基于速度的城市快速路交通拥堵预测研究

交通拥堵预测是解决交通拥堵问题的重要步骤之一.为缓解交通拥堵,选取速度这一参数建立交通拥堵预测模型.在对速度时间相关性和空间相关性分析的基础上,提出了基于时空特性和径向基神经网络的速度预测多点模型.将预测结果与决策阈值相比较,粗略地判定拥堵等级,并运用模糊算法对速度和拥堵程度进行量化,建立相应的模糊规则体系,并应用模糊逻辑推理得到定量的拥堵度指标.结合实例进行仿真和分析,与基于单一时间序列的预测方法相比较,基于时空特性的预测方法的平均绝对相对误差由7.45%下降到了3.61%,有效地提高了速度预测精度,基于速度的拥堵预测模型的识别准确率较高.利用模糊算法评判拥堵程度,可得到量化的拥堵度指标,使拥堵程度一目了然.      

城市交通流诱导系统研究现状与发展

城市交通诱导系统的理论框架结构分为：交通流信息采集与处理子系统，车辆这位子系统，交通信息服务子系统及行车路线优化子系统。对交通流量和路段运行时间预测则采用具有单隐层的三层神经网络进行自适应预测的方法来建立预测模型。     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

基于深度学习的网约车供需缺口短时预测研究

城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型 3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类-最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的 STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.