基于神经网络及相似日的城市交通流量预测模型研究

针对智能运输交通系统中的交通流量预测问题,提出了采用基于神经网络及相似日的交通流量预测模型。城市交通流量受到道路本身的通行能力、工作日与节假日、雨雪雾天气等因素的影响。由于相似条件下的交通流量具有较大的关联性,基于差异性和相关性原理,提出了基于相似日和神经网络的城市交通流量预测模型。以实际交通数据进行实验仿真,结果证明本文提出的预测模型具有较好的误差精度,具有实用性。     

基于遗传算法的交通流量组合预测研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施，实时、准确的交通流量预测是智能交通系统的关键技术之一，也是实现智能交通诱导及控制的前提。本文首先对几种重要的交通流量预测模型的理论和优缺点进行了比较，分析了影响预测模型的因素，然后提出了一种基于遗传算法的流量组合预测方法，该方法利用遗传算法群体搜索的特点，组合各种算法，优化预测思路，充分发掘不同算法的差异优势，实践证明该思路是切实有效的。     

基于BP神经网络的路口短时交通流量预测方法

交叉路口是一个城市交通的重要组成部分,其各方向的交通流量预测更是该城市智能交通系统中的重中之重,本文提出一种基干BP神经网络预测路口短时交通流量的方法,该方法将路口其他非预测方向和交通信号配时方案对流量预测的影响因素考虑在内。     

智慧城市中关于智能交通系统的建设研究

随着信息化时代的来临,智能化设备在人们生活中得到了越来越广泛的应用。通过分析城市交通系统现存问题,结合智慧城市概念与发展,研究智能交通系统在智慧城市中的应用价值,同时,结合时代技术发展特点,分析智能交通系统的关键技术,探讨智慧城市中智能交通系统的建设要点,对智慧城市发展和智能交通系统建设具有重要意义。     

神经网络模式下的城市交通流量预测模型安全建构

在城镇化演变进程中,汽车数量增加交通拥堵的问题越来越严峻,交通流量数据预测是交通管理和调控过程中尤为重要的环节,涉及到能否精准得到短时交通流量预测数据.交通流量是时变性、多变量较强的复杂掺量,基于神经网络模式的城市交通安全流量预测模型建构,有助于提高交通流量预测模型精度,对于交通安全信息管理网络的建设具有现实意义.     

混合神经网络挖掘模型在交通流量预测中的研究

交通流量预测是交通控制与交通诱导的关键技术,然而对于实现准确流量预测的可靠知识隐藏在大量的交通数据之中,需要对海量数据进行挖掘以发现潜在流量变化规律.传统的交通流量预测主要依靠专家经验对数据进行类别标记,其预测结果受到专家知识限制的影响较大.为了减轻人为因素的影响,提出一种混合智能数据挖掘的交通流量预测模型.首先利用自组织神经网络(SOM)的无监督学习方式实现海量数据类型特性的自动标识,降低对专家经验的依赖度;其次采用改进遗传算法(GA)优化模糊神经网络(FNN),对标识数据进行学习,建立交通流量预测模型.通过对智能交通系统(ITS)的实际数据进行分析,结果表明本文所提出的数据挖掘方法准确有效,预测精度达到95%,比不使用遗传算法优化提高了近8%.     

一种改进的短期交通流量预测算法研究

短期交通流量预测已经成为智能交通系统的重要研究领域。为了进行流量动态分配,积极有效地运行交通管理系统,必须要准确估计交通流量。在预测短期流量时,近期流量信息显然对将来短期流量预测具有重要的预示作用,即应该考虑取决于交通流量数据时差的相对重要性。文中提出一种新的短期流量预测模型：基于在线学习的加权支持向量回归模型( OLWSVR)。 OLWSVR模型与多种知名预测模型(包括人工神经网络模型、局部加权回归模型、传统的支持向量回归模型,及在线学习支持向量模型)进行比较。结果表明,文中模型的性能优于其他当前模型的性能。     

5G时代对城市智能交通建设的途径探索

交通作为一个城市建设的重要基础，交通建设好坏直接关系到城市的方方面面，同时也与居民的生活、工作息息相关。从当前各个城市交通建设情况来看，大部分城市都已经建立了相对较为完善的交通系统网络，但因为管理、技术等方面的欠缺，现有交通系统面临的压力正在逐步增大，城市拥堵问题已经成为大部分城市面临的共同问题。5G时代的全面到来，各种新兴技术的不断应用，智能化建设、智慧化建设就成为各行各业发展的主要方向，城市交通自然也不例外，通过智能交通建设解决当前城市交通困境就成为社会各界共同关注的焦点。基于此，本研究针对智能交通概念进行分析，并结合5G时代信息技术发展动态，提出几点城市智能交通建设的措施与建议，仅供参考与借鉴。     

基于PSO优化Bi-LSTM的交通流量预测

针对城市交通流量强随机性的问题,为克服非线性和时变特点的影响,提出了基于粒子群（PSO）优化双向长短时记忆网络（Bi-LSTM）的交通流量预测模型,达到城市交通流量高精度预测效果。首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过对比实验分析,验证了该交通流量预测模型具有更优的性能。     

基于时空相关性的短时交通流量预测方法

新一代智能交通系统的智能出行、交通大数据智能化决策需要精准及时的短时交通流量预测,深度学习通过机器学习技术自身产生特征,可为短时交通流量预测提供解决方法。以深度学习模型为基础,提出一种结合Conv-GRU和Bi-GRU的短时交通流量预测方法,利用卷积-门控循环单元提取交通流量的时空特征,通过双向门控循环单元提取交通流量的周期特征,将提取的特征进行融合得到交通流量的预测值。实验结果表明,该方法能够准确地预测短时交通流量,与Conv-LSTM方法相比,收敛速度较快,具有更短的运行时间。     

