短时交通流预测

摘要： 交通流变化过程是一个实时、非线性、高维的随机过程,对其进行准确预测是智能交通领域的热点和难点问题。采用最小二乘支持向量机方法来建立短时交通流预测的模型,在经验风险和置信范围之间寻求最佳折衷,并且通过实例研究来验证其有效性。结果表明,该模型适应小样本情况下对非线性动态系统的学习,对短时交通流有较好的预测效果。

摘要： 准确的短时交通流预测在智慧交通系统中至关重要.近年来,双向长短时记忆网络(BiLSTM)被广泛地应用于短时交通流预测中,但由其结构特点,易产生过拟合现象,从而影响预测精度.鉴于宽度学习系统(BLS)能够解决过拟合的问题,本文将深度学习与宽度学习相结合.进一步地,为减少噪声对车流量数据的干扰,引入变分模态分解(VMD)进行降噪处理,提出VMD-BiLSTM-BLS短时车流量预测模型.本文以PeMS交通流数据为例,进行预测分析.结果表明:与基线模型、消融模型和现有模型进行对比,本文模型预测精度均表现最佳,能够更好的反应路口短时交通流的状况.

摘要： 短时交通流预测是智能交通管理的重要依据。为了提高短时交通流预测的精度,从交通流内在的稳态特征和动态特征着手,提出一种基于巴特沃兹滤波(Butterworth filter,BF),结合支持向量回归(support vector regression,SVR)算法和门控循环单元(gated recurrent unit,GRU)模型的预测方法,即BF-SVR-GRU模型。该方法先对交通流标准化处理,以加快后续模型计算的速度。通过设置适当阈值,利用巴特沃兹滤波将交通流信息分解为稳态分量和动态分量:稳态分量反映交通流总体变化趋势,动态分量反映突发因素(如交通事故、天气影响等)对交通流的影响。利用门控循环单元对稳态分量进行训练与预测,克服门控循环单元在预测变化剧烈的序列精度较低的问题;支持向量回归对非线性序列预测存在适应性较好、低泛化误差等优点,利用支持向量回归对动态序列进行训练与预测。最后,将稳态分量与动态分量的预测结果整合得到最终预测结果。采用某市不同的两个路口的数据集进行相关实验,结果表明,BF-SVR-GRU预测方法具有较好的预测精度,可为智能交通规划与管理提供有效的建议。

摘要： 国内道路交通拥堵问题日益严重,及时和准确的短时交通流预测是实现智能交通管控、减轻道路拥堵的关键基础,因此设计了一种基于惯性权重改进花朵授粉算法(MFPA)和误差逆向传播(BP)神经网络结合的MFPA-BP短时交通流预测模型。首先通过引入惯性权重和Mantegna方法改进花朵授粉算法,形成MFPA优化算法,并将其应用到BP神经网络进行初始权值和阈值的优化,使模型的收敛速度和效率得到提升。选用实际路段处理过的交通流数据对MFPA-BP模型进行训练并预测,与BP神经网络和RBF神经网络相比平均绝对误差(MAE)分别减少了20.01%和27.89%,均方根误差(RMSE)分别减少了18.25%和21.73%,同时MFPA-BP模型可以有效地减少迭代次数,提高道路交通流量预测的准确性,更好地应用于智能交通系统中。

摘要： 为克服现有短时交通流预测方法未能充分考虑交通流的随机性、非线性特征,提出一种基于集合经验模态分解(empirical mode decomposition,EEMD)结合小波分析的短时交通流预测模型构建方法。首先,利用EEMD将原交通流数据分解为N个本征模态函数(intrinsic mode fuction,IMF)和1个趋势项(residual,Res);其次,使用小波分析对含噪声信号的本征模态函数进行小波分析处理;最后,提出两类模型构建方法:①将经过小波分析处理后的N个IMF和Res进行重构,将其分别输入长短期记忆网络模型(long short-term memory,LSTM)、序列模型(sequence to sequence,Seq2seq)和引入注意力机制序列模型(seq2Seq attention),模型输出即为最终预测值(方法1);②将小波分析处理后的IMF和Res分别输入LSTM模型、Seq2seq模型和Seq2Seq Attention模型,模型输出为各分量预测值,将其重构后即为最终预测值(方法2)。将两类模型预测方法分别与初始LSTM、Seq2seq和Seq2Seq Attention模型以及基于小波分析与LSTM、Seq2seq和Seq2Seq Attention模型的组合预测模型进行对比实验,结果表明:两类模型构建方法能够显著提升初始预测模型的预测性能,相较于基于小波分析的组合预测模型,其预测性能均有所提升,且相较于方法1,方法2对模型性能的提升效果更加显著。

