融合路段传输模型和深度学习的城市路网短时交通流状态预测

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。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.      

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。     

考虑动态空间关系的短时交通流预测方法

为有效提取交通流的时空特征,提升交通流的预测精度,研究了基于动态时空图卷积网络的短时交通流预测模型（DySTGCN）。DySTGCN不仅实现了对交通流时空维度的信息建模,而且考虑了时间维度信息对空间维度信息的影响,创新性提出了基于时间信息的空间拓扑结构——时变空间图（spatial topology graph,TSG）,并设计出了1种能够高效、简便地计算时变空间图的深层网络结构。该结构通过编码、解码方式提取不同节点的交通流数据的相关性特征并实现降噪处理。时变空间图反映了交通网络的实时空间特征,基于交通网络中节点空间位置的稳定空间图（stable spatial graph,SG）反映了交通网络的稳定空间特征。TSG与SG在图卷积过程中共同指导交通流预测,更加准确地刻画了交通流的时空特性,以提高预测精度。为测试模型的预测效果,在2个权威公开数据集上进行实验,结果表明：DySTGCN学习到的时变空间图可以较为准确地反映出不同节点的交通流之间的相关性,在平均绝对误差、均方根误差,以及加权平均绝对百分比误差指标上,比其他时空图卷积网络模型如STGCN、ASTGCN等降低了近13.40%、10...     

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

基于PCA-LSTM的城市短时交通流预测研究

针对城市交通流序列具有时空相关性难以预测的问题,构建了主成分分析(PCA)和长短期记忆LSTM(Long Short-Term Memory)网络相结合的短时交通流预测模型.以合肥市示范区交通流数据为基础,采用PCA提取与预测站点具有空间相关性的站点,将提取的站点交通流序列作为输入,利用LSTM神经网络实现城市短时交通...     

基于时空特征序列匹配的交通流状态估计方法

为了针对无交通流检测器路段更好地进行交通流状态估计,提高估计精度,研究了基于时空特征序列匹配的交通流状态估计模型.通过交通运行指数的计算方法预设城市道路中有交通流参数路段的交通流状态;分析影响城市道路运行条件的各项因素,引入交通流参数与道路参数、路网拓扑参数等时空多维度参数特征,提取3个维度8个特征1个附加维度组成交通...     

融合多相关收费站数据的高速公路交通流预测

经济间的紧密联系使城市群区域间多相关收费站交通数据间存在空间关联,准确描述该联系对提升高速公路交通流预测的精度具有积极作用。然而,由于受诸多不确定性的影响,该关联性难以捕捉和量化。针对这一缺陷,该文提出一种ATGCN-Res GRU深度学习高速公路交通流预测方法。通过结合注意力机制构建高、中、低注意度的3个GCN拓扑网络,并根据各个网络的注意度加权获得空间学习数据,将多相关收费站的联系进行量化和分级;同时,为了避免过平滑问题,将两个GRU(Gated Recurrent Unit)模块通过残差连接,进一步提升算法捕捉时间规律的能力;最后,使用特征融合层和全连接层输出预测值。利用该算法预测广东省某高速收费站的交通流量,试验结果表明：该文提出的方法能够有效提升预测精度,与经典模型多元集成CNN-LSTM、CNN-Bi LSTM和DL-SVR相比,平均绝对误差(E_MAE)分别减小了7.95、4.52、12.88,均方根误差(E_RMSE)分别减小了12.03、6.12、19.05。     

区域交通流的时空预测与分析

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。     

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。     

基于实时多模态时空数据的时空图卷积网络精准鲁棒交通流预测模型

随着我国城市规模的不断扩张,绕城高速公路被各大城市相继采用,在疏导城市过境交通、缓解市内拥堵、提高通行效率等方面起到积极作用。然而,少有学者针对绕城高速公路开展全面和系统的研究,在其交通流特性、态势评估预测、运营管理措施等方面有着较大的研究空间。传统基于单一或部分数据源进行交通预测受到数据源的限制,在精准度、鲁棒性和实用性上都有待提高。本研究选择成都绕城高速公路(国道G4202)作为试点路段,基于系统视频智能分析平台对车流速进行实时监测,并基于实时多模态时空数据的时空图卷积网络进行精准鲁棒交通预测模型的研究。该方法结合了时空图卷积网络以及卡尔曼滤波(Kalman Filtering)校正相点的未来演化规律,预测模型通过自学习对比实际交通监测数据进行优化,并提供交通预测模型的有效性与可信度评估。实际交通流数据测试结果表明,文中所提出的预测模型与传统预测模型相比具有更高的预测精度,是一种有效的交通流预测方法。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

基于语义层次组成的ST-MRF交通事故检测算法

针对目前大部分交通事故检测算法没有考虑车辆相互遮挡的影响,导致在交通量比较大的情况下,算法运行结果比较差,为了解决这一问题,提出了基于类组成的时空马尔可夫随机场(简称ST-MRF)交通事故检测算法.该方法应用ST-MRF模型进行车辆跟踪,得到车辆的目标地图和运动矢量,获得交通流基本参数,结合安装在道路下游的检测器获得的交通流数据,采用语义层次算法对交通事件进行检测.为了验证算法的准确性,对该算法与仅仅使用基于ST-MRF车辆跟踪的得出的交通流数据来判断事故的发生的算法进行比较,发现本算法检测率要高.通过研究得出:基于语义层次组成的ST-MRF算法能在交通比较拥挤且车辆出现相互遮挡的情况下,准确检测到交通事件.      

混合智能算法在城市道路短时交通流量预测中的研究

对城市道路短时交通流进行准确预测是实现城市交通控制与交通诱导的关键。针对目前单一预测方法预测精度不高的问题,提出了小波与支持向量机（SVM）融合的预测新方法;同时为了避免SVM知识学习过程陷入局部最优的问题,采用粒子群算法（PSO）来优化SVM的关键参数,以提高对短时交通流量的预测精度。通过对武汉市道路交通流数据的实验分析,结果表明所提出的方法能够准确提取实验数据关键特征,显著提高SVM的预测精度,且结果比单一使用方法提高了近9%。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明:在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。      

基于改进BP网交通流动态时序预测算法的研究

针对城市交通“智能运输系统”，提出了基于改进BP神经网络理论模型的路面交通流动态时序的预测算法，在BP算法的自适应学习率，在动量法优化网络收敛性等方面，进行了深入研究，并改进了基本BP算法中的收敛速度慢和易陷入局部最小点等问题，章给出了基于改进BP算法的交通流态时序的预测算法仿真实验，结果验证了该算法的可行性和先进性，在交通流时序预测方面有一定的应用价值。     

基于可视化技术的交叉口短时交通流预测研究

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。     

基于PSR-PSO-RBF的短时交通流预测方法

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。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。