基于改进在线极限学习机的短时交通流预测模型研究

交通流信息预测是智能交通系统进行交通疏导管理的重要基础,为城市交通管理规划提供可靠的数据支持和科学的决策依据。由于交通流量数据是实时更新的增量流数据,每次更新历史数据集时都需要重新构建预测模型,消耗了大量计算资源和运行时间,为此提出一种基于改进在线顺序极限学习机的交通流预测模型（IOS-ELM）,通过构建新增数据的增强特征映射关系,生成交通流动态更新特征表示空间,实现短时交通流预测模型的动态更新。利用长沙市远大一路交通流数据评估该模型,实验结果表明,IOS-ELM模型在NRMSE和MAPE的预测性能上均超过其他基准预测模型（MLP、ELM、OS-ELM和SVR）,同时模型的预测耗时较小,可以保证一定实时性,满足城市道路交通流的实时准确预测的需求。     

基于增加动量项方法优化的交通流量预测算法

交通流量预测是智能交通系统的核心内容,系统中多个功能的实现都是以其为基础。针对城市路网中交通流量的时域性以及准周期特性,提出了一种基于改进小波神经网路算法的交通流量预测方法。利用具有时域分辨能力的小波神经网络对流量信号进行分类,以实现对交通流量的预测;采用加动量项的方法对网络权值及参数进行修正,避免了神经网络训练时收敛缓慢以及陷入局部极小。通过仿真实验验证,提出方法可实现对交通流量的准确预测,并且可以有效地提高网络学习率。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

面向交通流量预测的时空超关系图卷积网络

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象（如站点、传感器）之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络（STHGCN）预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络（STSGCN）等时空预测模型,STHGCN在均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。     

分段学习的双隐层BPNN对交通流量预测的研究

智能交通系统可有效解决城市道路的拥挤,交通流量的预测是智能交通系统的关键技术之一。在各种预测方法中,BP神经网络的应用最普遍,并取得了许多成果。为了进一步提高BP神经网络的预测精度,采用了基于分段学习的双隐层BP神经网络对济南市经十路的交通流量进行了预测,并与相同结构未使用分段学习方法的BP神经网络预测所得结果进行了比较。实验数据显示采用分段学习的方法比未采用该方法的所得结果平均相对误差减少了2.52%。因此分段学习的双隐层BP神经网络可应用于预测道路交通流量。     

视频图像处理技术在智能交通系统中的运用

交通对城市的发展有着重要影响,随着经济的快速发展,我国的城市交通的智能化得到了进一步提高,许多城市的交通都由传统的交通转变成了智能交通。近几年,智能交通系统中的视频图像处理成了人们探讨的热点话题。为了使智能交通更好的为城市服务。本文首先,对视频图像处理技术进行了介绍;其次,通过图形处理技术在电子警察系统中的应用进行了阐述;最后,对图像处理技术在智能交通系统的应用进行了详细分析,希望文章内容对相关工作人员能够有所帮助。     

基于PTIDES的一种分布式交通系统模型研究

近年来,随着机动车辆地不断增加,交通阻塞现象越来越严重,因此人们开始关注对交通控制系统的智能化研究;但大多数智能交通系统的研究多半是基于单个节点(单个处理器)基础之上,对于系统的扩展具有一定的局限性;提出一种基于PTIDES的分布式多节点智能交通系统模型,多节点包括交通流量采集节点、交通流量分析节点和交通信号控制节点(交通灯),3个节点既相互独立又相互协作,共同完成对交通信号的智能化调整。     

基于RFSIM的智能交通系统研究

以RFID与SIM卡相结合技术原理为基础,提出了一套城市智能交通信息管理系统模型,该模型用来解决城市交通管理中的一系列经典难题.该模型结合了射频技术、短时交通流预测方法、路网状态判别技术以及数据库技术,能获取、分析并处理路网交通信息,并能够实时监控交通流量、车辆信息以及交通状况,并可通过手机屏幕或STK语音短信实时将路网信息通知车主.该系统有利于解决城市交通拥挤状况,有效提高路网的通行能力.最后,本文从现实应用出发,以手机RFSIM发展为切入点,分析了此系统的优势和前景,进而论证了基于RFSIM的智能交通系统的可行性和有效性.     

智能交通产业发展之各抒己见

面对当今世界全球化、信息化的发展趋势,传统的交通技术和手段已不能满足社会的发展需求。智能交通系统将会是我国交通事业未来发展的必然选择,引领全球交通事业爆发一场变革。在中国,十几年来,智能交通的发展,大体上经历了从体系框架的制定,示范城市的建设,到目前各级城市全面展开智能交通系统建设等几个过程。在科技创新的引领和推动下,中国智能交通技术的研究开发和应用取得了瞩目的成就。在城市交通管理、高速公路监控、电子收费、公众服务以及决策支持等方面开始发挥越来越重要的作用。如下记者从缓解城市交通拥堵困局、推动车联网及智能交通未来发展等三个方面入手,将行业专家的观点做一整理。     

多视角融合的时空动态图卷积网络城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联.2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,本文提出了一种多视角融合的时空动态图卷积模型用于预测交通流量.首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性.其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征.接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测.最后,在四种真实交通数据上的实验结果证明了本文模型的有效性和准确性.