基于交通流参数相关的阻塞流短时预测卡尔曼滤波算法

提出一种考虑交通流参数相关关系的卡尔曼滤波算法,实现阻塞流状态下道路网交通流短时预测.在交通流守恒方程的基础上,借鉴偏微分方程求解Lax-Wendroff格式离散的思想,结合阻塞流状态下交通流时间和空间特性及进出口匝道等因素的影响,建立阻塞流状态下交通流短时预测状态空间模型,并设计基于卡尔曼滤波方法的模型求解算法.最后以北京市某一区域路网为例,进行了实证性研究.研究结果表明:所建立的阻塞流状态下交通流短时预测卡尔曼滤波算法由于同时考虑了时间和空间因素,能够使预测平均绝对百分比误差(MAPE)控制在10%以内;平均MAPE仅为7.96%.相同条件下,ARIMA模型和Elman模型预测MAPE分别为19.88%和10.51%.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

基于谱聚类与RS-KNN的城市快速路交通状态判别

为了提高城市快速路交通状态判别的准确性,构建了一种基于谱聚类与随机子空间集成K最近邻(RS-KNN)的交通状态判别模型.以地点交通参数为基础,根据交通流运行特性并结合中国道路服务水平的4个等级,采用谱聚类算法将交通状态划分为4类;然后使用已分类的交通流数据训练RS-KNN模型.通过上海快速路的实测数据完成模型的实验验证和对比分析.实验结果表明,所提出的模型不仅能够提高交通状态判别的精度,而且具有良好的鲁棒性,其判别率比标准KNN模型、BP神经网络模型和SVM模型分别提高7.3%、4.9%和4.5%.     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

引入变化趋势参数的短时交通流预测研究

为了在预测中体现短时交通流序列的变化趋势,提高预测精度,对短时交通流序列变化特征进行研究,将其细分为上升趋势、平稳波动趋势、下降趋势,并运用转折突变法求解变化趋势参数。将变化趋势参数作为一个输入变量,建立径向基(RBF)神经网络预测模型。选取实际交通流序列,计算其变化趋势参数,并对交通量进行预测。研究结果表明:预测结果的最大相对误差为5.72%,小于未引入变化趋势参数预测的最大相对误差;提出的变化趋势参数能体现交通流变化趋势,引入该参数能提高预测精度,该预测方法可行。     

基于权值优化的FCM-MSVM算法及其在高速公路状态判别中的应用

高速公路实时交通状态的准确判别是科学制定交通管理策略的重要基础.本文以实测的高速公路交通流三特征参数的数据作为输入,引入熵权法刻画参数之间重要程度的差异,利用改进的FCM算法对特征参数进行聚类,根据不同交通状态的结果,建立基于多分类器支持向量机的交通状态判别模型,并分别采用网格搜索法、遗传算法和粒子群算法对支持向量机参数进行优化,从而提高模型的判别准确率.最后选取实际数据对本文模型进行验证,判别结果的分类准确率可达96.3980%.     

基于判别分析的高速公路交通安全实时评价指标

为了实时评价交通流变化对高速公路交通事故风险的影响,利用高精度交通流数据建立了高速公路交通安全实时评价指标.提取了美国加州I-880 N高速公路上采集间隔为30 s的实时交通流数据和事故数据,采用Fisher判别分析方法建立交通流参数的线性组合,以判别危险交通流状态.该线性组合被定义为高速公路交通安全实时评价指标,当该指标小于0时,代表危险交通流状态,有发生交通事故的风险;当该指标大于0时,代表正常交通流状态,没有发生交通事故的风险.采用条件logistic回归模型进一步研究了该指标与交通事故风险之间的定量关系.研究结果表明,该指标预测事故的精度为65.7％.另外,该指标每减小1个单位,交通事故风险将提高1.8倍.     

基于特征融合的ARMA短时睡眠状态分析

针对短时睡眠的特点,结合自回归-移动平均模型(Auto-Regressive and Moving Average Model,ARMA)对短时睡眠过程中的睡眠状态变化进行分析研究。以白天短时睡眠中记录的脑电信号为研究对象,首先,从脑电信号中提取了3个与短时睡眠过程相关的特征参数,采用条件概率方法对特征参数进行融合处理,计算得到一个表征睡眠状态的参数;然后,通过ARMA模型分析睡眠状态的变化趋势;最后,采用支持向量机(Support Vector Machine,SVM)方法将整个短时睡眠过程进行了睡眠状态的自动判别,并与人工判别进行比较。结果表明,基于特征融合的ARMA模型显著提高了睡眠状态分析的准确率,7组测试数据得到的平均准确率为88.7%。一方面,特征融合能够有效地提高数据处理速度,为睡眠状态实时检测提供有利的数据处理方式;另一方面,ARMA模型的预测作用,能够分析受试者的睡眠状态变化趋势,为进一步调整和控制睡眠时长提供客观评价依据。     

城市快速路交通流特性分析

基于北京市二环微波检测器所获取的交通流数据,建立了快速路流量?速度和占有率关系模型,拟合得到交通流曲线,据此来研究交通流的运行特征?应用模糊c均值聚类得到自由流?拥挤流及阻塞流3种交通流状态划分结果,从而定量标定快速路上3种交通流状态的区域范围?通过对交通流基本参数时变特性?空间特性以及交通流状态分析,能够全面掌握快速路交通状况,为快速路交通管理提供指导?     

