基于LSTM的平面交叉口短时交通流预测

针对平面交叉口四方向进口的交通流量具有时空相关性的特点,提出了一种基于长短期记忆LSTM(Long Short-Term Memory)网络的平面交叉口短时交通流预测模型。将以四方向进口历史交通流数据为基础的四维时间序列数据输入LSTM模型中进行训练,并使用OpenITS合肥示范区数据对提出的模型进行验证。结果表明,与传统的BP神经网络相比,该方法预测效果具有更好的表现,是一种预测精度高的预测方法。     

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BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此,研究了1种基于双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进,实现了道路交通事故黑点的有效识别,并统计黑点每天事故数作为事故时间序列;利用小波分解对该序列进行降噪处理,通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定,构建了基于BiLSTM网络的事故频次预测模型;采用滑动窗口的方式将事故时间序列作为内部参数输入模型,以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数,对事故黑点路段未来1 d内可能发生的事故数进行预测,并基于预测结果提出了1种事故黑点路段交通事故预警模型;以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集,以7 d的事故数据预测未来1 d的黑点路段事故频次,将BiLSTM模型与门控循环神经网络（GRU）模型、长短期记忆神经网络（LSTM）模型、反向传播神经网络（B...     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

基于深度学习的城市地面公交客流集散点刷卡客流预测——以常州市为例

提出了一个全新的动态公交客流预测模型,使用智能卡数据和网络爬取的常州市兴趣点(POI)数据、天气记录数据,建立一种特征融合的长短期记忆递归神经网络(Feature-fusion LSTM RNN)模型,并应用于常州市地面公交客流集散点的智慧卡(Smart Card)刷卡客流预测.将以上模型用于刷卡客流预测实验,结果表明经过良好数据训练后的特征融合的长短期记忆递归神经网络可以在刷卡客流预测中保持较高的稳定性、准确性和泛化能力.     

基于滑动窗口动态输入LSTM网络的铁路运输系统碳排放量预测方法

铁路运输的低碳发展对交通系统实现“双碳”战略目标有着重要意义。针对当前铁路运输碳排放预测研究较少、预测精度不高的问题,考虑碳排放时间序列数据中历史信息和当前信息间的相关性,引入滑动窗口,结合长短期记忆（LSTM）网络,构建铁路运输碳排放量预测模型。采用灰色关联分析法计算铁路运输碳排放量各影响因素的关联度值,筛选铁路运输碳排放量的关键影响因素,使用高关联性数据作为预测模型的输入变量,提高预测精度;应用LSTM网络为基础预测模型,通过引入滑动窗口改进神经网络的数据输入;考虑未来减排政策变化对铁路运输碳排放量的影响,融合基于动态政策的情景分析,构建铁路碳排放预测模型,并利用多项式误差拟合方法进行误差修正,提高预测结果准确性。以1980—2019年铁路运输碳排放相关数据为例,从现有文献中总结出17个铁路碳排放影响因素,利用灰色关联分析法从中筛选出6个关键因素,通过滑动窗口对筛选出的数据进行子序列分割,测试不同长度窗口下的预测精度,选择最优窗口参数,建立改进LSTM模型进行预测,并将预测结果与原LSTM、BPNN和RNN模型进行对比,结果表明：改进LSTM模型将相对误差平均值降低至0.392%,...     

基于车辆视角数据的行人轨迹预测与风险等级评定

常用的基于路基视角数据的行人轨迹和风险预测模型往往无法避免复杂的建模运算和人工判断。为简洁而有效地预测行人轨迹和评定风险等级,本文中采用车辆视角数据建立行人轨迹和风险等级的预测模型,并先后进行车辆视角行人数据的采集、基于长短期记忆神经网络的行人轨迹预测和基于聚类分析-支持向量机方法的风险等级评定。实验结果表明,基于车辆视角数据所建立的数据驱动的模型能捕捉行人与车辆的运动趋势和交互特征,具有预测行人轨迹和评定风险等级的能力。     

