A Novel Method to Predict Traffic Features Based on Rolling Self-Structured Traffic Patterns

In this study, a novel method is proposed to predict the traffic features in a long freeway corridor with a number of time steps ahead. The proposed method, on the basis of rolling self-structured traffic patterns, utilizes the growing hierarchical self-organizing map model to partition the unlabeled traffic patterns into an appropriate number of clusters and then develops the genetic programming model for each cluster to predict its corresponding traffic features. For demonstration, the proposed method is tested against a 110-km freeway stretch, on which 48 time steps of 5-min traffic flows are predicted (i.e., a 4-h prediction). The prediction accuracy of the proposed method is compared with other models (ARIMA, SARIMA, and naive models) and the results support the superiority of the proposed method. Further analyses indicate that applications of the proposed method to larger scale freeway networks require sufficient lengths of observation to acquire enough traffic patterns for training and validation in order to achieve higher prediction accuracy.     

基于小波优化GRU-ARMA模型的空中交通流量短时预测方法

空中交通流量短时预测是空中交通管理的基础,是有效缓解交通拥堵问题的前提。为提高空中交通流量短时预测的精度,减小空中交通管制员的工作压力,提出了基于小波优化GRU-ARMA的空中交通流量短时预测方法。在传统预测方法的基础上,通过小波变换对原始流量数据进行多尺度分解,提取不同频率交通流量的细节特征,对原始流量数据进行预处理。同时,根据小波变换,在低频处将频率细分作为趋势项,高频处将时间细分作为噪声项。其中,趋势项反映了空中交通流量随时间演化的整体趋势性,噪声项反映了随机因素对空中交通流量的综合影响。使用门控循环单元（GRU）神经网络模型预测趋势项,自回归滑动平均模型（ARMA）模型预测噪声项;将趋势项和噪声项的预测值叠加,得到最终的短时流量预测值。误差分析表明,该方法在每个预测点上的误差保持在2%左右,预测效果稳定;而直接采用原始流量数据进行预测的GRU、BiLSTM、CNN-LSTM神经网络模型及单一的ARMA模型,每个点的预测误差在5%~37.14%之间。与GRU、BiLSTM、CNN-LSTM神经网络模型相比,该模型的预测精度分别提高了3.02%,5.39%,5.05%。      

双车道高速公路追尾事故实时预测模型

现有的高速公路实时事故预测模型对高速公路信息化采集设备的布设密度和采集的数据粒度要求很高,在低信息化的高速公路管理工作上难以得到应用.结合国内高速公路信息化现状,使用单个检测器所采集的数据,对高速公路追尾事故实时风险进行研究.基于江苏省扬州市启扬高速公路上布设的超声波交通流检测器所采集的交通流数据,采用配对案例对照方法和二元逻辑回归,建立了双车道高速公路追尾事故实时预测模型.对事故前5~20 min的交通流数据分别构建流量时空矩阵、速度时空矩阵、平均车头间距时空矩阵,通过引入矩阵特征值简化建模过程并避免了指标间的相关性过高问题.模型总体精度85.7%,事故预测精度33.3%,误报率低于2%,相比已有模型总体预测精度较高,误报率较低,表明了该方法应用于追尾事故实时预测领域的可行性和有效性.      

Short-Term Highway Traffic State Prediction Using Structural State Space Models

This research proposes a short-term highway traffic state prediction method based on a structural state space model, with the intention to provide a robust approach for obtaining accurate forecasts of traffic state under both recurring and non-recurring conditions. True traffic state is decomposed to three components, namely, regular traffic pattern, structural deviation, and random fluctuation. Particularly, the structural deviation term reflects the change of true traffic state from regular (historical) pattern, due to unexpected capacity reduction and/or demand variations. A polynomial trend is adopted to describe the temporal evolution of structural deviations across different time intervals. We derive an analytical form of structural deviations in a single bottleneck case based on cumulative flow count diagrams. The proposed model is incorporated in a Kalman filtering-based algorithmic framework, together with an adaptive scheme for determining the variances of random errors. A set of numerical experiments was conducted on two test beds in the northern Taiwan highway network. Experimental results show that the proposed approach is particularly superior to an ordinary Kalman filtering method presented in the literature under non-recurring conditions, highlighting the advantage of combining both the polynomial trend model and historical pattern into the proposed short-term traffic state prediction approach.     

Data Fusion-Based Traffic Density Estimation and Prediction

Traffic congestion has become a major challenge in recent years in many countries of the world. One way to alleviate congestion is to manage the traffic efficiently by applying intelligent transportation systems (ITS). One set of ITS technologies helps in diverting vehicles from congested parts of the network to alternate routes having less congestion. Congestion is often measured by traffic density, which is the number of vehicles per unit stretch of the roadway. Density, being a spatial characteristic, is difficult to measure in the field. Also, the general approach of estimating density from location-based measures may not capture the spatial variation in density. To capture the spatial variation better, density can be estimated using both location-based and spatial data sources using a data fusion approach. The present study uses a Kalman filter to fuse spatial and location-based data for the estimation of traffic density. Subsequently, the estimated data are utilized for predicting density to future time intervals using a time-series regression model. The models were estimated and validated using both field and simulated data. Both estimation and prediction models performed well, despite the challenges arising from heterogeneous traffic flow conditions prevalent in India.     

