基于改进萤火虫算法优化BP神经网络的路网速度分布预测

浮动车数据的挖掘是目前交通领域广泛使用的研究手段之一,基本的BP神经网络也多被用于交通流的预测研究。本文引入小波变换将低频信号和高频信号进行分解和重构,结合改进萤火虫算法寻优速度快、收敛率高的特点对基本的BP神经网络进行优化,构建了路网交通流速度的预测模型。利用城市路网浮动车真实数据对模型进行训练并通过测试数据对模型预测结果进行实证分析,证明模型对特定时刻路网交通流速度预测的准确性相比于基本BP神经网络算法有46.56%的提升,对路网24h内交通流速度预测的稳定性有39.08%的提升。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.     

基于浮动车技术的动态交通拥挤预测模型

利用动态交通信息实现路网交通拥挤动态预测是城市智能交通管理系统的一大关键技术。本文提出一种新的动态交通拥挤预测模型。该模型应用浮动车数据判断路网实时交通流具体状况,结合路网静态拓扑结构,应用多重模糊推理,对路段发生交通拥挤的发生可能性、拥挤程度和形成时间做出预测。现场实测数据表明,该模型具有良好的预测效果。     

基于四分位数对路段速度的预测优化

使用出租车GPS数据作为基础,采用更加合理有效的路段速度作为交通状态参数,分析路网划分后的路段速度时间序列,利用四分位数特性优化算法,提高预测模型的合理性和准确性,并通过真实历史数据验证方法的可靠性.从带有随机性和不确定性的交通流变化中,通过分析找出其中的规律性,以预测未来几个时段的交通流变化.结果表明四分位法既体现出了路段速度的变化趋势,同时削弱了极端值和异常值的影响,能够展现出合理的交通状态变化过程,并且其计算简便,为大规模数据处理有效节省了计算资源.对计算结果的曲线拟合证明了四分位法处理路段速度的可靠性,对交通状态预测具有重要意义.     

基于浮动车数据的交通状态估计精度仿真评价

针对大规模复杂路网条件下基于浮动车数据的交通状态估计精度评价,开发了基于交通仿真软件VISSIM的实时仿真分析方法.以上海市陆家嘴地区的微观仿真路网为例,通过30组仿真实验分析了浮动车比例和数据采样频率对路网覆盖率和平均行程车速估计精度的影响.结果表明:随浮动车比例和采样频率的增加,平均行程车速估计精度与路网覆盖率逐渐提高,当浮动车比例为8%和采样频率为1/10s-1时达到最优.     

基于交通信息提取的区域交通状态判别方法

为了准确判别区域路网的交通状态,提出了基于交通信息提取的区域交通状态判别方法．在分析区域路网交通流宏观特性的基础上,结合区域路网的拓扑结构与交通流特征,提出区域交通状态判别指标体系,并基于可拓学建立了区域交通状态判别模型．以一个主干道区域路网为例,验证了路网交通状态判别方法的有效性．该交通状态判别方法可应用于在线交通状态分析和历史数据库交通运行特征的提取,为交通管理决策提供了基础信息．     

基于固定检测器的区域交通状态判别方法

以固定检测器获得的交通数据为基础,分别建立路段和交叉口交通状态判别模型;考虑不同路段和交叉口对区域路网整体交通状态影响程度的差异性,建立路段和交叉口交通状态的权重计算模型;在此基础上建立区域交通状态的综合判别模型;并分析状态指标P与路网中车辆平均行程速度的相互关系,确定路网P所表示的交通状态级别;最后利用Vissim软件设计包含9个交叉口的典型路网,根据采集的数据对模型进行验证.仿真结果表明:所建立的方法可以有效地对区域交通状态进行判别.     

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％.     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

基于对比度和共识日的交通速度预测

交通速度预测是智能交通系统中研究热点内容之一,准确预测交通速度有助于为出行者提供可靠的出行决策。考虑到路网中交通速度变化的时空关联性和规律性,本研究提出一种基于对比度和共识日的交通速度预测方法。首先,为捕捉短时内速度的变化特征,挖掘道路的空间关联性,构建对比度模型并根据其值更新历史数据的交通状态集;其次,采用K-means方法对更新后的数据集进行聚类,通过Rand指数识别出每簇的共识日,并根据其信息预测交通速度;最后,借助RMSE、MAE和ACC等指标分析了预测方法的有效性。分析结果表明,本研究方法预测准确率达93.8%,预测精度较高,计算速度较快,具有更好的适用性。