基于模糊C均值聚类和随机森林的短时交通状态预测方法

交通拥堵长期以来是城市面临的主要问题之一,解决交通拥堵瓶颈刻不容缓。准确的短时交通状态预测有利于市民预知交通出行信息,及时采取措施避免陷入拥堵困境。该文提出一种基于模糊C均值聚类(FCM)和随机森林的短时交通状态预测方法。首先,利用一种新颖的融合时空信息的自适应多核支持向量机(AMSVM)来预测短时交通流参数,包括流量、速度和占有率。其次,基于FCM算法分析历史交通流,获取历史交通状态信息。最后,利用随机森林算法分析所预测的短时交通流参数,得到最终预测的短时交通状态。该方法在融合时空信息的同时采用随机森林算法应用于短时交通状态预测这一全新的研究领域。实验结果表明,FCM对历史交通状态的评估方式适用于不同的高速路和城市道路场景。其次,随机森林比其它常见的机器学习方法具有更高的预测精度,从而提供实时可靠的短时交通出行信息。     

基于KNN-LSTM短时交通车流量预测方法的研究

针对当前现有预测模型在智能交通短时车流量预测过程中无法有效预测交通流序列规律、不能在车流量预测时充分利用交通流的时空相关性,以及循环神经网络存在梯度消失和爆炸的问题,提出了一种基于KNN(K-最近邻)和LSTM(长短时记忆)相结合的短时交通车流量预测方法。实验研究表明,该模型能够更好且有效地提取到交通流序列的时空特性,以及解决循环神经网络在短时交通流预测过程中存在的相关问题。     

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。     

改进RNN的城市交通拥堵预测模型研究

准确的交通流状态识别是智能交通管理与控制的基础,针对城市交通网络中拥堵预测问题,使用一种基于深度学习网络的预测模型,通过对全天路面交通流数据的研究分析,得到对交通拥堵状态的准确判断及预测。通过利用改进RNN循环神经网络算法,对已有数据进行学习判断拥堵路段的数据序列,同时获取可表征数据深层特征的隐层参数。利用RNN模型在时间轴上的作用,根据可表征拥堵序列对交通拥堵状况进行预测。通过多次仿真实验,结果显示对交通拥堵时段预测准确率最高达到88%。预测模型在基于交通流数据的拥堵预测中具有更好的预测性能。     

基于模块化交通流组合预测模型

短时交通流预测是智能交通系统的核心能力组件之一,为城市交通管理、交通控制和交通引导提供智能决策支撑。针对交通路网交通流呈现的非线性、动态性和时序相关性,提出一种基于模块化的交通流组合预测模型ICEEMDAN-ISSA-BiGRU。采用改进的基于完全自适应噪声集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)方法对交通流非线性时间序列进行分解,获取本征模态分量(Intrinsic Mode Functions,IMF);利用双向门控循环单元(Bi-directional Gate Recurrent Unit,BiGRU)挖掘交通流量序列中的时序相关性特征;基于动态自适应t分布变异方法改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA),实现对BiGRU网络权值参数的迭代寻优,避免了短时预测结果陷入局部最优;基于公开PeMS数据集对短时交通流预测性能进行性能评估与验证。实验结果表明,所提组合模型的短时交通流预测性能优于10个传统模型,改进后的交通流量预测平均绝对误差(Mean Absolute Error,MAE)指标接近10.98,平均绝对值百分误差(Mean Absolute Percentage Error,MAPE)指标接近10.12%,均方根误差(Root Mean Square Error,RMSE)指标接近12.42,且在不同数据集下所提模型具有较好的泛化性能。     

物联网智能交通平台研究

随着社会经济的发展,汽车保有量的不断攀升,道路交通路网又不能无限制的拓宽,进而出现交通管理困难的局面.为适应经济的发展,解决交通的拥堵、交通污染等问题,基于现状的智能交通结合物联网关键技术提出构建一种智能交通物联网系统网络体系,在这种体系的指导下能有效的对道路交通路网的机动车辆实行有效的监管,能实时的提供各种交通信息服务,将道路交通路网服务水平提高.而且在智能交通物联网系统平台下能实现交通信息资源的共享,能实现"物物相连"、"车车相连"等,能通过系统的相关感知设备感知获取交通物理时间及其信息.     

