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%.     

小波支持向量机在交通流量预测中的应用

交通流量预测是智能交通管理系统的基础,预测某段单位时间内交通流量,难以准确刻画交通流量的时变性、突发性和非线性等变化规律,传统方法使交通流量预测精度低.为了提高交通流量的预测精度,提出小波分析的支持向量机预测模型,并应用于交通流量预测中.模型首先对交通流量进行小波分解,使交通流量平稳化,得到交通流量信号的高频和低频部分,采用支持向量机进行预测,最后将高频和低频部分的预测结果采用小波重构,获得最终预测值.仿真结果表明,小波支持向量机模型提高了交通流量预测精度和预测速度,为交通流量准确预测研究提供了依据.     

粒子群优化RBF神经网络的短时交通流量预测

根据交通流量数据具有非周期性、非线性和随机性等特点,为了更准确地对交通流量进行预测,实现交通智能控制和规划是主要问题.交通流量预测中存在容易陷入局部极小值、收敛速度慢,泛化能力差等问题,影响了交通流量预测的实用性和准确性.提出基于粒子群(PSO)优化RBF神经网络的交通流量预测方法.利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对短时交通流量进行仿真预测,仿真结果表明,PSO算法优化的RBF神经网络具有较高的预测精度,比RBF预测模型精度高、收敛快.PSO算法优化的RBF神经网络,适用于短时交通流量预测,预测精度较高,具有推广应用价值.     

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。     

融合多视图注意力机制的城市交通流量补全

交通流量信息是智能交通系统和城市计算的重要基础.交通流量数据作为新型时序数据,由于数据的采集方式和外部复杂因素的影响,使得数据缺失现象是常见且无法避免的.如何有效地挖掘交通流量数据的时空特性和数据间的关联成为了提高缺失数据补全精度的关键.传统的统计学方法不能满足日益增长的数据需求,深度学习的应用推动了缺失数据的补全方法向更高的精确度发展.文中深入分析了交通流量的时间特性和空间分布,对交通流量的缺失情况进行了假设,提出了一种UMAtNet(U-net with Multi-View Attention Mechanisms)交通流量补全模型.该模型将短期的、趋势的、周期的时间数据与空间数据融合,同时采用不同的数据相关性测量方法,融合了一种多视图注意力机制,能够优化模型对缺失部分数据空间相关性的影响.为了验证模型的有效性,文中使用北京交通轨迹开源数据集进行实验,并在实验中详细地分析了模型各部分和损失函数对补全精度的影响,实验结果表明,UMAtNet和相应组件融合能进一步提高补全精度.     

基于AOSVR的交通流预测及参数选择

实时、准确的交通流量预测是智能交通系统发展的关键.AOSVR是一种支持向量机的在线更新算法,具有模型在线学习的特点,可应用于交通流量的实时预测,其中模型参数的选择是预测性能的关键因素.利用大连SCOOT系统采集的实时数据,通过训练集求解AOSVR的不敏感损失系数ε和惩罚参数C,形成自适应参数选择的AOSVR方法.仿真结果表明该方法能够满足动态路网交通流量预测的实时性和精确性需求,具有一定的应用价值.     

基于小波分析的交通流量异常数据检测*

针对交通拥堵成为制约城市经济和社会发展的这一“瓶颈”,从提高交通控制系统性能的角度来解决城市交通拥堵问题。首先采用小波分析,交通流量数据的高频与低频分量分离;其次,求得原始信号与重构信号的差值;最后,结合最小二乘法找出数据中的异常点。通过对实际道路的交通流量进行实验,验证了该方法能准确地检测出交通流量中的异常数据,使误判率和漏判率都得到极大的降低,为实际的交通信号控制系统提供可靠的数据。     

基于小波变换的城市市区典型路段交通流量预测

提出一种基于"先分-独立预测-再合"思想的新型交通流量预测模型.其应用小波变换技术,对交通流量数据进行分解和重构,将得到的低频概貌信号和高频细节信号,分别用3次平滑指数和ARIMA进行拟合,并应用逐步回归方法建立基于原始交通流量数据,以及高、低频拟合信号的回归方程.对某城市市区典型路段交通流量数据进行验证分析,结果表明,该方程具有较高的拟合精度,优于ARIMA单独使用的效果.     

基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。     

基于物联网的交通流量监测系统设计研究

研究交通流量监测系统问题,由于车辆运动流程难以准确且实时监控,各种类型车辆识别度低,已有的交通流量监测系统存在的采集数据分散,以及需采用复杂图像处理和分析算法从复杂背景中提取有用信息,存在监测性能受限,实时性准确率低等问题.为解决上述问题,提出设计一种物联网技术的交通流量监测系统.采用ZigBee无线通信技术、MODEL,2420三轴加速度传感器和CC2430处理器等组成的硬件平台,收集系统所需的核心数据.简化网络体系结构及相关的协议机制,依据系统采集实时数据进行仿真.仿真实验结果表明建立系统可以高效率、高性能地监测区域内的车辆类型并进行实时分类标识,为车辆行动实时定位和交通流量监测系统的设计提供了有效依据.