基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

考虑不同出口转向的城市道路行程时间估计

为了有效利用城市道路行程时间数据,提高道路交通状态预测精度,提出了一种考虑交叉口不同出口转向的行程时间估算方法。针对现有行程时间计算模型存在忽略交叉口不同出口转向交通运行状况不均衡性的现象,提出了交叉口上下游出口转向的概念,通过融合定点检测器和探测车数据,在原有累积直方图模型的基础上建立了交叉口不同出口转向的行程时间累积直方图模型。最后以香江路为例进行数据分析,验证了模型的有效性和准确性。研究结果表明:新模型得到的行程时间计算值与视频检测设备获取的实测值相比误差在10%左右,且相对纯探测车方法预测精度更高,说明考虑不同出口转向的城市道路行程时间估计模型可行。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

基于交通流理论的公交站点间行程时间预测

分析了公交站点间车辆运行过程,将行程预测时间划分为交叉口排队等待时间、路段行驶时间和停站时间3个部分,利用交通波理论和延误三角形,分别建立了无公交专用车道和有公交专用车道2种情况下排队等待时间的动态预测模型;根据乘客到站规律和上下车规律,提出了公交车进站停靠时间模型;针对无公交专用车道条件下的时间预测方法进行了实例演算.实验数据表明,基于交通波行程时间预测方法具有较高的精度,可以满足站点间行程时间预报要求.     

基于神经网络BP算法的出租汽车保有量预测法

介绍了出租车保有量神经网络预测模型的建立.以南京市的实际数据为检测依据,论证了该模型应用于城市出租汽车保有量预测的可行性,并对该市2005～2008年的出租汽车保有量进行了预测;该预测模型与传统模型进行预测对比的结果表明,由于神经网络在处理非线性系统方面的优越性,该预测模型在交通预测方面具有较高的计算精度.     

模糊优化灰色预测法在高速公路OD矩阵估算中的应用

针对传统预测模型的诸多不足,提出建立基于模糊优化灰色预测理论的PA预测模型,该算法是一种时间序列的递推估算过程,所需的先验数据少,并构建了应用软件进行数据查询、模型参数标定和预测精度检验的流程。立足于收费站的历年统计数据,结合模型预测结果对未来年OD矩阵进行动态估算。利用TransCAD软件所建立的实验平台对一个具有10个OD对的省域高速公路网进行仿真分析。大量仿真结果表明:相对于传统模型,该方法计算结果的相对误差和绝对误差均有减少。     

基于Fuzzy回归的快速路行程时间预测模型研究

行程时间预测是交通流诱导系统和交通控制系统研究的一项重要内容。在分析各种行程时间预测方法的基础上,本文提出了基于Fuzzy回归的快速路行程时间预测模型,利用深圳市的交通实测数据对行程时间进行了预测分析。     

卡尔曼时间序列模型预测路面平整度指数

路面平整度的发展趋势受交通量、温度及使用时间等许多因素的影响,很难建立综合全面的预测模型。而时间序列法利用历年的IRI值可解决这个问题。针对传统的时间序列法计算的不足,提出了将卡尔曼滤波应用于时间序列IRI预测模型的方法,能充分利用观测值对状态估值进行实时修正,可有效提高预测模型的预测精度,且无需储存大量的历史观测数据。最后,通过实例证明了该模型有效可行。     

城市交通流诱导系统中的路段行程时间间接预测方法研究

在阐述综合路段行程时间间接预测模型思想的基础上，提出了基于排队论及基于交通模拟的行程时间间接预测模型，并按照人工调查数据验证模型的精度，给出了相对误差图，以说明模型算法的有效性。     

The influence of alternative data smoothing prediction techniques on the performance of a two-stage short-term urban travel time prediction framework

This article investigates the impact of alternative data smoothing and traffic prediction methods on the accuracy of the performance of a two-stage short-term urban travel time prediction framework. Using this framework, we test the influence of the combination of two different data smoothing and four different prediction methods using travel time data from two substantially different urban traffic environments and under both normal and abnormal conditions. This constitutes the most comprehensive empirical evaluation of the joint influence of smoothing and predictor choice to date. The results indicate that the use of data smoothing improves prediction accuracy regardless of the prediction method used and that this is true in different traffic environments and during both normal and abnormal (incident) conditions. Moreover, the use of data smoothing in general has a much greater influence on prediction performance than the choice of specific prediction method, and this is independent of the specific smoothing method used. In normal traffic conditions, the different prediction methods produce broadly similar results but under abnormal conditions, lazy learning methods emerge as superior.     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据,基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素,选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据,选取3 000组实际运行数据完成公交行程时间预测模型的训练,另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间,预测值平均相对误差为3.23%,绝对误差集中在8 s左右,明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型,可认为选择RFID电子车牌数据作为组合模型的输入,能够明显改善模型预测精度;组合模型预测值的残差分布更为集中、鲁棒性较好,泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标,结果进一步表明,组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

融合XGBoost和图谱修正的公交通勤乘客目的地预测方法

准确把握公共交通通勤乘客的目的地,有助于明确乘客出行需求,提升公共交通服务水平.基于北京市1个月的公共交通出行数据和RP调查数据,通过关联分析乘客公交卡号与公共交通刷卡数据和线站数据,匹配获得563名通勤乘客完整出行链数据,并利用关联规则实现302名公交通勤乘客高、中、低出行稳定性辨识.引入XGBoost集成学习算法,...     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

轨道列车运行时间的线性预测模型与算法

为更加准确地预测城市轨道交通列车运行时间,建立列车运行时间改进线性预测模型.该模型基于正交函数和最小均方误差规则求解线性预测系数.采用不同长度的数据样本建立预测模型,分析数据样本长度和预测阶数对预测结果的影响,进而引入基于顺序迭代法的数据调整机制,提高模型系数计算的准确性.通过对比站间距离不等的情况下距离变换前后模型预测的准确性,分析了站间距离对预测精度的影响,进而引入站间距离的线性变换方法,提高模型的预测精度.结果表明,模型改进前后的平均预测精度分别为92.53%和95.43%,预测精度提高3.13%;提高预测阶数可小幅提高模型预测精度,模型的改进可明显提高运行时间的预测精度.将该模型应用于上海轨道交通2号线列车运行时间的预测,与列车运动模型相比,所提模型预测误差降低17.4%,验证了模型的实用性与准确性.      

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。