摘要： 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。

摘要： 城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对交通栅格数据进行相关性分析,确定相关性高的周期序列和邻近序列;同时,建立周期序列模型和邻近序列模型,并引入长短时记忆(LSTM)网络作为混合模型提取时间特征以及捕获两种序列的长期时间特征。利用成都市出租车数据集对模型进行验证,结果表明该模型预测结果优于LSTM、CNN和传统残差模型等基准模型,以均方根误差(RMSE)为评价指标时,所提模型将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

摘要： 日益增加的交通流量使得道路交通面临着严峻考验,运用现代技术手段,对短时交通流进行精准的预测,能为改善及便利道路交通管理。为此提出一种基于长短时记忆神经网络(LSTM)、门控循环单元(GRU)、栈式自编码器(SAE)以及简单循环单元(SRU)模型相结合的短时交通流预测模型——LGSS模型。实验表明LGSS组合模型的预测效果,从多个评价指标分析,相较于传统的单一模型都有较大改善。同时利用SRU可进行并行运算的特点,当迭代4次预测准确度最高时,单次计算时间达到0.7491 s,比传统模型减少了约30%的时间。

摘要： 针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型。首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进行预测得到多个子模型,同时利用贝叶斯优化算法进行子模型的最佳参数选择;最后,将所有子模型的预测值代数求和,得到总体交通流的预测结果。采用美国纽约布鲁克林地区某路段实际交通流数据进行预测,并对预测结果与其他模型进行比较分析。研究结果表明:小波分析和XGBoost组合模型预测效果优于传统线性模型及单一XGBoost模型,从而更好地为交通管理提供指导意见。

摘要： 为了提高物流的配送效率,寻求合理的配送路径,通过分析短期历史交通流量,使用集合经验模态分解去噪,以拟合优度最大化为目标,运用麻雀搜索算法优化惩罚参数和核函数参数的最小二乘支持向量机回归预测短期交通流。结果表明集合经验模态分解能有效去除短期交通流中的噪声,构建的EEMD-SSA-LSSVR模型可以高效地预测短期交通流量。

摘要： 目前的车载导航系统和电子地图网站多是基于静态电子地图的应用系统，只是增加了一些交通相关信息的查询服务与静态路径规划服务功能，不能为公众提供结合实时路况的动态出行信息服务。如何对实时获取的动态交通信息进行快速处理，完成路网交通仿真与短时预测，及时向公众提供动态出行信息服务，是目前公众出行信息服务平台和车载导航系统亟需解决的瓶颈问题。

摘要： 本文在使用有限长度傅立叶变换分析短时交通流的频谱的基础上,将交通流数据分别利用神经网络直接预测和经过小波分解与重构后对各尺度数据预测再合成。对比两者预测结果发现,经过小波分解与重构后各尺度数据预测合成后的预测能得到较高的预测精度,说明小波分析在交通流预测方面有研究的价值。

摘要： 本文在使用有限长度傅立叶变换分析短时交通流的频谱的基础上,将交通流数据分别利用神经网络直接预测和经过小波分解与重构后对各尺度数据预测再合成。对比两者预测结果发现,经过小波分解与重构后各尺度数据预测合成后的预测能得到较高的预测精度,说明小波分析在交通流预测方面有研究的价值。

摘要： 本文在使用有限长度傅立叶变换分析短时交通流的频谱的基础上,将交通流数据分别利用神经网络直接预测和经过小波分解与重构后对各尺度数据预测再合成。对比两者预测结果发现,经过小波分解与重构后各尺度数据预测合成后的预测能得到较高的预测精度,说明小波分析在交通流预测方面有研究的价值。

摘要： 本文在使用有限长度傅立叶变换分析短时交通流的频谱的基础上,将交通流数据分别利用神经网络直接预测和经过小波分解与重构后对各尺度数据预测再合成。对比两者预测结果发现,经过小波分解与重构后各尺度数据预测合成后的预测能得到较高的预测精度,说明小波分析在交通流预测方面有研究的价值。

