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.     

时空因素影响下在线短时交通量预测

考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间-空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明：在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.     

临近交叉口的车辆跟驰换道行为研究

临近交叉口的车辆往往呈现出复杂多样的跟驰换道行为.基于二维最优速度(OV)交通流模型,本文构建了一个改进的双车道车辆跟驰换道模型,以刻画交叉口前路段上的车辆跟驰换道机制及车流宏观特征.借助模型分析了换道车辆比例、换道期望参数和跟驰安全距离等对交通流宏观特征的影响.结果表明:换道车辆比例对通过停车线的进口道流量有负面影响,换道行为越多,进口道流量越小.换道期望参数越大,换道成功率越大;当道路拥堵时,增大换道期望会减少进口道流量.增大安全距离,容易提升换道成功率但会减小进口道流量,同时促使拥堵发生.     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。     

不等维递推灰色模型在交通量预测中应用研究

由于过去交通量统计资料的缺乏、观测数据的离散性等原因,惯常的交通量预测理论与方法得到的预测结果相关系数比较低。本文提出的不等维递推灰色模型在交通量预测中可以有效的处理贫信息、离散信息,得到较好的预测结果,并且在交通量的中、长期预测中要优于常规预测模型。     

基于时空模型的交通流故障数据修正方法

为了提高交通流数据的准确性, 从时间相关性、空间相关性和历史相关性三方面分析了交通流大数据的特点, 建立了基础交通流时空模型。为保证数据处理的精度和速度, 进行了时空模型的简化和标定。将时空模型简化, 抽象为双层规划模型, 上层模型通过控制时空相关参数的数量实现运算速度的优化, 下层模型通过控制误差实现计算精度的优化。应用数据驱动法进行双层规划模型的求解, 完成时空模型的标定。在时空模型的基础上, 提出了交通流故障数据修正方法。以北京市某路段为例, 对交通流故障数据修正方法进行有效性和可行性验证。验证结果表明: 基于历史趋势、空间相关与时间序列的交通流故障数据修正方法的精度分别为79.65%、85.16%、89.84%, 基于时空模型的交通流故障数据修正方法的精度为90.91%, 具有较高的精度, 而且可准确描述交通流大数据的特点。     

基于灰色神经网络的点速度预测模型

为了克服交通流时空不稳定性导致的检测数据误差,提高预测点速度的精度,在比较传统灰色预测模型和反向(BP)神经网络预测模型优缺点的基础上,建立了灰色神经网络点速度预测模型.该模型综合了灰色预测模型所需数据少及神经网络具有的自学习和自适应能力的特点.以实测值作为输出数据,构建不同的灰色预测模型,将各灰色预测模型的预测结果作为BP神经网络训练的输入数据,得到最佳的预测模型.实例分析表明:与传统灰色理论及BP神经网络预测模型相比较,在20、40和60s采样间隔条件下,本文模型预测结果与实测值的相对误差平均减少了32％,为交通运行状态评价和行程时间预测提供了依据.     

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.     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.     

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.     

一种结构优化的深度信任网络短时交通流预测

针对短时交通流预测中存在的训练数据过于依赖时间序列训练数据,对空间关联性考虑不足,且模型结构参数选取形式过于固定等问题,提出一种结构优化的深度信任网络短时交通流预测方法,该模型可同时训练3种与预测节点交通量相关的交通数据,增强预测的时空关联性,克服训练数据过于依赖时间序列的缺陷;同时,优化深度信任网络短时交通流预测模型结构,提出一种改进的花朵授粉算法对预测模型的隐层结构参数进行优化,避免因模型结构参数选取形式过于固定所导致的模型预测结果陷入局部最优解及实用性降低的问题。通过采集福州市两个交叉口的相关交通量数据,分别对预测模型的可行性进行评估。同时,将MFPA-DBN模型分别与不同隐层结构的深度信任网络模型及GA-LSTM、CNN-SVR、TGWO-BP 3种模型进行对比。实验结果表明：在相同训练数据的条件下,结构优化的深度信任网络(MFPA-DBN)短时交通流预测方法可行、有效,预测精度优于其他深度学习预测模型,实时性能也能满足实际要求。     