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.     

基于交通环境承载力的公路网交通量预测

提出将交通环境承载力相关理论应用到公路网交通量预测中,提出基于交通环境承载力的公路网交通量预测模型。从环境系统污染物的输入输出模型出发,构建基于大气污染承载力的公路网交通量预测数学模型,实现基于大气环境的交通量控制目标,为交通规划部门制定可持续的交通发展规模提供科学决策依据。     

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.      

基于混沌理论的高速公路网短时交通流量预测研究

随着高速公路网的建成及其交通流量的不断增大,对高速路网交通流实时控制和诱导服务的需求日益突出,而高速公路网短时交通流量的预测,不仅是交通流实时控制和诱导服务的基础和依据,而且预测结果的准确性对改善高速公路网的通行能力和服务水平有重要影响。基于混沌时间序列分析和预测的理论,建立了高速公路网短时交通流预测模型,计算给定区域高速公路网多断面短时交通流量预测值,结果表明利用多维混沌时间序列法预测高速公路网短时交通流量可行且具有较高的精度。     

基于投影寻踪神经网络模型的短时交通量预测研究

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。     

基于自适应神经网络模糊推理系统的交叉口交通冲突数预测

自适应神经网络模糊系统在建立对象输入和输出关系时,与传统的数学方法不同,它是基于数据的建模。本文利用这一系统特性,建立平面交叉口交通冲突数与进入交叉口内的左转交通量、右转交通量、直行交通量和行人过街交通量之间模型,提出自适应神经网络模糊系统预测交叉口冲突数的方法,建立一种快速获取交通冲突数的预测方法,为交通冲突数的调查开辟了新的途径。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

城市道路交通数据采集系统检测器优化布点研究

智能运输系统(ITS)被公认为是当前解决我国大城市交通拥挤和提高道路安全的有效手段。利用检测器收集交通数据是ITS的基本功能之一。如何在城市道路网中布设交通检测器是ITS建设时必须要研究的内容。本文通过对城市道路网基本路段交通流量的相似性分析,建立了路网交通检测器优化布点的数学模型。并通过一个算例,详细叙述了建模及求解的全过程。作者希望所述的检测器优化布点方法能为城市ITS建设中的此类研究提供一种新的思路。     

城市道路网络容量、交通规划和交通管理

在分析城市道路交通网络OD结构特征的基础上,提出表达道路网络容量的基本思想和模型,阐明交通网络容量受到交通流特性、网络要素容量等因素的影响,基于不同的考虑方法可以建立不同的网络容量模型。本文进一步分析了路网容量对交通规划与管理的指导作用,交通规划和交通管理对道路系统容量的影响。交通规划着眼于提高整个道路系统的交通承载能力,交通管理着眼于挖掘系统的潜力。运用网络容量对城市交通网络进行诊断,根据不同容量的要求,在交通规划或交通管理方面采取相应的措施,解决城市交通问题。     

路段短时交通量预测自适应控制法

基于自动控制理论,文章提出一种路段短时交通量的动态预测算法。以历史交通量观测数据为输入,下一时刻交通量预测值为输出,构造了单输入单输出的离散时间动态系统,设计了反馈控制回路和自适应PID控制器对预测结果进行修正。实例分析表明,该算法能较快跟踪交通量的变化,实时修正算法,能实现时间和空间上的移植。     

修正四阶段法在城市交通抗灾规划中的应用

根据地震环境下不同恢复阶段的社会经济活动及交通系统特性,对传统交通预测四阶段法———出行产生、出行分布、方式划分、交通分配的宏观模型进行了修正,讨论了不同模型的参数变化趋势,建议了参数的调整原则及方法,进而以修正四阶段法为基础进行震后交通需求预测。该方法简便易行,预测得到道路通行能力、流量、负荷度和平均运行时间等多个指标,为城市交通系统防灾规划提供决策依据。最后,结合我国东南沿海某城市的工程实践,有针对性的进行了应用和验证。     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

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。      

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。     

基于灰色理论的高速公路小修保养维修量预测模型

在仅有通车5 a以下维修量的小样本数据条件下,为了合理、科学地预测高速公路小修保养维修量,量化年平均日交通量、年均降雨量、年均温度和通车年限4个因素对维修量的影响程度。提出了基于Matlab的灰色系统预测模型,以实际调研路段5 a的统计数据为样本,运用灰色关联度模型对4个因素的影响程度进行量化评估;分别建立均值GM(1,1)单变量预测模型与GM(1,N)多变量预测模型对维修量进行预测分析。研究结果表明:上述4个影响因素与维修量的灰色关联度均大于0.5,说明上述4个自变量对维修量均具有较大影响;GM(1,1)模型70%的预测结果误差小于15%,GM(1,N)模型75%的预测结果误差大于30%,从而得出GM(1,1)预测模型比GM(1,N)预测模型的预测结果更加准确。因此,对通车5 a以下维修量的小样本数据预测,选用单变量预测模型更加合理、有效。