应用手机GPS数据预测交通流速度

准确估计交通状况，定位交通拥堵是方便人们出行的重要一步。利用手机GPS信息，预测交通拥堵具有很广阔的应用前景。本文采用基于主成分分析的多元线性回归的方法构建预测模型，利用GPS定位数据对短时交通流速度进行预测。实验结果表明，基于手机GPS数据所构建的回归模型能够对交通流速度进行有效的预测。     

基于深度LSTM与遗传算法融合的短期交通流预测模型

短期交通流预测是交通优化控制和智能服务的基础。由于交通流日内波动性明显,使用单层长短期记忆网络(LSTM)存在泛化能力不足的问题,堆叠多层LSTM易导致模型难以快速收敛。通过对LSTM神经网络架构的优化设计,提出一种深度LSTM与遗传算法融合的交通流预测模型GA-mLSTM。首先,采用遗传算法(Genetic Algorithm, GA)对LSTM层数、Dense层数、隐藏层神经元个数和Dense层神经元个数进行优化,确定GA-mLSTM模型的网络结构设计和最优参数;然后,基于GA-mLSTM模型的预测结果,使用差分运算对预测误差进行修正;最后,利用公开数据集对交通流预测性能进行评估并验证,实验结果表明：GA-mLSTM模型采用3层LSTM神经网络结构,融入遗传算法和差分计算后,能有效捕获路网交通流的波动特性,可以实现更准确的交通流预测。     

基于N阶近邻路网的车辆行程时间估计模型

车联网的提出为智能交通的研究提供了新的交通信息收集技术.针对短时交通中车辆的路网行程时间估计问题,提出了基于N阶近邻的隐马尔科夫模型,利用马尔科夫性质来解决道路行程时间的前后关联性问题,同时考虑不同道路的异构性构建了N阶近邻路网模型来模拟路网间的交互影响.针对短时交通中实时数据更新的问题,提出基于道路关联性算法,并结合车联网的采集技术给出了迭代更新模型的方法.实验表明,本文提出的方法在短时交通车辆行程时间预测中精度较高,能够在车辆行进中做出实时预测.     

基于卡口数据的城市道路交通空间相关性分析

在短时交通流预测中,道路交通空间相关性是客观存在的.现有研究在度量道路交通空间相关性上,通常采用时间序列数据直接进行统计分析,或是假定一定距离内具有空间相关性等.但这些方式忽略了道路之间交通影响的空间异质性.在卡口数据中,由于车辆牌照的唯一性特性,不仅可以计算出研究路段的交通流时间序列,还能得到每辆车的行驶轨迹.本文通过车辆轨迹,得到流量转移权重矩阵和不同卡口数据量化的网络权重矩阵,构造一个新的网络权重矩阵,度量城市道路之间的空间相关性,然后进行短时交通流预测及效果比较,验证了方法的可行性和有效性.     

基于物联网和公交线路的动态路网交通流采集

为了基于路网交通流信息实现动态路径诱导系统,提出通过物联网和公交线路进行路网交通流信息动态采集方案。在各公交站台安装RFID读写器,每辆公交车粘贴RFID电子标签,通过站台子系统采集运营公交车辆到站时间,利用Zig Bee技术将公交车辆、站台系统和交通管理中心连接起来,将运营的公交车辆到达每个站点的时间传递给交通管理中心,交通管理中心根据公交车辆预计到站时间与实际到站时间的延误情况来估计路网交通流,估计出的路网交通流信息可以提供给城市路径诱导系统作为实现动态路径诱导的依据。     

基于VMD-ISSA-LSTM的短时交通流预测研究

针对城市短时交通流随机波动性强、可靠性低、预测精度差等问题,将变分模态分解（VariationalMode Decomposition,VMD）和改进麻雀搜索算法（ImproveSparrowSearchAlgorithm,ISSA）与长短期记忆（LongShort-Term Memory, LSTM）神经网络相结合,建立一种短时交通流预测模型（VMD-ISSA-LSTM）。首先利用VMD对历史原始交通流数据进行分解;然后采用佳点集、正弦函数扰动和Tent混沌映射等策略对标准的SSA算法加以改进,增强ISSA算法的寻优能力;最后,将每个分量送入ISSA-LSTM中进行预测,同时将预测结果线性叠加,得到交通流量预测值。以上海市中山北路-曹杨路口2018年11月1日—30日的历史交通数据对模型进行验证。结果表明,与LSTM、VMD-LSTM、VMD-SSA-LSTM等传统预测模型相比,VMD-ISSA-LSTM模型的预测结果的平均绝对百分比误差为1.278 4%,能够更好地应用于短时交通流预测中。     