基于XGBoost的短时交通流预测研究

针对短时交通流预测模型复杂度与预测精度的矛盾,提出基于集成学习的XGBoost(eXtreme gradient boosting)模型预测交通流,充分利用其对高维特征数据预测精度高以及计算速度快的优势。首先对原始数据的异常值进行中值滤波处理;然后基于XGBoost模型建立预测模型,利用交叉验证的方法确定最优的超参数取值,对测试集进行预测得到各个特征的重要度;最终将模型预测结果与其他短时交通流预测方法的预测结果进行比较。结果表明：中值滤波降噪处理和充分利用相邻断面的交通流数据均对模型预测精度有显著提升,XGBoost模型的预测精度高达96.6%,相比其他短时交通流预测模型更能充分利用交通流的时间特性和空间相关性。     

面向群体行驶场景的时空信息融合车辆轨迹预测…

将车辆间时空交互信息融入卷积社会池化网络中,提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型;使用长短时记忆(LSTM)网络预测群体车辆速度,基于此预测值计算群体车辆间的速度差;构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征,设计卷积社会池化网络提取群体车辆间的空间依赖关系,使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹,将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果;使用真实轨迹数据集对所构建模型进行了参数标定和性能验证,测试了不同轨迹编解码与速度预测方法对模型性能的影响,确定了最优模型结构。计算结果表明：相较于历史速度,使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%;相较于门控循环神经网络,使用LSTM进行速度预测可将RMSE降低4.91%;相较于原始卷积社会池化网络,所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%,明显优于其他卷积社会池化网络变体;所提出模型与原始卷积社会池化网络计算耗时差距约3 ms,能够满足实时应用要求。     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

基于神经网络的小时间粒度交通流预测模型

为解决传统车队离散模型基于概率分布假设和现有交通流预测时间粒度过大不能应用于自适应信号配时优化等问题.在车队离散模型的建模思路上,先分析了下游交叉口车辆到达与上游交叉口车辆离去之间的关系,基于此构建了基于神经网络的小时间粒度交通流预测模型.该模型以上游交叉口离去流量分布为输入,下游交叉口到达流量分布为输出,时间粒度为5 s.最后,通过实际调查数据标定模型参数并应用模型预测下游交叉口到达流量.结果表明,与Robertson模型相比,本文模型预测结果能够更好地反映交通流的变化特征,平均预测误差减少了8.3%.成果可用于信号配时优化.     

基于时空特征分析的短时交通流预测模型

交通流预测的实时性和准确性直接影响到交通流诱导系统的高效性,是智能交通领域研究的热点。为了进一步提高短时交通流预测的精度,提出一种基于时空特征分析的短时交通流预测模型。在分析路段时空相关性的基础上,利用云模型改进的遗传算法对支持向量机的参数进行优化,得到最优的支持向量机模型,并实现短时交通流预测。以长春市局部路网的实测数据为基础,验证了所提出模型的有效性和可行性。     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流,缓解高速公路交通拥堵现象,本文提出一种考虑多特征的高速公路交通流预测模型.首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵,并利用滑动窗口模型获得输入样本的最佳长度;然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征,随后输出预测结果;最后,将某高速公路交通流数据...     

基于多维时空参数的道路短期交通状态预测

城市道路交通状态会同时受到时间、空间多维因素的影响. 为对城市道路短期交通状态进行比较准确的预测,本文在分析多维时空参数的基础上,构造了基于支持向量机（SVM）的不同维数的道路短期交通状态预测模型,并通过贵阳市中心城区的出租车GPS数据对各种模型的预测精度进行了检验,分析各时空参数对道路交通状态的影响程度. 结果表明, 基于目标路段先前流量数据及下游路段交通状况的SVM模型具有较高的预测精度. 为了进一步分析该模型的性能,将其与线性回归模型和ARMA模型进行了比较,实验结果显示,本文提出的SVM模型具有较好的预测效果,表明该方法是进行道路短期交通状态预测的有效手段.     

多模型交通流预测优化

根据当前交通流预测模型发展的情况,提出采用卡尔曼滤波模型、指数平滑模型和非参数回归模型进行预测融合的方法,该方法在提高系统预测速度的基础上也能提高预测精度,因此,具有很好的推广价值.     

短时交通流组合预测模型研究

短时交通流预测是目前智能交通领域的研究热点,文中从实际应用的角度出发,提出了用于流量和速度预测的组合预测模型.该模型包含傅里叶历史估计模型、自回归模型和邻域回归模型三个子模型.详细介绍了组合预测模型的预测机理、模型细节以及用以实现模型实时更新的迭代回归算法.该模型被实际应用到北京市道路预测预报系统中,实际预测误差不超过15%.