基于多维灰色预测模型的短期交通流预测研究

交通诱导和交通控制是智能交通系统的重要组成部分,实时准确的交通流短期预测是交通控制与诱导的前提及关键。以往灰色交通流预测模型采用GM（1,1）模型进行预测。其只利用某路段一个断面单点的交通流量进行该断面的交通流预测,并未充分利用上下游交通流之间的相关性。而有关学者研究表明,短时交通流预测值,不仅要与该段面的单点交通流量有关,而且还与其上下游断面交通流量有关。因此,本文引入MGM（1,n）模型。     

基于回归-卡尔曼滤波组合模型的航道整治区域船舶交通流时空预测

为分析及预测工程不同阶段航道整治区域船舶交通流量变化,通过确立研究断面,获取交通流数据,对研究断面处的船舶交通流时空特性进行分析.基于现有数据,将回归模型预测值替代卡尔曼滤波模型中的状态转移值,建立回归-卡尔曼滤波组合模型,在卡尔曼滤波模型预测具有实时性的基础上,提高预测精度,并利用历史数据进行了预测.预测结果与实际数...     

基于交通流仿真和神经网络模型的交叉口流量预测研究

交叉口是道路交通的关键节点,其流量数据具有明显的非线性特征.本文提出一个两阶段预测模型对交叉口交通流特征进行预测.首先,通过交通流仿真技术对各交叉口进行仿真,并获得仿真流量,然后通过神经网络训练,预测交叉口各流向的交通流量.通过两个阶段不断迭代,校正构建具有高精度、泛化性能强的预测模型.最后,选取贵阳市31个具有代表性的交叉口的流量调查数据作为样本数据,将其中18个交叉口的仿真预测流量和实际观测流量作为神经网络模型的输入/输出因子,通过训练构建神经网络模型并验证模型的有效性.之后,将剩余交叉口的仿真流量数据作为模型的输入,模型输出数据即为修正的交叉口进口道的交通流量分布特征数据.结果表明:该方法具有数据收敛速度快,运算量小等特点,对于交叉口流量数据的预测具有很好的适用性.     

基于混沌理论和MEA-BPNN模型的快速路短时交通流预测

为提高短时交通流预测的精度,在分析北京市二环路实测交通流数据时空特性和混沌性的基础上,利用混沌理论方法对交通流量时间序列进行相空间重构,并基于思维进化算法提出一种改进的BP神经网络模型,将重构的时间序列数据作为模型输入进行交通流预测。结果表明,基于该模型的预测结果与基于传统BPNN模型的预测结果相比,均方根误差、平均绝对误差和平均绝对百分误差分别下降31.11%、20.71%和37.28%,证明了模型具有更精确的预测能力。     

基于深度学习的短时交通流量预测

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。     

基于组合模型的交通流量预测方法

随着智能交通系统的蓬勃发展,交通控制和交通流诱导成为智能交通系统(ITS)研究的热门问题,而实现交通控制诱导的关键问题是实时准确的短时交通流量预测,预测的精度直接影响交通控制和诱导的效果.为此,提出基于组合模型的交通流量预测方法,该方法将历史趋势模型和多元回归模型加权组合以建立组合预测模型,并利用加权平均的方法,对较精确的预测值赋予较大的权重,从而提高模型预测的精度.通过对2009年上海城市交通流量预测结果的分析,证明该方法可提高预测准确度.     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

最优组合预测及其在短时交通流预测中的应用

交通流量预测结果的好坏直接关系到交通控制与诱导的效果,因此,短时交通流预测是先进交通管理信息系统中关键技术问题之一。在简要介绍最优组合预测模型基础上,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现交通流预测模型的最优组合,并利用实际数据通过与单一时间序列模型、线性回归模型、卡尔曼滤波模型及人工神经网络模型的预测精度比较分析,验证了交通流最优组合预测模型的有效性和实用性。     

基于LS-SVM的交通流组合预测模型

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,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

融合多维时空特征的交通流量预测模型

为了精准预测交通流量,充分提取交通流中复杂的线性和非线性特征及其依赖关系,提出了融合多维时空特征的CLABEK模型。其中,由Conv-LSTM、BiLSTM和Dense神经网络分别提取时空特征、周期特征和额外特征(节假日、天气状况以及温度等),并通过将上述模型融合从而全面获取交通流的非线性特征;由卡尔曼滤波提取交通流的线性特征。在公开数据集上的对比实验证明,CLABEK模型在短期交通流预测任务上表现出最好的预测效果。     

基于小波分析的短时交通流非参数回归预测

短时交通流预测是交通诱导与控制的关键技术之一.传统的预测方法难以预测短时状况下具有较强不确定性的交通流.根据交通流信号在不同的时频域空间的不同特性,提出一种组合小波分析和非参数回归的短时交通流预测方法,并对其原理进行了详细分析和描述.首先对交通流时序信号进行多分辨率小波分解,然后对低频和高频分量分别进行单支重构.在此基础上,引入非参数回归对各频率部分分别进行预测,组合各频率空间的预测分量获取预测结果.实验结果验证了该方法的有效性和可行性.     