基于神经网络的交通状态模糊判别方法

针对交通流的特点,建立了基于神经网络的交通状态模糊判别方法.综合考虑检测器采集的流量、速度和占有率信息,采用三个模糊规则进行推理,利用具有模糊输出的BP神经网络对交通状态进行评价.利用虎门连升路采集的交通信息对算法进行了验证.研究表明,该方法具有较强的自学习、自组织和自适应能力,不仅可以确定交通的状态,而且可以识别出属于该状态的程度,使判别结果更加具体,为交通状态的判别提供了一种新思路.     

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。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

信息反馈策略对含两车道的双出口路网影响研究

智能交通系统可以实时反馈路况信息以及诱导出行,从而缓解交通拥堵。最早提出的双通道信息反馈策略主要是针对备选路径完全相同的单车道路网模型。针对现有研究的不足,建立了含两车道的双通道双出口路网模型,并通过数值模拟研究了平均速度、车辆数、交通流量以及随机度信息反馈策略对该道路模型中交通流参数的影响。仿真结果表明,平均速度和车辆数反馈策略的引入将降低道路平均流量,相反随机度反馈策略的引入可一定程度的提高道路平均流量,使得路网道路上车辆通行状况更好。故随机度反馈策略用于含两车道的双通道双出口路网较优。     

基于Softmax函数增强卷积神经网络-双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,就需要准确识别和判断交通状态。该文没有采用传统的以车辆速度为基准的预测方法,而是使用TTI交通拥堵系数,该系数的计算基于道路自身的自由流速度,可以让具有不同速度等级的街道都统一到TTI系数上来作为拥堵评价,因此相较以传统的车辆速度为基准的预测方法更能表现出道路的拥堵状态。该文提出了一种改进的深度学习预测模型（CS-BiLSTM）,该模型基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）,并结合Softmax函数增强CNN提取出的交通空间特征信息。深度学习预测模型（CS-BiLSTM）中的S代表的就是Softmax的缩写。使用成都市出租车GPS数据进行验证,结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比C-BiLSTM网络预测框架提升了13%。     

基于两级分解和GRU-AT网络的短时交通流预测模型

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention ,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、 GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。     

Identification Method of Urban Road Traffic Conditions in the Internet of Vehicles Environment

In accordance with the specific deployment way of infrastructure and data exchanging technology in the Internet of vehicles(IoV),the acquiring and calculating method for three basic traffic flow parameters in IoV scenarios,including traffic flow,speed and density,was researched.Considering the complexity of traffic flow and fuzziness of human thinking,fuzzy c-means clustering algorithm based on the genetic algorithm(GA-FCM) was adopted in soft classification of urban road traffic conditions.Genetic algorithm(GA) introduced into fuzzy clustering could avoid fuzzy c-means(FCM) algorithm converging to the local infinitesimal point,which made the cluster result more precise.By means of computer simulation,data exchanging environment in IoV was imitated,and then test data set was divided into four parts.The simulation indicates that the identification method is feasible and effective for urban road traffic conditions in IoV scenarios.     

联合时空特征的交通流参数预测综述

针对交通流参数预测在智能交通系统中的重要性,为寻求更实时准确的预测方法,对联合时空特征的交通流参数预测方法进行综述。以交通时空数据为研究对象,将交通流参数预测方法归纳为统计学习方法、深度学习方法和图神经网络方法。基于这3类方法分别从传统和联合时空特征角度概括了各种方法的研究现状和特点,分析了交通流参数预测的难点。结果表明,联合时空特征的交通流预测方法由于考虑了道路网络中复杂且动态的时空依赖性,相较于传统的同类方法,预测性能有较大提升。最后,从模型输入和模型设计角度,讨论了交通流参数预测未来研究方向。     

降雨条件下城市快速路车速模糊神经网络预测方法

为了提高降雨条件下快速路车速短时预测的准确性,考虑到各影响因素的模糊性以及影响作用非线性变化特点,提出了一个以交通量、占有率和降雨量为输入,以车速为输出的模糊神经网络预测方法.利用上海市快速路的交通流与气象数据确定了最优模型结构,并与自回归积分滑动平均模型、反向传播神经网络模型和支持向量机模型进行对比分析.该方法的预测均方根误差为3.05km·h-1,预测平均误差为3.95%,均优于其他3种方法.     

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.