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。     

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...     

交通流短时预测研究进展

交通短时流预测是交通控制和交通诱导的基础和关键技术之一,经过几十年的研究已出现200多种预测方法。首先对城市道路交通流短时预测方法进行分类。然后分析、归纳了交通流预测领域的最新研究进展,总结出几类最新的研究趋势：综合模型应用,组合模型应用,时空相关性研究,单断面向多断面、路网扩展研究,单步预测向多步预测发展研究,以及基于反馈的动态预测。最后,展望了今后交通流短时预测的研究方向。     

非线性短时交通流的一种神经网络预测方法

短时交通流预测是交通控制与交通诱导系统的关键问题之一。随着预测时间跨度的缩短,交通流量的变化显示出越来越强的不确定性,使得一般的预测方法难以奏效。本文针对BP神经网络运行的特点。提出了用隔离小生境遗传算法优化传统的BP网络。实例证明,该神经网络的进化建模方法设计简单,全局搜索效率较高,能有效的用于短时交通流量的预测。     

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。     

基于路段检测器布局的短期交通流预测模型

通过分析路段上各点以及交叉口之间交通流的内在联系,利用连续性和相关性原理,建立基于检测器布局的短期交通流预测模型.探讨了检测器布局的一般方法,阐述了布局位置对交通流预测结果的影响.根据路段上游、下游2点的检测器数据可建双点预测模型,能用于隧道、桥梁等特殊路段的短期交通流预测.根据路网上多个检测点的数据,可建立多点预测模型,各检测点的权重用F-AHP法确定,模型系数矩阵用最小二乘法标定.以重庆市某路段的交通量预测为例,分别用双点预测法和多点预测法进行了预测,并对预测效果进行了分析和比较.     

高斯过程回归短时交通流预测方法

已有的短时交通流预测方法均属于确定性预测,无法对预测的不确定性进行定量分析.针对上述问题,提出了一种基于高斯过程回归的短时交通流预测方法.通过该方法在对短时交通流进行预测的同时还可以得到预测的方差估计值,并依此可以确定预测值的95%置信区间.在仿真实例中,在相同条件下对所提方法与支持向量机预测方法进行比较.仿真结果表明,高斯过程回归短时交通流预测方法不仅与支持向量机预测方法具有相近的预测精度,其中均方根误差为12.09,绝对值误差为118.42,相对误差为17.32%,而且能够获得预测结果的方差估计值,从而有效实现短时交通流概率意义上的预测.     

短时交通流智能预测方法的研究

在分析短时交通流预测方法的基础上。指出现有预测方法的局限性，提出了一种将多种预测模型与人工智能技术相结合的短时交通流智能预测方法，论述了该预测方法的基本原理。     

短时交通流预测模型

针对短时交通流变化周期性与随机性的特点, 提出了新的混合预测模型, 包含非参数回归模型与BP神经网络模型2种单项模型。非参数回归模型利用相关历史交通流数据, 通过数据库匹配操作, 确定预测结果, 以充分体现交通流的周期稳定性。采用3层BP神经网络模型反映交通流的动态与非线性特点。采用模糊控制算法确定各单项模型的权重, 并按不同权重有效组合成新的混合模型。采用西安市某路段30 d的交通流量数据验证混合模型的预测效果。试验结果表明: 该混合模型的平均相对误差为1.26%, 最大相对误差为3.53%, 其预测精度明显高于单项模型单独预测时的精度, 能较准确地反映交通流真实情况。     

道路交通噪声评价及预测新方法

在分析既有环境噪声评价方法的基础上,根据交通噪声非稳态性的特点,提出了交通噪声综合影响指数的概念。基于概率论和交通流理论,考虑到影响道路交通噪声的主要因素是车流量、车型和车流速度等,建立了用交通噪声综合影响指数来评价道路交通噪声的预测理论模型。以某城市道路交通噪声在一天内24h的A声级变化为实例,计算了其交通噪声综合影响指数为79．7dB。计算结果表明,可以用交通噪声综合影响指数合理地评价道路交通噪声污染对人体健康和社会经济发展的影响。     

基于ARIMA的交通流量短时预测

采用AKIMA方法进行交通流量趋势预测．建模是利用现场调查得到的非平稳时间序列进行数据处理、建模．并根据AIC准则进行模型定阶,最后通过实测数据进行验证,结果表明。该ARIMA模型能够获得较好的中短期预测精度,因而可用于动态交通信号控制。     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于小波的短时交通流预测

本文利用小波分析方法对交通流数据进行不同尺度的分解,并对不同尺度的分量建立ARMA预测模型,再由各尺度的预测得到交通流的预测.实验显示,本方法具有较好的预测精度.     

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法,分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势,归纳了局部断面交通流预测方法,包括传统机器学习、递归神经网络和混合模型,分析了卷积神经网络、图神经网络和融合多因素网络的特点,阐述了方法的原理、优势、局限性和应用场景,总结了现有场景交通数据集类别,从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律,但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题;图神经网络针对路网拓扑连接关系引入了图结构,在考虑路网和交通流数据的时空相关性上具有明显优势;融合多因素网络充分考虑天气、道路、事故等内外部因素的影响,有效提升了交通流预测的实时性和鲁棒性;由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因,交通流预测方法的改进受到了限制;未来应从交通信息有效挖掘和图卷积方法完善两方面入手,拓宽图结构在交通领域的应用和考虑非常态交通场景,进一步揭示交通数据的内在规律,开发更准确、高效的交通流预测方法,推动交通流预测在工业界的落地应用。     

旅游景区新建公路交通量预测方法研究

对旅游景区新建公路交通量的预测主要采用4阶段法,但该模型对隐性交通需求反应不敏感,同时也没有考虑到景区本身的环境容量限制,针对不足,文中通过对传统的交通生成预测模型进行改进,突显旅游特性,弥补对隐性交通需求的估计不充分,在交通分布预测阶段以景区环境容量为约束条件进行交通分布预测,并以位于苏州市吴中区的东、西山连接线工程为例给出对旅游景区新建公路交通量的预测过程,并验证模型的可操作性。     

面向实时短时交通流预测的过程神经元网络建模

为了充分利用交通流的时空过程特性, 进行交通流的实时预测, 将过程神经元网络和数据流在线学习技术引入到短时交通流预测中。充分考虑交通流的日周期、周周期等内在特性, 结合过程神经元网络和小波变换, 实现对历史数据的多尺度过程特征处理。构建了路网整体预测过程神经元网络模型, 并采用主成分分析方法, 利用交通流空间相似性的影响对模型进行优化。基于Harr小波技术提出具有自适应和实时性预测特征的在线学习算法。试验结果表明: 该模型的预测准确性优于普通神经网络, 平均百分比相对误差降低6%~8%, 预测时间至少降低67%, 具有较高的性能, 能满足短时交通流实时预测的需求。     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。     

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。