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法．首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果．此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度．通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力．     

交通量时间序列ARIMA预测技术研究

实时准确的交通流量预测是智能运输系统实现的前提和关键。随着预测时间间隔的进一步缩短，交通流量的不确定性越来越强。作为时域分析方法之一的ARIMA模型，以其理论基础扎实、操作步骤规范、分析结果易于解释的优点，成为时间序列分析的主流方法。文章结合SPSS软件对该预测技术进行研究，并利用某高速公路交通量调查序列进行实证分析。     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

句法视角下城市道路交通的预测研究——以广州市人民路高架桥拆除问题为例

基于空间句法理论中较前沿的NAchoice算法,着眼于我国第一座城市高架桥广州市人民路高架桥拆除问题进行案例分析,为空间句法在中国城市交通预测中的应用提供实证,探寻一种较好拟合实际交通流的预测模型,为路网优化提供参考依据. 论证分析从广州人民南路段交通堵塞原因、拆桥与否对桥下路段车流的影响、人民路段周边主干道交通疏导能力评估等3个方面展开,研究发现:（1）车流量偏大是人民南路段交通堵塞问题频发的原因之一;（2）高架桥的拆除会小幅增加桥底路段车流,但不一定会造成车流量的叠加式剧增;（3）人民路段及其周围主干道分流能力受到质疑,建议等到有较强疏导能力路段建成后,再拆除人民路高架桥;（4）空间句法NAchoice模型与广州市交通流数据具有较好拟合程度,运用该模型进行城市道路交通预测具有可行性.     

基于混沌自适应遗传 ν SVR的城市客运量预测

针对城市客运量预测问题本身所存在的小样本、高维数和非线性等特点,将ν-支持向量回归机(ν-support vector regression,ν-SVR)应用于城市客运量预测.为了提高ν-SVR模型的预测精度和泛化性能,利用基于混沌理论和自适应机制的混沌自适应遗传算法(chaosadaptive genetic algorithm,CAGA)优选ν-SVR模型参数,建立了基于CAGA进行参数优选的CAGA-ν-SVR城市客运量预测模型.结合1978～2008年统计数据进行了仿真预测,结果表明该模型的预测性能优于RBF神经网络模型、GA-SVR模型和GA-ν-SVR模型,平均绝对相对误差控制在2.3%以内,可有效应用于城市客运量预测.     

A Hybrid Forecasting Framework Based on Support Vector Regression with a Modified Genetic Algorithm and a Random Forest for Traffic Flow Prediction

The ability to perform short-term traffic flow forecasting is a crucial component of intelligent transportation systems. However, accurate and reliable traffic flow forecasting is still a significant issue due to the complexity and variability of real traffic systems. To improve the accuracy of short-term traffic flow forecasting, this paper presents a novel hybrid prediction framework based on Support Vector Regression(SVR) that uses a Random Forest(RF) to select the most informative feature subset and an enhanced Genetic Algorithm(GA) with chaotic characteristics to identify the optimal forecasting model parameters. The framework is evaluated with real-world traffic data collected from eight sensors located near the I-605 interstate highway in California. Results show that the proposed RFCGASVR model achieves better performance than other methods.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于卷积神经网络与门控循环单元的交通流预测模型

为对交通流进行多步预测,支持智能交通系统的长期决策任务,一种基于编码器-解码器（encoder-decoder,ED）的卷积神经网络(convolutional neural networks,CNN)-门循环单元(gate recurrent unit, GRU)模型,简称ED CNN-GRU。首先使用CNN作为编码器,对交通流序列进行信息捕捉,再将上述信息通过GRU解码器进行解释并输出。实验证明,对比CNN、GRU单个模型,ED框架有效解决了误差的迅速累积问题。对比其他基准模型,CNN、 GRU模型对于交通流序列的特征提取及解释能力较为优秀。对于未来12个步长的交通流量预测任务,对比其他基准模型,单因素输入情况的ED CNN-GRU模型的均方根误差下降约0.344～6.464,平均绝对误差下降约0.192～0.425。对比单因素输入,多因素输入下ED CNN-GRU模型拥有更好的预测能力。证明了ED CNN-GRU模型在不同输入维度的多步交通流预测中任务中均具有良好的预测能力,为数据获取条件不同的城市提供了一个支持单因素及多因素输入情况的多步交通流预测模型。     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。