基于交互式BP-UKF模型的短时交通流预测方法

城市路网具有功能多样、组成复杂、交通量大、交叉口多等特点。优化短时交通流预测模型能够增加交通状态判别的精准度,有利于市民预知交通出行信息,为交通诱导措施的发布提供数据支持,免陷入拥堵困境。针对目前短时交通流预测模型优化过程中出现的模型适应性差,使用条件要求高、单一模型无法准确地描述交通流在不同时段内的变化规律等因素造成短时交通流预测精准度低的问题,采用Kohonen神经网络对交通流数据进行聚类分析,令聚类得到的不同交通流模式下的交通流数据作为训练多个不同BP神经网络模型的输入,将不同神经网络模型与无迹卡尔曼滤波结合组成多个交通滤波器,完成交通流量的非线性预测与在线校准,最后使用交互式方法融合各估计器预测结果得出综合交通流预测结果。仿真实例构建了多个估计器和1个基于该方法的联合估计器,将以上各个估计器用于某断面的流量预测中,验证了几类估计器的流量预测性能。试验结果表明:该方法搭建的联合估计器在各种交通模式下较单估计器的预测准确性均有所提高,且在交通流遭遇多因素影响下发生特征变化时表现出一定的自适应性;相比于传统系统预测模型,大大降低了对训练数据量的要求,取得了较为满意的短时交通流预测效果。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。      

基于Lagrange支持向量回归机的短时交通流量预测模型的研究

在智能交通系统中,进行实时、准确的交通流预测是交通控制和交通流诱导的关键之一,直接影响交通控制和交通诱导的效果.基于支持向量机,提出了一种Lagrange支持向量回归机的交通流量短时预测模型,能够实现对交通流量的有效预测.仿真试验表明,Lagrange支持向量回归机具有良好的泛化性能、更快的迭代速度,预测结果优于改进的BP神经网络.     

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。     

多源数据融合的区问车辆速度预测算法研霸

不同的交通信息采集方式由于其硬件和采集条件的不同,数据的适用范围和准确性也不同。在短时交通预测中,对于来自于不同检测器的交通流数据进行融合,并在数据融合的基础上进行区间速度的预测,可以有效地改善预测结果的准确性和可靠性。文中提出一种基于卡尔曼滤波的数据融合和区间速度预测方法。在对数据进行预处理和交通状态划分的基础上,根据不同的交通状态,进行多源交通数据融合和区间速度的预测。研究确定了卡尔曼滤波方法中的各个参数,并使用人工神经网络的方法求解状态转移矩阵。算法验证结果表明,速度预测的精度在90％以上。     

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

城市道路短时交通流预测方法研究

道路交通流预测是现代智能交通系统的关键技术之一,短时预测是实现先进的交通控制和车辆导航的技术基础。为了提高短时交通流预测的精准度,提出了一种基于小波去噪和自适应遗传算法优化BP神经网络的预测模型。利用小波分解和重构将交通流转换成具有不同频率的多个平滑子序列,然后分别对各个子序列进行预测,此种方式能有效降低被预测交通流数据的时变性、复杂性以及非线性,同时自适应遗传算法具有全局搜索能力,能有效地避免神经网络易陷入局部极小值的缺陷,提高了预测模型的精准度。     

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%。     

基于递归框架的高速公路交通流量实时预测方法

实时与准确的断面交通流量预测是实现高速公路智能化管理与控制的基础。高速公路交通流量预测要求对数据噪声进行有效处理,且需要满足实时性需求。然而,少有研究从实时性的角度对高速公路交通流量预测的准确性进行改善。研究了结合自适应卡尔曼滤波与长短时记忆神经网络（long short-term memory,LSTM）自编码器的高速公路交通流量递归预测框架,可以满足智能交通系统的实时性与准确性需求。收集高速公路的交通流量和速度等历史数据,应用卡尔曼滤波方法进行数据平滑,以提高原始数据的可预测性能;引入无监督机器学习算法LSTM自编码器对交通流量的时变特征进行建模,以提高模型的运算效率;考虑到高速公路交通流量预测的实时性需要,进一步提出递归预测框架,用LSTM自编码器的预测值代替卡尔曼滤波值;根据获取的实时数据,执行自适应卡尔曼滤波算法以修正当前的最佳状态值,并将该修正值输入LSTM自编码器进行迭代预测。选取美国明苏尼达双子城高速公路的实测交通数据进行案例分析,结果表明：所提出的高速公路实时交通流量递归预测框架在计算成本与预测精度2个方面具有相对竞争优势,模型预测的平均绝对百分比误差为5.0%,优于...     

交叉口瞬时交通流量预测的自适应卡尔曼滤波模型

提出了一个交叉口瞬时交通量预测的带时间窗自适应卡尔曼滤波模型（Adaptive Kalman Filter Model,AKFM）;详细阐述了模型的理论基础、建立过程、推导步骤及状态转移矩阵;并通过C＋＋实现了AKFM和传统卡尔曼滤波模型（Traditional Kalman Filter Model,TKFM）;最后,通过实际交叉口的检测数据对该模型与传统卡尔曼滤波模型进行了比较分析及评价.实验结果表明,AKFM模型是稳定有效的,预测精度优于TKFM.     

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

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。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

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.