精细化短时交通流预测模型及迁移部署方案

精细化短时交通流预测是保证智能交通系统（ITS）合理决策的前提。为了建立无人驾驶汽车换道模型、预测车辆轨迹、引导车辆出行,及时为每条车道预测车流量成为亟须解决的问题,然而精细化短时交通流预测面临着以下挑战：一是交通流数据日益多元化,传统预测方法难以满足ITS高精度、短时延的要求;二是为每条车道训练预测模型会造成大量的资源浪费。针对以上问题,提出利用卷积-门控循环单元（Conv-GRU）结合灰色关联度分析法（GRA）建立精细化短时交通流预测模型预测车道流量。考虑到深度学习训练时间长、推理时间相对较短的特点,提出云-雾部署方案;同时,为避免为每条车道训练预测模型,在云-雾部署方案的基础上提出了模型迁移部署方案,该方案仅需训练部分车道的预测模型,然后通过GRA将训练好的预测模型迁移部署到关联车道进行预测。对真实交通流数据集进行大量对比实验的结果表明：与传统深度学习预测方法相比,所提模型拥有更精准的预测性能,与卷积-长短期记忆（Conv-LSTM）网络相比在提高精度的基础上运行时间更短,且能在保证高精度预测的情况下实现模型迁移,比训练每条车道的预测模型节省了约49%的训练时间。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

相空间重构和SVR联合优化的短时交通流预测

短时交通流预测首先重构相空间,然后采用时间序列模型预测交通流量,而支持向量回归机（SVR）是比较好的时间序列预测模型。但短时交通流相空间重构的嵌入维数与延迟时间与支持向量回归机的参数确定往往是分别独立地求解,难以达到两组参数值的同时最优,影响预测的准确性。为了提高短时交通流的预测准确性,提出一种利用粒子群算法联合优化相空间重构和支持向量回归机的预测模型,并用于实际短时交通流数据的预测。该模型的相空间重构和支持向量回归机（SVR）的参数联合一起优化,利用粒子群算法同时优化其两组参数的组合值。采用短时交通流数据仿真,结果表明联合一起优化所得参数的预测器提高了简单模型预测的效果。     

基于CNN-XGBoost混合模型的短时交通流预测

准确、高效的交通流预测是实现交通诱导和交通控制的前提和关键。针对传统机器学习方法需要人工构造特征、无法充分提取交通流的时空特征等问题,提出一种混合预测模型,该模型结合卷积神经网络（Convolutional Neural Network,CNN）和XGBoost（Extreme Gradient Boosting）各自的优势,在网络底层使用CNN对交通流数据进行特征的自动提取和选择,并将得到的高维特征向量输入到XGBoost模型中进行预测。为验证模型有效性,取高速路段的交通流数据对CNN模型、XGBoost模型和CNN-XGBoost模型进行实验对比,结果表明,在预测精度上,CNN-XGBoost模型比CNN模型和XGBoost模型分别提高了约6%和7%,是一种有效的短时交通流预测模型。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。     

BNs-OLS-SARIMA对城市短时交通流的预测*

通过在目标路口构建贝叶斯交通网（BNs）,并对与此交通网相关的交通流建立非平稳季节（SARIMA）模型,采用最小二乘法（OLS）取得相应模型的最佳权重组合,对缺失数据下的城市道路短时交通流进行预测。使用重庆市某路口的交通流数据对模型进行检测,通过多种预测指标对结果进行对比分析,结果表明BNs-OLS-SARIMA把交通流的网络结构与其周期性结合在一起,对短时交通流有良好的预测效果。     

基于FWADE-ELM的短时交通流预测方法

受道路环境和人为因素影响,实际交通系统可视为一个复杂的非线性动力系统,交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征.针对复杂环境下的短时交通流预测问题,提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测方法.采用奇异谱分析方法滤除原始交通流数据中包含的噪声成分,降噪后的交通流数据用于训练极限学习机(ELM)网络预测模型.进行相空间重构,利用C-C算法确定ELM网络的结构和关键参数.通过融合烟花算法和差分进化算法提出一种烟花差分进化混合算法,可有效提高基本算法的整体优化性能.将改进的混合优化算法用于优化ELM网络的权阈值(结构为9-11-1,维数为110),建立短时交通流预测模型.测试与应用结果表明,所构建的短时交通流预测模型具有较高的预测精度和较强的泛化能力(均方误差为7.75,平均绝对百分比误差为0.086 7),预测值与实际值的拟合程度较好.     