摘要： 本发明涉及交通控制，具体涉及基于动态交通流短时预测的施工区域交通控制与诱导方法，构建施工区域周边道路网络拓扑关系，基于对道路网络拓扑关系的分析，科学划定施工交通影响区域范围，采集施工交通影响区域的交通流数据，并进行多源数据融合分析，对施工交通影响区域的交通流特征进行解析，对交通流数据与道路网络拓扑关系进行综合分析，得到施工交通影响区域的流量时空汇聚关键点位分布，根据交通流特征解析结果，构建流量时空汇聚关键点位的交通流短时预测模型，并对交通流短时预测模型进行在线训练和迭代优化；本发明提供的技术方案能够克服无法对施工区域周边易发生拥堵路口的交通信号灯进行配时优化、无法对驾驶人员进行有效诱导的缺陷。

摘要： 本发明涉及交通控制，具体涉及基于动态交通流短时预测的施工区域交通控制与诱导方法，构建施工区域周边道路网络拓扑关系，基于对道路网络拓扑关系的分析，科学划定施工交通影响区域范围，采集施工交通影响区域的交通流数据，并进行多源数据融合分析，对施工交通影响区域的交通流特征进行解析，对交通流数据与道路网络拓扑关系进行综合分析，得到施工交通影响区域的流量时空汇聚关键点位分布，根据交通流特征解析结果，构建流量时空汇聚关键点位的交通流短时预测模型，并对交通流短时预测模型进行在线训练和迭代优化；本发明提供的技术方案能够克服无法对施工区域周边易发生拥堵路口的交通信号灯进行配时优化、无法对驾驶人员进行有效诱导的缺陷。

摘要： 本申请公开了一种智慧交通下的短时交通流量预测方法、系统和电子设备，其通过卷积神经网络模型提取出各个路段在各个预定时间段的车流量的高维关联特征，以及所述各个路段间的拓扑特征和连接关系特征，并且通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。

摘要： 本发明提供了一种融合交通事件影响的短时交通流参数预测方法。基于深度学习方法图注意力网络(GAT)，在考虑路网结构对交通流参数影响的同时，通过时间上与空间上的比较，从交通流参数数据自身中提取出“是否受交通事件影响”特征，结合这一特征，实现考虑所有会对交通流参数数据造成影响的交通事件的短时(几秒到几小时均可)交通流参数预测。本发明方法预测效果优良，可操作性强，优于许多现有的方法。

摘要： 本发明涉及一种基于交通流时空相似性的城市短时交通流预测方法，该方法对传统的非参数回归方法进行了改造，包括如下步骤：S1、基于交通流时空相似性，定义交通流的时间状态向量、时空状态向量；S2、构造当前时段下交通流的“当前时空状态向量；S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”；S5、选择k个时空相似距离最小的历史状态向量所在的日期，查出这k个历史日期对应的预测时段的交通流；S6、基于这k个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析。目的在于提高城市短时交通流预测的准确度。

摘要： 本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。

摘要： 本发明属于智能交通领域，涉及基于短时交通流预测的城市区域交通信号控制方法。包括：利用交叉口配置的摄像头获取各路口及相关车道交通状态信息；基于YOLOv4的视频识别检测本周期交通数据；根据上一时刻流量，基于历史数据建立ConvLSTM模型，预测出下一周期区域交通状况，修正并实时反馈；根据预测流量数据，建立起单点交叉口配时模型，并进行求解，优化配时；依据交叉口关联度，对交叉口群进行区域子区划分；通过量化有效绿灯时间损失判断交叉口饱和程度，建立区域协调控制模型，优化当前方案；编写系统界面程序，进行功能可视化，获取实时反馈并实现人性化管理。该方法实现了区域联动控制，提高区域交叉口控制的准确性和安全性。

摘要： 一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法属于交通预测领域。本发明采用模糊聚类的思想对交通流进行模式划分，弥补了传统硬性聚类算法对交通流量进行模式划分的不足。同时提出了误差反馈卷积神经网络结构，解决了传统的神经网络不能够充分利用时空交通信息，且对突变异常流量不敏感等缺点。并且将两者结合构建组合模型，用于短时交通流的预测中。该方法在使得预测模型可以更加精确地预测未来时间单位的流量，同时提高了对突发事件引起的流量变化的识别能力。

摘要： 本发明涉及一种基于交通流时空相似性的城市短时交通流预测方法，该方法对传统的非参数回归方法进行了改造，包括如下步骤：S1、基于交通流时空相似性，定义交通流的时间状态向量、时空状态向量；S2、构造当前时段下交通流的“当前时空状态向量；S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”；S5、选择k个时空相似距离最小的历史状态向量所在的日期，查出这k个历史日期对应的预测时段的交通流；S6、基于这k个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析。目的在于提高城市短时交通流预测的准确度。

摘要： 本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。