交通流短时预测的相关性研究

交通流短时预测中,多个检测点的道路交通状态间的时空联系是客观存在的,但以往研究中通常根据经验假定,很少定量研究其相关性. 本文引进了多元统计分析中的多维标度法对多断面时间序列的相关性进行定量分析,为合理进行多断面短时交通流预测研究提供基础. 首先,根据道路网多个断面各自的时间序列利用相关系数方法得到两两之间相关性的相关系数矩阵,然后,利用多维标度法将道路网中多个断面交通流的相关程度映射到一张二维拟合构图中,以拟合构图中代表各个断面的点之间的欧几里得距离来体现断面之间的相关强度,从而判别断面之间相关性强弱,确定道路网多断面短时交通流预测时相关性分组. 最后,根据相关性分析结果进行多断面交通流预测及效果比较,验证了方法的可行性和有效性.     

基于小波神经网络的路段短时交通流预测

应用BP神经网络来对路段短时交通流进行预测,预测精度和收敛速度都不是很理想,为了克服BP神经网络自身存在的非线性逼近缺陷,依据小波的时频域特征,将小波变换和BP神经网络结合起来,提出一种基于小波神经网络的短时交通流预测方法,给出了具体的网络学习算法,并结合实地调查数据进行了对比测试,分析结果证明了小波神经网络模型对短时交通流预测的有效性．     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.     

高斯过程回归短时交通流预测方法

已有的短时交通流预测方法均属于确定性预测,无法对预测的不确定性进行定量分析.针对上述问题,提出了一种基于高斯过程回归的短时交通流预测方法.通过该方法在对短时交通流进行预测的同时还可以得到预测的方差估计值,并依此可以确定预测值的95%置信区间.在仿真实例中,在相同条件下对所提方法与支持向量机预测方法进行比较.仿真结果表明,高斯过程回归短时交通流预测方法不仅与支持向量机预测方法具有相近的预测精度,其中均方根误差为12.09,绝对值误差为118.42,相对误差为17.32%,而且能够获得预测结果的方差估计值,从而有效实现短时交通流概率意义上的预测.     

交通流短时预测研究进展

交通短时流预测是交通控制和交通诱导的基础和关键技术之一,经过几十年的研究已出现200多种预测方法。首先对城市道路交通流短时预测方法进行分类。然后分析、归纳了交通流预测领域的最新研究进展,总结出几类最新的研究趋势：综合模型应用,组合模型应用,时空相关性研究,单断面向多断面、路网扩展研究,单步预测向多步预测发展研究,以及基于反馈的动态预测。最后,展望了今后交通流短时预测的研究方向。     

短时交通流智能预测方法的研究

在分析短时交通流预测方法的基础上。指出现有预测方法的局限性，提出了一种将多种预测模型与人工智能技术相结合的短时交通流智能预测方法，论述了该预测方法的基本原理。     

基于小波神经网络的短时交通流预测

针对现阶段城市道路交通短时交通流预测精度不高的局限性,将小波变换引入到城市道路交通预测过程中,提出一种基于小波神经网络的预测方法。运用美国加州高速公路通行能力度量系统数据作为数据来源,应用小波变换和BP神经网络相结合对其进行预测,然后对预测结果数据进行分析,并对短时交通流进行综合评价。实验表明,该方法与传统的BP神经网络相比较,在短时交通流预测方面具有较好的有效性和优越性。     

交通流短时预测理论研究进展

交通流短时预测是智能运输系统。尤其是其先进的交通管理系统和出行者信息系统研究的一个重要内容。利用预测算法来分析交通数据，并预测未来数分钟内的交通流状态，便于及时采取适当的交通控制措施和诱导措施。     

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

基于协整理论的短时交通流组合预测研究

交通流短时预测是智能交通系统中的一个重点问题,预测效果的好坏直接关系到控制和诱导的结果,是实现先进交通管理信息系统的关键技术之一. 本文简要介绍了协整和误差修正模型的概念,利用序列的协整性来进行交通流组合预测模型的有效性验证,并利用误差修正模型提高组合预测模型的稳定性. 我们利用北京市二环路上采集到的交通流数据进行了模型的验证. 研究结果表明,基于协整理论的交通流组合预测模型可以取得很好的预测效果.     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

短时交通流预测中的特征选择算法研究

短时交通流预测是智能交通系统的重要基础,其精度直接影响到交通控制和诱导的效果.对于交通流预测中的非参数回归方法,其中一个重要的问题是状态向量的选取.本文提出基于 ReliefF和 Delta Test的特征选择算法来对特征向量进行选择.首先使用 ReliefF算法根据特征和类别的相关性对状态向量进行快速初步筛选,加快算法的执行效率.接下来以 Delta Test为性能指标,使用遗传算法对状态分量的权重进行进一步优选.最后通过基于实际数据的算例,对本文方法优选的状态向量与时间序列状态向量,简单时空关联向量进行了对比.结果表明,本文的方法在一般交通状态条件下和突变交通状态下都具有较好的性能.     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.     

非线性短时交通流的一种神经网络预测方法

短时交通流预测是交通控制与交通诱导系统的关键问题之一。随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般的预测方法难以奏效。本文针对BP神经网络运行的特点。提出了用隔离小生境遗传算法优化传统的BP网络。实例证明,该神经网络的进化建模方法设计简单,全局搜索效率较高,能有效的用于短时交通流量的预测。     

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。     

基于非参数回归的短时交通流预测研究综述

短时交通流预测是实现交通控制和诱导的关键问题之一。综述了基于非参数回归的短时交通流预测方法,指出了状态向量的选取没有考虑天气环境等存在的问题,提出了改进思路和方法,即基于动态聚类和决策树的历史数据组织方式、时空一天气环境相结合的状态向量选取方法以及基于密集度和状态向量的自适应变K机制等,期望通过这些改进能提高基于非参数回归短时交通流的预测精度,为交通控制和交通诱导建立基础。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

短时交通流预测模型综述

交通流预测在智能交通系统中一直是一个热门的研究领域，几十年来，专家和学们用各种方法建了许多相对精确的预测模型。本在提出交通流短期预测模型应具备的特性的基础上，讨论了几类主要模型的结果和精确度，并对交通流预测领域今后的发展趋势作出展望。