非参数回归算法在短时交通流预测中的应用

由于城市道路交通系统中的交通流演变存在随机性和复杂性,且实时交通状态判别本身具有不确定性,故实时、准确的短时交通流预测是交通控制与诱导的一个关键因素。利用非参数回归对短时交通流进行预测是一种较好的预测方法,它能够很好地体现交通流的非线性、时变性和不确定性。为进一步提高预测的准确性,对K近邻的非参数回归方法进行了改进。结果表明,改进模型预报准确率更高,稳定性更好。     

基于历史频繁模式的交通流预测算法

针对目前交通流预测模型复杂、不支持中长期预测的问题,提出了基于历史频繁模式的交通流预测算法,通过挖掘交通流的历史频繁模式,结合实时交通信息进行交通流预测.使用真实路网获取的浮动车数据进行实验,结果表明该算法支持交通流短时、中长期预测,且中长期预测与短时预测具有同样高的预测精度,受参数影响小.与基于K近邻的非参数回归方法进行比较,结果表明基于历史频繁模式的预测算法的预测性能更稳定,预测误差波动更小.     

基于加权组合模型的短时交通流预测研究

为了改善城市路网中短时交通流预测效果,提高预测精度,设计了一种基于改进的K近邻非参数回归和小波神经网络加权组合的短时交通流预测方法.针对K近邻非参数回归预测方法搜索量大、相似性差等问题,采用基于交叉口相关系数加权的欧氏距离选择K近邻值.小波变换与神经网络有机结合形成的前馈型网络,对非平稳的输入信号能够呈现出良好的时频特性和变焦能力,对短时交通流预测效果有着明显的提升.通过算例分析,说明所设计的预测方法能够获得比较精确的短时交通流预测结果.     

基于浮动车数据非参数回归短时交通速度预测

非参数回归算法是近年来提出的一种较新型的短时交通流预测算法,为了提高预测精度,提出了基于误差反馈的预测方法.加入误差反馈机制,针对状态向量中的权值进行实时的反馈修改,得到了较满意的结果.采用成都市浮动车系统中的出租车浮动车数据对红星路二段的速度进行了预测,预测结果表明,该算法的预测精度优于无反馈的非参数回归和BP神经网络.     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

组合预测模型在短时交通流预测中的应用研究

根据智能交通诱导和信号控制的需要,短时交通流预测应具备实时性、准确性和可靠性,应用单项预测模型已不能满足当前交通流预测的要求,借此提出了以时间序列法、非参数回归法和RBF神经网络预测法为基础的定权系数和变权系数组合模型进行短时交通流预测,实例应用表明组合预测模型较单项预测方法预测精度有显著的提高。     

基于图卷积网络的短时交通速度预测

交通预测是构建智能交通系统的重要技术,实时准确的交通预测有利于规划路线,提高出行效率。为提高交通速度预测精度,提出一种基于图卷积网络的短时交通速度预测模型。首先对交通速度数据进行时空特征分析,然后结合数据空间特性构造可学习的邻接矩阵来建立图卷积网络,同时考虑到交通数据的时间特性,因此在图卷积的基础上又添加了长短期记忆网络和注意力机制来共同构建预测模型。实验结果表明由于同时考虑了交通速度数据的时空特性,本文模型均方根误差、平均绝对误差和平均绝对百分比误差均小于传统模型和单个模型,验证了提出的模型预测精确度更高。     

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。     

一种基于MapReduce的短时交通流预测方法

非参数回归方法是短时交通流预测常用的方法,但现有非参数回归方法存在预测速度与精度之间的矛盾.为此,提出一种适用于海量历史数据、基于MapReduce与遗传算法的非参数回归短时交通流预测方法.通过引入MapReduce并行计算框架,加快K最近邻算法的搜索速度.在数据预处理阶段利用遗传算法优化关键参数的设置,并采用MapReduce加速参数优化过程,以解决遗传算法迭代运算时间长的问题.实验结果表明,该方法在保证交通流预测精度的前提下,明显提高了预测速度,并且具有较好的可伸缩性.     

基于深度学习的城市轨道交通短时客流量预测

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.     

基于变权重组合模型的铁路客运量短期预测

科学、准确的铁路客运量短期预测是提高铁路客运系统竞争力与服务水平的关键。针对铁路短期客运量的特点,提出了一种基于灰色理论的变权重组合预测模型。为了获取不同模型在不同时刻的权重系数,采用广义回归神经网络对动态权重进行跟踪和预测。以2014年1~12月份的铁路客运量为研究对象,分别建立均值GM（1,1）模型、离散GM（1,1）模型、灰色Verhulst模型以及变权重组合预测模型。实例分析的结果表明,三个单一模型的平均相对误差分别为17.14%、16.99%和12.94%,而变权重组合模型为7.01%,变权重组合预测模型的预测精度明显高于单一模型。     

基于遗传算法优化和KD树的交通流非参数回归预测方法

非参数回归预测方法在交通流短时预测中得到了广泛应用.针对提高搜索速度和关键参数的优化设置两个问题,提出使用KD树作为模式库的存储结构,能够有效提高搜索速度,并且能够在实际运行中不断将新发现的交通流模式实时地加入模式库.提出使用遗传算法对非参数回归中的重要参数进行优化,实验表明能够得到相对较优的参数设置.所得研究结果为实时的交通流短时预测系统提供了一种较好的预测方法.     

CPSO算法优化神经网络重构的网络流量预测

为了提高网络流量的预测精度,提出了一种混沌粒子群算法优化相空间重构和神经网络的网络流量预测模型(CPSO-BPNN)。利用混沌粒子群算法对BP神经网络初始参数、延迟时间、嵌入维数进行优化,根据延迟时间、嵌入维数对网络流量数据进行重构,BP神经网络根据初始参数进行训练建立网络流量预测模型,通过仿真实验对模型性能进行测试。结果表明,CPSO-BPNN可以准确描述网络流量的复杂变化趋势,提高了网络流量的预测精度。     

基于正交差分演化无迹卡尔曼滤波的短时交通流量预测算法

针对复杂交通路段下的短时交通流量模型的参数估计问题,建立了基于宏观交通流量预测的状态空间模型,提出了基于正交自适应差分演化的无迹卡尔曼滤波(UKF)算法,解决交通流量预测动态模型的参数优化问题.对差分演化算法(DE)的初始化过程,使用基于正交设计和量化技术的交叉算子最大限度地提高种群的多样性,平衡差分演化算法的开采性和勘探性,更高效地搜索无迹卡尔曼滤波的模型参数.并针对UKF、DE的不同情况,分别采用不同的自适应策略提高调节算法性能.实验结果表明,相对于单独使用随机分布的方式初始化,或者根据经验设置模型参数的方法,使用正交设计方法的初始化策略、变异算子以及参数自适应控制策略的差分演化算法能够有效地节省计算资源,提升预测性能和精度,具有更高的鲁棒性.     

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。     

处理缺失数据的短时交通流预测模型

针对交通检测中数据的缺失问题,提出了一种新的交通流综合短时预测模型,这种模型可以对交通检测中的缺失数据进行重建,并在此基础上运用改进的卡尔曼平滑算法进行短时交通流预测。该模型克服了传统的预测方法无法对检测数据的缺失进行处理的缺点,能在数据缺失时进行有效的交通流预测。通过深圳市的实际流量数据的验证,并比对传统方法,证实该方法具有较好的预测性能,模型预测精度可以保持在88%以上,具有较好的实用性。