基于深度学习的短时交通流预测

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明：文中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,预测性能提高了18.01%,是一种有效的交通流预测方法。     

融合多因素的短时交通流预测研究

交通流预测一直是交通领域的研究热点,针对现有交通流预测研究大多为常态下的预测,而未考虑天气、节假日等外部因素的影响,提出了一种融合多因素的短时交通流预测模型。通过长短时记忆网络（long short-term memory,LSTM）捕捉时间序列的长期依赖关系,引入注意力机制,利用注意力机制自适应地选择相应的驱动序列,实现短时交通流的预测。实验分别与传统模型、未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比分析,结果证明所提出的CLA模型具有较高的预测准确度,是一种较好的预测方法。     

时空相关的短时交通流宽度学习预测模型

针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。     

面向短时地铁客流量预测的混合深度学习模型

城市交通客流量精准预测是智能交通系统的重要环节,是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取,忽略了对模型优化的研究。针对短时地铁客流量预测存在的问题,提出一种混合深度学习模型ResGRU_Metro,将卷积神经网络、残差单元和门控循环单元相结合,捕获流量数据的时空特征。针对深度学习模型常用的损失函数难以对交通客流量峰值进行精准预测的问题,引入面向短时交通流量预测的加权平方误差,根据交通客流量的大小为预测误差赋予不同权重,并加大对交通客流量峰值处误差的惩罚,使神经网络在反向传播时更加关注峰值处的预测和误差,从而提升交通客流量峰值的预测精度。此外,通过耦合天气、空气质量等外部因子,改善模型的整体预测性能,增强模型的稳定性。实验结果表明,相比LR、PSVR、CNN等典型的预测模型,ResGRU_Metro模型有更高的预测精度,能够准确预测交通客流量的峰值。     

基于梯度提升回归树的短时交通流预测模型

短时交通流预测是交通流建模的一个重要组成部分,在城市道路交通的 管理和控制中起着重要的作用。然而,常见的时间序列模型(如ARIMA)、随机森林(RF)模型在交通流预测方面由于被构建模型产生的残差和输入变量所影响,其预测精度受到限制。针对该问题,提出了一种基于梯度提升回归树的短时交通预测模型来预测交通速度。首先,模型引入Huber损失函数作为模型残差的处理方法;其次, 在输入变量中考虑预测断面受到毗邻空间因素和时间因素相关性的影响。模型在训练过程中通过不断调整弱学习器的权重来纠正模型的残差,从而提高模型预测的精度。利用某城市快速路的交通速度数据进行实验,并使用MSE和MAPE等指标将本文模型与ARIMA模型和随机森林模型进行对比,结果表明,文中所提模型的预测精度最好,从而验证了模型在短时交通流预测方面的有效性。     

基于DCGRU-RF模型的路网短时交通流预测

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增。准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题。现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性。文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法。首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果。实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较。结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95%。     

短时交通流量预测的IPSO-BPNN算法

为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的适应度函数,通过粒子之间协作获得预测模型全局最优参数,通过BP神经网络建立预测模型,利用短时交通流量数据对模型性能进行测试。结果表明,相对于传统参数优化方法,粒子群优化神经网络提高了短时交通流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难。针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition, CEEMD),并结合卷积神经网络(Convolutional Neural Networks, CNN)和长短期记忆网络(Long Short-Term Memory, LSTM)的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率。在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性。     

旅游高峰期交通流量的多时间尺度预测方法及应用

对旅游交通需求进行准确的短时预测难度很大,其时空分布规律更加难以估计。为了解决该问题,提高预测精度,首先分析了旅游交通流的多时间尺度可预测性,进而运用多时间尺度预测方法对旅游交通流量进行了预测。结果表明,模型预测性能良好、精度较高,从分类和分层的角度构建旅游交通多时间尺度预测模型、分析旅游交通流量分布和旅游交通流量动态分配,能够为旅游高峰期的道路交通运行态势快速评估和制定应急交通组织管理方案提供精确参考。