基于GTO-CNN-BiLSTM模型的公交车到站时间预测

提升公交车到站时间预测精度可以提高乘客出行效率和公交服务质量、节省公交运营成本。通过分析公交车运行的影响因素、周期与相关性,文章建立了基于人工大猩猩部队算法的卷积双向长短期记忆神经网络(GTO-CNN-BiLSTM),通过人工大猩猩部队算法进行超参数寻优,获得更好的预测效果,采用呼和浩特62路公交到站时间数据进行预测,验证模型预测精度。研究表明：不论是在工作日还是非工作日,早晚高峰还是平峰,GTO-CNN-BiLSTM都能有最优预测效果,相较于卷积双向长短期记忆神经网络(CNN-BiLSTM)、双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM),GTO-CNN-BiLSTM预测结果的平均绝对误差至少减少7.57%,均方根误差至少减少3.84%,平均绝对百分比误差至少减少7.86%。     

基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测

针对传统算法无法满足复杂交通场景下无人驾驶车辆对周围运动车辆轨迹预测需求的问题,提出一种基于观测数据潜在特征与双向长短期记忆(BiLSTM)网络的车辆轨迹预测方法.首先利用一维卷积神经网络(1DCNN)提取由传感器所获取的车辆运行状态观测数据的潜在特征,然后将以序列方式构造的具有时空关系的特征向量作为BiLSTM网络的...     

基于多视图时空卷积的交通流量预测模型

交通流量预测一直是智能交通系统的首要任务。由于交通流量序列具有复杂的时空依赖性,使得对其准确预测变得极具挑战性。现有很多工作主要基于循环神经网络、图网络以及Transformer模型构建交通流量预测模型。考虑到卷积网络具有计算效率高以及特征提取能力强等优点,提出基于多视图时空卷积的交通流量预测模型。模型在输入编码层对序列数据进行表示学习,并引入了位置信息和时间信息。在时空特征表示学习层,考虑到序列具有不同的周期模式,设计了多个表示学习模块。每个时空表示学习模块,基于一维卷积完成局部时空特征挖掘,然后基于因果卷积实现全局时空特征挖掘。在预测层,引入通道注意力机制提升模型对时空特征利用的有效性。在2个真实交通数据集上的实验结果,验证了MSTC模型在交通流预测任务上的有效性。     

一种用于道路交通预测的时空图卷积模型

准确而实时的交通流量预测对成功的交通管理与控制变得越来越重要。然而,传统的基于流量数据的预测仿真方法缺乏对复杂道路网络拓扑关系、交通情况随时间的不稳定变换、天气条件变化等时空依赖关系的考虑。为了获取这些时空关系对于交通流量的影响,基于图卷积模型(GCN)与长短期记忆模型(LSTM),搭建一种基于神经网络的交通流量预测方法,即时空图卷积模型。图卷积模型用于学习道路的复杂拓扑结构,来获取空间依赖关系;长短期记忆模型则用于学习交通数据(流量,天气,事故等)随时间的剧烈改变,来获取时间依赖关系。实验数据显示,时空图卷积模型可以获取道路交通的时空依赖关系,该模型的预测精确度高于传统的交通流量预测方法,也高于不考虑时空依赖关系的其他机器学习预测方法。     

基于小波神经网络的道路交通流量实时预测模型研究

实时交通流量预测是智能交通系统的核心内容,智能交通系统中多个子系统的功能实现都以其为基础。交通流具有高度非线性和不确定等特征,且与时间高度相关,可以看成是时间序列预测问题。根据交通流的这些特点,提出基于小波神经网络的道路交通流量实时预测模型,并以某条道路为例,通过Matlab编程实现模拟仿真。仿真结果表明,小波神经网络能够比较精确、快速地对实时交通流量进行预测,网络预测值接近期望值。     

高速公路服务区车流量时序优化预测模型

为了能够更加准确地预测高速公路服务区车流量，从而提高服务区智能化管理的效率，针对服务区车流量数据周期性变化、影响因素复杂与时序特征相互作用的特点，提出了基于Attention机制与双向长短期记忆网络的服务区车流量时序优化预测模型。使用重庆市大观服务区车流量数据进行案例分析，结果表明所提模型与传统时序预测模型相比预测准确度更高，能够为服务区车辆管理与交通拥堵疏导提供可靠的支撑。     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

