共查询到20条相似文献,搜索用时 31 毫秒
1.
智慧交通是智慧城市的重要组成部分,公共汽车(以下简称公交车)作为城市公共交通工具中最重要出行方式之一,不但方便了城市居民的工作和生活,而且为城市节能和环境保护提供了有效的解决方案。提高公交车站点客流量预测的准确度是智慧公交的研究内容之一。为了弥补传统时间序列模型(如ARMA和SVR)所具有的仅限单站点预测、短时间记忆等局限性,提高城市公交车站点客流量的短时预测精度,文中提出采用基于LSTM的神经网络模型对多个站点上下车客流量的长时间序列数据进行学习,从而对同一时段多个站点的客流量进行预测。试验结果表明,同时进行多站点客流量的学习能够提高预测结果的准确度,并且对抑制MSE和MAE有较好的表现,其中测试集MSE和MAE分别为3. 18人和1. 43人。基于LSTM的神经网络模型不仅能够很好发挥模型固有的长期记忆的能力,并且可以学习站点之间的潜在相关性,不仅对短时客流量预测具有明显的优势,而且拥有一定的泛化能力。使用LSTM进行多站点的公交车站客流量预测是可行的,并且较单一站点的客流量预测效果有明显提高;从客流量监测数据方面分析得出,多个公交车站点的客流量数据间存在相关性。论文成果对城市公交运营部门的快速决策和综合管理提供及时准确的数据参考具有现实意义。 相似文献
2.
3.
为有效预测高速公路短时交通流,提出一种将K近邻(KNN)法和主成分分析(PCA)法相结合的KNN-PCA法。工作流程为:1)采用KNN法筛选出与当前状态相似的多条交通流(即近邻); 2)将所有相似交通流延拓至待预测时刻,并将其表达为矩阵形式后进行PCA以得到主成分; 3)将当前交通流延拓至预测时刻并将其表达为少数起主要贡献主成分的线性组合; 4)采用最小二乘法直接得到这些主成分的组合系数估计值; 5)基于组合系数估计值,将这些主成分再次线性组合后,直接提取预测时刻的交通量。基于高速公路实测交通流进行数据分析,应用结果表明,KNN-PCA法原理清晰,计算简单,具有良好的预测能力,能很好地预测短时交通流的变化趋势。 相似文献
4.
5.
短时交通流预测可为智能交通控制和管理提供决策依据,为了提高短时交通流的预测精度,统筹考虑短时交通流的混沌时间序列和非线性特征,提出一种基于相空间重构和PSO-RBF的短时交通流预测方法(PSR-PSO-RBF方法)。采用延迟嵌入定理,构造一个基于相空间重构的短时交通流时间序列;在剖析RBF神经网络不足之处的基础上,采用PSO算法,确保短时交通流预测的精确度和可靠性。实例分析结果表明,该方法可有效提高短时交通流的预测精度和可靠性,其预测误差较小。 相似文献
6.
高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容,发现了目前高速公路短时交通流预测研究存在的不足,给出了高速公路短时交通流预测的流程,对高速公路短时交通流预测模型进行了分类比较,明确了不同模型的适用场景和优缺点,通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度,研究发现KNN模型的预测精度最高,明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。 相似文献
7.
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. 相似文献
8.
9.
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. 相似文献
10.
基于混沌理论的高速公路网短时交通流量预测研究 总被引:1,自引:0,他引:1
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。 相似文献
11.
为通过视觉图形实现交通流时序特征可视化,精准掌握交通大数据驱动下交叉口交通主体的移动趋势,构建交叉口短时交通流可视化预测系统。通过Python中的Matplotlib实现交叉口交通流时序可视化,利用ARIMA模型进行短时交通流预测,并以OpenITS合肥市示范区黄山路-科学大道交叉口数据进行实例验证。结果表明,该系统可实时、在线实现不同时段交通流分布规律可视化,并能有效提取交通流时序特征,ARIMA(1,1,0)模型的3个评价指标的预测误差均小于10%,具有较高的预测精度。 相似文献
12.
针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。 相似文献
13.
14.
论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。 相似文献
15.
16.
为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型(directed graph convolution network-gate recurrent unit,DGC-GRU)的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明:在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差(mean absolute error,MAE)和平均绝对百分比误差(mean absolute percentage error,MAPE)均优于对比模型,与传... 相似文献
17.
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。 相似文献
18.
19.