道路网交通流状态变化趋势判别方法

根据城市快速路交通流参数实测数据所表征的交通流状态特性,结合基本图和三相交通流理论,将道路网交通流状态划分为自由流状态、拥挤流状态和阻塞流状态.在此基础上,采用模糊信息粒化的思想,以道路网检测断面数为窗口,设计三角形模糊隶属函数,将同时段的道路网交通流状态映射为含有低边界值L、中值R和高边界值U三参数的模糊信息粒.以模糊信息粒为输入,建立Elman网络模型预测交通流状态变化趋势.依据预测结果计算道路网交通流状态综合指数,判别未来时段道路网交通流状态,并以北京市某一区域路网为例进行实证性研究.研究结果表明:所提出的方法能够实现道路网交通流状态变化趋势判别,准确率为93.33%,同等条件下支持向量机模型判别准确率仅为86.67%.     

用于短时交通流预测的多项式分布滞后模型

提出了用于短时交通流预测的多项式分布滞后模型.其建模思想是交通状态时间序列同时受自身滞后项之外的多个因素影响,并且影响分布到了多个时段.通过与ARIMA模型(自回归整数移动平均模型)的预测精度对比分析,表明PDL（多项式分布滞后）模型具有与ARIMA相同的预测精度,而在模型可移植性、算法复杂性和实现方面更具优势.研究结果为短时交通流预测理论提供一种新的研究思路.     

基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测

为了提高短时交通流速度预测的精度,提出一种基于改进天牛须算法优化的确定性跳跃循环状态网络的交通流预测模型.首先对交通流速度序列进行浑沌性分析,重构序列的相空间,将对交通流速度序列的研究映射到其所在的相空间中进行;然后引入变步长因子和模拟退火技术对天牛须算法(beetle antennae search,BAS)进行改进,并以改进算法优化确定性跳跃循环状态网络(cycle reservoir with regular jumps,CRJ)的参数构建预测模型;最后通过实例对比分析模型的有效性.结果表明:通过相空间重构对交通流速度序列处理,能够挖掘序列内部的动态特性,使之更加适用于网络的建模;所提模型的预测结果同对比模型相比,平均绝对百分比误差下降了1.05％ ～6.04％,有效地提高了短时交通流速度的预测精度.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

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。     

高速公路旅行时间的自适应插值卡尔曼滤波预测

为解决高速公路收费站间非平稳交通流状态下因卡尔曼滤波算法自适应性能差而导致的旅行时间预测精度不稳定的问题,提出等间距插值和Sage-Husa自适应卡尔曼滤波相结合的预测算法。融合人工半自动收费和电子不停车收费数据计算平均旅行时间;引入等间距插值方法重构实时与历史旅行时间之间的时间序列;利用最小二乘法原理构建Sage-Husa自适应预测模型;开发旅行时间预测应用系统,实时主动预测高速公路站间旅行时间。在某示范路段的应用表明:在正常、事故、小长假3种交通流状态下,所提方法的所有周期平均相对误差均在7.5%内,事故周期平均相对误差均在10%内.     

基于粒子群优化投影寻踪回归模型的短时交通流预测

针对短时交通流数据的高度复杂性、随机性和非稳定性,为了进一步提高短时交通流预测的精度,提出一种基于粒子群优化投影寻踪回归模型的短时交通流预测方法。通过灰色关联度分析确定交通流预测影响因子,然后采用粒子群优化算法构建非参数投影寻踪回归模型,并利用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析。实验结果表明:PSO-PPR模型的短时交通流预测效果明显提高,其平均预测精度分别比ARIMA模型和BPNN模型提高37.8%和27.2%。     

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。     

基于特性和影响因素分析的短时交通流预测

可靠的短时交通流预测是智能交通系统的重要基础。为了提高短时交通流预测的预测精度和对于不同交通状态的适应性,在分析了交通流特性以及时空二维影响因素的基础上,提出了一种组合预测模型,使其能够综合反映这些特性和影响因素。该组合预测模型包括时间序列模块、空间相关模块和组合预测模块三个子模块。单项预测模型包括自适应单指数平滑模型和RBF神经网络模型,组合系数是以两个单项预测子模块的平滑百分比相对误差作为输入,以神经网络作为学习算法自适应地得到。最后通过平峰和高峰时段实测的交通流量数据来验证模型的有效性和可靠性,结果表明:该组合预测模型的预测精度高于单项预测模型各自单独使用时的精度,且对于不同的交通流状况具有较好的适应性。     

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.     

新增车辆通行拥堵预测模型

为对新增车辆的通行拥堵进行预测,首先使用K-Medoids聚类算法将交通流运行状态划分为顺畅、阻滞、拥堵三类,然后引入交通流特征参数构建累积Logistic回归模型量化新增车辆对路段运行状态的影响,最后基于支持向量回归机预测新增车辆通行时间。研究结果表明:当只考虑车流量、限行时段和二者之间的交互作用时,模型预测道路状态的正确率达到82.36%,此时车流量在非限行时段每增加一辆车,发生比从顺畅状态转为非顺畅状态的概率是原来的1.087倍;当考虑车流量、黄牌车比例、限行时段、外地车比例及后两者的交互作用时,模型预测通行时间MSE最小,预测效果最优。     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

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CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.     

基于回声状态网络模型的短时交通流混沌预测

为了提高短时交通流预测的准确度,提出基于回声状态网络模型的短时交通流混沌预测方法;利用C-C法计算相空间重构的延迟时间和嵌入维数;利用遗传算法对回声状态网络模型进行参数寻优,进而构建基于遗传算法的回声状态网络模型;采用城市快速路实测数据进行实验验证和对比分析.结果表明,所提出方法的预测效果明显优于支持向量机模型、小波神...     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

基于核函数的混沌交通流预测

采用一种基于核函数的局域线性预测算法进行城市短时交通流预测．在对混沌时间序列进行重构的基础上,利用径向基核函数将相空间中邻近点投影到更高维的核空间,然后在核空间中用线性自适应算法对时间序列进行预测,现场数据的试算结果表明,该方法能有效提高短时交通流的预测精度．