基于图注意力机制的城市路网短时交通速度预测

针对城市路网短时交通速度预测问题,在考虑路网交通状态时空相关性的情况下,提出一种基于图注意力机制的预测方法。该方法利用图注意力网络(GAT)和门控循环单元(GRU)构建了GAT-GRU模型,在路网层面对交通状态的时空相关性进行有效地建模,进而预测路网短时交通速度。以城市道路网的交通速度数据为数据源展开数值实验,结果表明GAT-GRU模型的表现均优于对比模型。     

基于GIS的交通信息发布系统研究

基于GIS的交通信息发布系统的设计与应用主要是将GIS与信息采集发布同交通流的评估与预测模型结合在一起,进而构成智能型交通信息发布系统,为行驶车辆提供直观、准确、实施的交通路况。文章指出基于GIS的交通信息发布系统在动态调节交通流方面具有重要作用,并对系统设计及应用进行阐述,为城市道路出行的优化提供帮助。     

考虑级联效应的交通网络关键站点评估及其安全优化

针对道路交通网络中的级联失效可能导致大规模交通瘫痪的问题,模拟道路交通网络中由于站点堵塞促发的级联效应动态行为,建立了道路交通网络级联失效模型.以提高道路交通网络的安全性为目的,给出了增强道路交通网络安全性的优化方法.通过仿真实验结果的对比分析,发现该优化方法能够从很大程度上提高道路交通系统的安全性,对增强道路交通网络安全性具有很大的应用价值.     

基于云模型的短时交通流预测

对云模型的理论知识进行说明,提出用云模型建立短时交通流预测模型,采用成都市路口实测的实时数据,通过平均误差以及平均绝对误差指标(分别为36.5辆和4.8%)来验证基于云模型的短时交通流预测的可行性、实时性以及准确性。     

面向城市交通网络的一种新型动态路径寻优方法

 针对静态路径寻优方法中没有考虑到交通流随时间变化的问题,本文提出一种基于交通流量预测的路径寻优方法.首先,从实际交通路网本身的特点和人类对路网的认识出发,构建以"道路"为基本元素的新型路网模型;其次,采用基于单变量时间序列的预测方法对路网上各路段未来一段时间内的道路交通流量进行预测,并根据预测结果估计出行者在未来时段各路段上的交通代价;再次,通过估计的交通代价把车辆从起点到该路段时间内的道路交通变化状况融入改进A^*算法的路径搜索过程,从而建立一种高效的动态改进A^*路径搜索算法;最后,实例表明预测交通流量与实际交通流量具有很好的拟合度,路径搜索结果能够对出行者起到诱导作用,提高出行者行驶效率.     

基于多任务学习时间卷积网络的路网短时交通速度预测

短时路网交通速度预测是智能交通系统的重要技术。基于深度学习,文章提出了一种多任务学习时间卷积网络（Multi-Task Learning Temporal Convolutional Network,MTL-TCN）,用于预测路网层面的短时交通速度。以广州市路网交通速度数据为数据源展开对比实验,结果表明MTL-TCN模型优于经典方法和深度学习方法。     

基于3G技术的浮动车交通信息采集系统研究

交通拥堵的持续恶化让人们对实时准确交通信息采集需求更加强烈.3G技术能够实现语音、数据、图像和视频等多媒体信息的高速传输,浮动车交通信息采集能够提供大量准确、实时的路网交通流信息.将这两种技术结合并应用于城市交通控制管理,提出基于3G移动通信技术的浮动车交通信息采集系统方案,描述了浮动车数据采集、地图匹配和交通流估算方法.这种新的交通信息采集系统有着建设成本低、实时性强、传输速度高、数据传输量大等优点,能够对传统交通流信息采集方法进行有益的补充.仿真数据显示,系统具有较强的可行性和实用性,在城市智能交通系统(ITS)控制管理领域具有广阔应用前景.     

基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。