基于深度学习的盾构竖向姿态组合预测

为解决盾构竖向姿态的精确预测问题,提出一种基于长短期记忆(longshorttermmemory,LSTM)神经网络-支持向量回归(supportvectorregression,SVR)的深度学习组合预测模型。在对采集到的竖向姿态数据进行相应的数据预处理的基础上,分别构建LSTM、SVR竖向姿态预测模型,并基于最优组合赋权的方式对二者的预测结果进行赋权,以得到LSTM-SVR盾构竖向姿态组合预测模型。为验证所构建的LSTM-SVR组合深度学习预测模型的可靠性,依托昆明地铁项目,将预测结果与LSTM、SVR、BP(back propagation)模型的预测结果进行对比。结果表明:所构建的LSTM-SVR组合深度学习预测模型具有较高的预测精度。     

基于LSTM的燃料电池发动机寿命预测

随着工业4.0和数据科学的发展,利用数据对氢燃料电池发动机剩余寿命进行预测,将有利于提前发现发动机性能退化问题,进而及时采取维护保养措施,对发动机安全运行以及延长发动机运行寿命至关重要。传统发动机寿命预测一般基于机理模式的经验判断或者数理统计,但在氢燃料电池发动机这个技术尚不稳定成熟的发展阶段,传统手段无法保证相对较低的误差。本文在不依赖于机理模式的情况下,利用传感器收集的数据,基于神经网络深度学习的模式,构建一种基于数据驱动的长短期记忆神经网络（LSTM）的剩余寿命预测模型,通过机器的训练与学习,分析预测氢燃料电池发动机的寿命衰减情况,为预测性维护提供数据支持。     

弱GNSS信号下基于EMD和LSTM的车辆位置预测方法研究

针对弱GNSS环境下组合导航（INS/GNSS）系统存在的定位偏差问题，提出一种基于经验模态分解和长短期记忆网络的车辆位置预测算法。首先，针对训练数据中噪声较大的惯导数据，提出一种融合经验模态分解与离散小波变换的降噪算法。该算法基于噪声能量估计和各阶本征模态函数的功率谱密度函数，提出一种确定混合模态函数阶数上下界的方法，并采用离散小波变换硬阈值法对混合模态函数进行滤波处理，最终利用经过处理的各阶模态函数重构原始数据以达到降噪目的。训练数据经过预处理后，采用改进的堆叠式长短期记忆网络离线训练位置预测模型，利用该训练模型可在线实时进行位置预测。针对车辆定位序贯数据预测，提出一种局部数据降噪方法，该方法利用一定长度时间窗口的历史数据，通过线性最小二乘给出当下时刻数据的预估值，并与实际量测值进行滑动平均滤波，优化位置预测的结果。在封闭场地模拟隧道环境下，对长短期记忆网络输入端进行局部数据降噪与不进行降噪处理比较，经度和纬度的归一化均方误差分别下降了13.34%和9.38%，经度和纬度的归一化平均绝对误差分别下降了8.64%和5.41%；在复杂城市交通环境下，检验提出的方法，经度和纬度的归一化均方误差分别下降了6.51%和5.66%，经度和纬度的归一化平均绝对误差分别下降了5.70%和8.23%。试验结果表明，在弱GNSS信号环境下，提出的车辆位置预测方法有效提高了车辆定位精度和稳定性。     

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。      

基于小波网络的发动机瞬态工况进气流量动态辨识与预测研究

由于发动机进气系统具有复杂的非线性动态特性,因此构建了进气流量小波网络辨识与预测模型,并利用最小二乘法(DLS)对小波网络参数和预测控制率进行了学习和优化,以提高小波网络预测模型的可靠性和预测精度。作为对比建立了基于BP神经网络的预测模型,并利用瞬态工况试验数据分别对两种模型进行了仿真研究。结果表明,小波网络模型能有效地预测发动机瞬态工况进气流量,与BP神经网络预测模型相比,误差精度更高,可用于发动机瞬态工况空燃比的精确控制。