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。     

基于神经网络的行驶时长预测

定位设备的普及产生了海量的车辆行驶数据,使得利用历史数据预测车辆行驶时长成为可能.车辆行驶数据由两部分组成:车辆行驶经过的路段序列信息和出发时段;路径总长度等外部信息.如何提取路段序列特征,以及如何将序列特征与外部特征有效地融合,成为预测行驶时间的关键问题.为解决以上问题,提出了一个基于Transformer的行驶时间预测模型,模型由路段序列处理模块和特征融合模块两部分组成.首先,路段序列处理模块使用自注意力机制处理路段序列,提取路段序列特征.该模型不但可以充分考虑各条路段与其他路段间道路速度的时空关联性,同时可保证数据并行输入模型,避免了使用循环神经网络时数据顺序输入导致的效率低下.其次,特征融合模块将路段序列特征与出发时段等外部信息相融合,最终获得预测的行驶时长.在此基础上,统计路口连接的路段数作为路段的上/下游路口特征,与路段特征结合输入模型,进一步提升了行驶时长的预测精度.在真实的数据集上与主流预测模型进行的对比实验表明,该模型在预测精度以及训练速度上均有提升,体现了所提模型的有效性.     

基于收费数据的高速公路交通状态判别方法

目前高速公路交通数据资源未得到充分利用,使得管理和建设成本较高的高速公路联网收费系统只能实现车辆记录、联网收费等初级功能,导致交通数据资源的严重浪费.为此设计了基于高速公路联网收费数据的路段行程时间估计方法,提出以大、小车速度变化情况为基础,采用模糊C-均值聚类方法对高速公路交通状态进行判别,并应用VISSIM软件分别对上述两种方法验证分析.结果表明,路段行程时间估计方法能够获得高质量的路段行程时间数据,同时交通状态判别方法也能够准确判别出道路上所呈现的交通状态,可为历史数据更新提供技术支持,为高速公路交通管理部门提供精确的决策依据.     

基于Elman神经网络的污染源数据预测

为了给环境保护决策提供有价值的预测数据,提出利用Elman神经网络建立污染源数据预测模型的方法,以大气中的主要污染物SO2为例,用预测模型表征SO2的浓度和气温、相对湿度、风速、时间等影响因子及其历史数据之间的复杂关系.使用训练后的模型对数据进行模拟仿真,结果表明所建立模型的计算输出值与实际样本数据有着较好的一致性,模型预测效果优于基于BP神经网络的预测模型.     

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％.     

卡车路段行程时间的实时动态预测

分析了建立卡车路段行程时间预测模型传统方法的不足,考虑到高度非线性的露天矿运输系统有别于公路交通系统,针对卡车运行时间的随机性,采用多因子预测,阐述了应用人工神经网络(ANN)原理和方法对卡车路段行程时间预测的可能性和优越性,建立了预测模型的基本结构,描述了行程时间与其影响因素间的非线性映射关系,从而提出了基于人工神经网络原理的行程时间预测模型。     

基于SV模型的行程时间预测

行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。     

基于模糊神经网络的短时公交到站时间预测

研究了中国公交运营特点,利用全球定位系统和电子票务收费系统收集的车辆实时信息,建立了路段和站点补偿模糊神经网络模型,分别预测车辆的路段行驶时间和站点停留时间.路段预测模型的输入是所有重合线路的站点行驶数据,改变了现有预测模型只采用单线路数据的不足.以济南市一条实际公交线路为例,利用VISSIM模拟专用道和非专用道两种道...     

基于深度学习的高精度交通流量大数据预测

为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.     

基于行程数据的公交车到站时间预测

为向乘客提供较为准确的上下车时间参考,解决长距离预测中误差累积明显的问题,构建基于双层、双注意力、双向长短期记忆(LSTM)神经网络的公交车到站时间预测模型,提出一种基于行程数据的公交车到站时间预测方法.以广州市B2路、 560路公交车工作日的实际运行数据为例,对该预测方法进行精度验证.结果表明,由该模型所预测的行程时间,其平均绝对百分比误差为8.09%,在长距离到站时间估算上,15个站点的预测误差可保持在4.00 min左右.