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。     

短期交通流预测效果的模糊综合评判

短期交通流预测是智能交通诱导和交通管理控制的基础，预测效果的好坏直接关系到诱导信息和控制决策的正确性．运用标准离差法确定评价指标的权重，并依据最大隶属度原则建立了二级模糊综合评判模型，评判结果可用于判断各种短期交通流预测模型的预测性能，给智能预测系统中的模型选择提供了依据．     

K近邻短期交通流预测

从分析短时交通流特性入手,利用非参数回归中K近邻的方法,对道路交通流量进行短期预测;采用贵阳市道路交通流量的实际数据进行验证。结果表明:K近邻非参数回归预测模型能较为准确的进行道路短期交通流预测,该方法可用于短期交通流预测。     

交通流可预测性分析

交通流的可预测性是进行短期交通流预测的基础。本文首先判别了短期交通流的混沌特性，求解出表征交通流“蝴蝶效应”的最大Lyapunov特征指数，在此基础上按照交通流动力系统运动轨道的演化特点求解出最大可预测时间，但是交通流系统是开放的复杂巨系统，最大可预测时间涉及到的影响因素很多，论文分析了交通流历史数据样本的大小和数据中含有的噪声对交通流可预测性的影响和随着预测步长的增加，交通流可预测性的衰减特征，得出交通流可预测性是一个综合指标，不能仅仅以最大Lyapunov指数的倒数来确定，应综合分析考虑。论文得到的结果在实际的交通流数据中得到了验证。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型: 统计预测算法和人工神经网络模型。对其中各种模型的特征进行了比较, 将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF) 神经网络模型与贝叶斯组合神经网络模型, 应用于一个真实路网的短期流量预测, 比较了各模型的预测结果。结果表明, 组合神经网络模型预测误差最小, 可靠性最高, 是一种对短期交通流预测的有效方法。     

城市交通流路段行程时间预测模型

建立较为精确的城市交通流路段行程时间预测模型是建立诱导系统的关键,本文所建的预测模型充分考虑了交通延误变化的灵敏性,将汽车在路段上的运行时间分为两部分,分别预测,经过实测数据检验,该模型具有很好的效果。     

短期交通流的局部分形研究

根据短期交通流的混沌与分形特征，提出利用时间序列的最小覆盖维方法分析其局部分形特性，研究了最小覆盖维与短期交通流量波动的关系，运用最小覆盖维估计交通流的发展和变化趋势。     

道路交通流检测器数据预处理技术研究

检测器采集的交通流信息往往具有一定的误差，数据预处理就是对数据进行初步加工，提高数据质量的过程。本文着重讲述了交通流检测数据预处理的基本过程，并提出了一些新的处理方法。     

基于深度学习的短期交通流预测方法综述

针对基于深度学习的短期交通流预测问题,揭示了时空相关性建模本质,分析了建模过程中涉及的多尺度时空特性、异质性、动态性、非线性等特点,明确了基于深度学习进行短期交通流预测的核心挑战,阐述了短期交通流预测涉及的外部信息整合、多步预测与单步预测以及单体预测与集成预测等相关问题;按照网格化和拓扑化2种交通流数据组织方式,分别综述了当前最新的基于深度学习的短期交通流预测研究方向。研究结果表明：针对网格化交通流数据,当前研究主要包含了基于2D图像卷积神经网络、基于2D图像卷积神经网络与循环神经网络相结合、基于3D图像卷积神经网络3种预测建模方法;针对拓扑化交通流数据,当前研究主要包含了基于1D因果图像卷积与卷积图神经网络相结合、基于循环神经网络与卷积图神经网络相结合、基于自注意力与卷积图神经网络相结合、基于卷积图神经网络的时空同步学习4种预测建模方法;总体上,基于深度学习方法进行短期交通流预测相较于采用时间序列和经典机器学习方法获得了预测准确性上的极大提升;未来,针对物理理论、知识图谱与深度学习相结合,构建多时空数据挖掘大模型以及轻量化、可解释性、模型结构自动化搜索等维度的相关探索将成为重要研究方...     

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．     

两种短时交通流混沌预测方法分析

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。采用符合交通流特性的混沌理论对短期交通流进行预测。在相空间重构和混沌识别的基础上,建立短期交通流加权一阶局域预测模型和基于最大Lyapunov指数的预测模型,并对一组实际的交通流数据进行预测。仿真结果表明:两种方法都能较准确的预测交通流,但最大Lyapunov指数预测模型的预测精度相对较高。     

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.     

基于少数据云推理的短时交通流预测模型

针对短时交通流所存在的不确定性即模糊性与随机性特点和准周期规律,提出基于灰色关联分析和少数据云推理的短时交通流预测模型.首先,针对短时交通流的准周期规律,运用灰色关联分析提取不同日期相同时段历史序列中最相似序列;其次,提出少数据逆向云算法,建立交通流序列一维云推理机制;最后综合利用历史云及当前云生成预测云,用于短时交通流实时预测.实例分析表明,预测精度良好,能够有效实现短时交通流的实时预测.该模型解决了少数据条件下正向云参数确定问题,降低了数据处理工作量,开拓了云模型在短时交通流中的应用.     

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。     

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.     

��ͨ����ʱԤ���������о�

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.     

���ģ��ͨ��Ԥ�ⷽ���о�

随着交通信息化的快速发展,可供分析的交通流数据量越来越大,如何利用大规模交通流数据进行交通预测分析是智能交通的重要研究内容.为解决大规模交通流数据预测问题,本文提出了一种基于分层抽样与k均值聚类相结合的抽样方法,并与基于序贯最小优化方法的支持向量机结合,进行大规模交通流预测.实例分析结果表明,本文提出的聚类方法比现有抽样方法的抽样质量有所提高,基于序贯最小优化方法的支持向量机可有效提高交通流预测的精度.因此,本文提出的方法对于大规模交通流预测是有效的.     

��ʱ��ͨ״̬Ԥ���������Ⱥ�㷨�Ż��о�

短时交通流预测是智能交通系统的核心内容和交通信息服务、交通诱导的重要基础。目前,道路交通数据采集设备的性价比越来越合理,道路上交通数据的采集设备不断完善,使得短时交通流状态的分析处理和预测成为可能。考虑到道路网交通状态的混沌特性和相关性,应用多维混沌时间序列可对道路网多断面交通状态进行预测。建立的多维混沌时间序列模型中有多个参数需要确定,并且与以往一维混沌时间序列预测中参数确定原则既有区别又有联系,因此在分析其差异性之后,本文利用粒子群优化算法优化模型中参数,当输入新的数据时,应用该模型就可以预测道路多点的交通状态。通过某城市快速路上7个断面交通流量来验证模型的有效性。     

�����������SARIMA���ģ�͵Ķ��ڽ�ͨ��Ԥ��

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点。构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势。实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型。然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测。