道路交通流短时预测方法综述

道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础,中长期预测预报可为交通规划、交通管理措施的制定提供科学依据。本文概述了道路交通流预测方法的发展历程,分析比较了各预测模型的优点、缺点及适用情况,给出了道路交通预测的一般流程。简介了模型的应用情况,提出交通流量预测今后可能的发展趋势。     

基于时空联合学习的城市交通流短时预测模型

时空联合分析可反映研究对象在时空维的变化规律,对揭示区域过程的时空交互关系和机制具有重要意义。聚焦时空联合特征的学习与交通流物理特性的建模问题,提出一种层次化的动态网络模型JST-DHNet,以融合不同尺度下的时空联合学习与内嵌领域知识学习。利用基于图乘积运算替代以往矩阵拼接方式构建多种时空图结构。结合时空小波变换与时空傅里叶变换,设计2种不同层次的时空同步学习模块,分别学习交通流的全域与局域时空特征。针对交通流的宏观流体动力学性质,通过基于图的广义偏微分方程设计一种新的时空扩散卷积,以学习真实场景下的交通波传播机制。在此基础上,采用注意力机制将不同尺度的时空联合特征进行融合。在4种不同路网规模的真实交通流数据集上进行测试,结果表明,JST-DHNet的预测性能优于采用时空分离式学习模块的预测模型,相比STSGCN时空联合学习模型,JST-DHNet预测精度的平均绝对百分比误差、平均绝对误差和均方根误差分别降低4.46%、6.65%、10.11%,且训练时间缩短近80%。     

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.     

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。     

短时交通流预测模型的网络结构估计

针对神经网络预测模型在预测短时交通流时输入变量选取与隐含神经元数目确立上的不足,提出了一种数据驱动的快速网络结构估计算法.根据交通流的混沌特性,引入相空间重构的思想合理地选择模型的输入变量;再结合快速单调指数估计法迅速计算重构向量的单调指数,并将其值作为隐层神经元个数,继而确立整个预测模型的网络结构.实验结果表明,该算法能有效地估计模型的网络结构以满足短时交通流预测的需要.     

基于云模型的短时交通流预测方法研究

为了提高短时交通流预测的精确性,提出了一种基于云模型的短时交通流智能预测方法.该方法利用云模型拟合交通流,分别用历史交通流和当前交通流建立历史云和当前云,共同生成预测云,用采预测交通流.结合广州市某交叉口交通流量采集数据,进行了仿真试验,以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)两个指标来衡量预测效果,结果表明了该预测方法具有较高的预测精度.该方法既考虑到交通流历史变化,又顾及交通流实时变化,同时将交通流做整体性处理,很好地避开了噪声引起的预测误差问题,兼顾了预测精度和实时性的要求.     

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...     

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。     

基于决策树的城市短时交通流预测

运用决策树对城市道路上下游短时交通流量关系进行了分析，并建立了相应的规则库，得到了一个城市短时交通流的预测方法，为城市交通流控制与诱导提供了良好的基础。     

基于核机器方法的城市交通流量实时预测

对城市交通流量的特征进行了分析，尝试将核机器方法引入这一领域，对交通流量进行实时预测。综合比较了核机器方法与人工神经网络法的预测效果，同时展示了常规核与复合核的性能对比。实验结果表明，复合核的性能与Sigmoid核和Gaussian核大致相当，稍优于单一的核，为交通实时控制与诱导提供了参考。     

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。     

基于指数平滑和马尔可夫链的短时交通流量预测

短时交通流预测是智能交通系统研究的一个重要问题．由于指数平滑法在对实测数据进行拟合时,预测精度不高,本文针对这一问题将指数平滑理论与马尔可夫链相结合,提出了指数平滑马尔可夫短时交通流量预测方法,借助于马尔可夫链来解决利用指数平滑法预测中存在的问题来缩小预测区间、提高预计算各状态加权中心及状态转移概率矩阵,以此来提高未来状态预测精度．采用实测交通流量进行仿真实验,结果表明,本文方法比常规指数平滑法具有更高的准确性,而且具有较强的适应性．     

基于时序分析的网络业务分析与预报

随着网络应用的迅速发展，提供保证一定质量的通信服务(QoS)成为一个重要的研究方向，而网络业务的分析与预报是保证QoS的关键技术。分析了天津市163，169，2163的拨号上网业务在线总时长，应用时间序列分析的方法对网络业务进行分析，并在模型基础上进行准确的预报。其结果对网络容量进行规划并提前进行相应的调整或升级，确保网络的整体运行状况是有意义的。     

一种结合SVM与卡尔曼滤波的短时交通流预测模型

针对短时交通流量的预测问题,提出了一种结合卡尔曼滤波与支持向量机的预测模型.该模型采用预测误差平方和与相关系数极大化准则智能选取恰当的预测方式,综合利用了支持向量机的稳定性与卡尔曼滤波的实时性,发挥了两种模型各自的优势.实验结果表明,该模型误差指标均低于单项预测模型.特别地,该模型在高峰时段的预测性能最佳,平均相对误差保持在8％以内,是短时交通流预测的一种有效可行的方法.     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络（FCMAC）将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

模糊小脑模型神经网络在短时交通流预测中的应用

模糊小脑模型神经网络(FCMAC)是将模糊理论引入小脑模型网络则形成的一种新型网络。在研究FCMAC算法的基础上,将FCMAC算法应用于短时交通流预测问题。通过仿真实验,并与BP和RBF方法进行比较。结果表明FCMAC方法具有较高精确性和一定的应用价值。     

基于模糊推理的无检测器路口短时交通流预测

短时交通流预测是交通诱导与控制的关键技术之一.针对目前无检测器路口交通流预测研究相对较少的情况,提出了一种基于模糊推理的无检测器路口交通流预测方法,即在研究交叉口相关性的基础上,确定关键路口,通过模糊化交通流数据得到无检测器路口与关键路口的模糊关系,接着用模糊推理法得到关键路口对无检测器路口的流量查询表,无检测器路口的流量预测直接由流星查询表得出.采用该方法对合肥市实际路口的交通流量进行预测,实验结果证明了该方法的有效性、可行性.