷积算子及门控循环单元为核心单元,提出一种面向路网通行速度预测任务的多周期组件时空神经网络模型。首先,根据路网交通感知数据的周期特性,将其规约为周、日和近期这3种不同粒度的时间-空间-特征三维矩阵,并输入至3个共享网络结构的周期组件。其次,在每部分组件中,利用多尺度卷积核捕获多因素非线性相关性与不同空间视野大小的路网节点空间相关性。然后,对每个路网节点的时序特征使用门控循环单元提取交通数据长时依赖关系,引入残差学习框架,提高网络训练效率并防止梯度弥散。最后,自适应加权融合通过预测卷积层的每部分周期组件预测结果生成预测时段内路网交通通行速度。为验证所提方法的有效性,基于两个公开的交通状态数据集进行实验分析,并选取当前主流的深度神经网络模型作为对比基线模型。结果表明,所提方法在可接受的执行时间内,在两个数据集上平均绝对误差、平均平方误差和平均绝对百分比误差分别为 2.55、3.94 和 10.75%,1.57、3.52和3.44%,在预测准确性与中长时多步预测稳定性方面均优于其他基准方法。     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布.     

基于DCNN与HMM融合的疲劳驾驶检测方法研究

首先提出一种深度卷积神经网络(DCNN)与隐马尔可夫模型(HMM)融合的疲劳驾驶检测方法,针对眼睛和嘴巴状态单一特征,构建3层DCNN来识别眼睛和嘴巴闭合状态;再针对训练样本人工标记困难的问题,提出结合人工标记、采用Dlib特征点检测和疲劳参数加权获取驾驶员疲劳等级的方法进行标记;最后,针对疲劳驾驶是一个从状态良好到重...     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法，同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集，融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度，吸引强度和产吸差强度3个指标作为模型输入，训练得到基于区域内出行特征双通道的卷积神经网络模型，采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象，结果表明，本文算法能够同时推断交通小区内居住、工作和休闲用地特征，并获得各用地类型在小区内占比分布.     

基于神经网络的信号交叉口进口车道交通延误预测

基于误差反向传播(Back Propagation,BP)神经网络建立了适应能力较强的信号交叉口进口车道平峰时的交通延误网络模型,并利用邯郸市某信号交叉口进口车道的平峰小时交通延误的数据,对该BP神经网络预测模型进行训练和测试.比较分析预测结果和实际数据,结果表明该BP神经网络对于交叉口进口车道的交通延误预测结果可靠有效.此外,在交通情况更加复杂的信号交叉口或者时间段,以该模型为基础可以建立更加可靠的预测信号交叉口进口车道交通延误模型.     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.