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IFA优化RBF神经网络的短时交通流预测模型

针对短时交通流不确定性极强引起的预测结果精度低的问题,提出一种改进萤火虫算法(IFA)优化RBF神经网络的短时交通流预测模型(IFA-RBF).该模型通过引入线性递减惯性权重和混沌机制,来改进FA后期存在的易陷入局部极值和种群多样性匮乏的不足,利用IFA优化RBF神经网络的连接权重和基函数宽度,以提升RBF神经网络的短时交通流预测精度.实验结果表明,与Elman、BP、RBF和FA-RBF模型相比,构建的短时交通流预测模型(IFA-RBF)具有更高的预测精度,预测值与实际值拟合度较高.     

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。     

基于K-means聚类与PLS回归模型的交通速度短时预测

为实现对交通流局部特征的有效提取，提高交通速度预测模型的可解释性，提出基于K-means聚类与偏最小二乘(Partial Least Squares, PLS)回归的交通速度短时预测模型。模型采用时空相关矩阵挖掘路网中相邻路段交通速度之间的关联性，利用K-means聚类算法划分历史数据集，并选取实测出租车GPS数据验证模型对交通速度短时预测的准确性。实验结果表明，与ARIMA、PLS回归和LSTM模型相比，该模型的预测误差减少了约30%。     

基于ASNBD-CMFE特征信息提取的短时交通流预测

针对短时交通流数据的非线性和随机性特点,为提高其预测精度,提出了一种基于自适应最稀疏窄带分解(Adaptive Sparsest Narrow-band Decomposition,ASNBD)和复合多尺度模糊熵(Composite Multiscale Fuzzy Entropy,CMFE)的短时交通流数据特征信息提取方法.首先利用ASNBD将短时交通流数据分解成若干个内禀窄带分量,分别求出每个分量的CMFE.根据CMFE反映的不同分量的非线性程度选取有效分量,从而提取数据的非线性特征.然后根据非线性分析的结果分别对每个分量建立支持向量机网络模型,针对每个分量的自身特点选择不同的模型训练参数,以提高单个模型预测精度.最后将各个预测值进行累加并得出预测结果.实验结果表明,该方法能有效应用于短时交通流数据特征信息的提取,进而提高预测精度.     

基于粒子群优化-支持向量回归的高速公路短时交通流预测

为实现高速公路短时非线性交通流的精准预测,依托高速公路运营积累的大量数据资源,构建了基于粒子群优化(par-ticle swarm optimization,PSO)的支持向量回归(support vector regression,SVR)预测模型.首先,对获取的高速公路交通流数据进行异常值剔除、缺失值填充以及归一化等预处理;其次,基于SVR算法采用滑动窗口的方式建立预测模型,并基于具有较强寻优能力的PSO优化算法获取SVR模型的最优参数组合;最后,通过京台高速济南西收费站断面交通流数据进行实例验证.模型的预测结果表明,所提出的高速公路短时交通流预测模型能够满足实际需求,且相较反向传播(back propagation,BP)、差分整合移动平均自回归模型(autoregressive integrated moving average model,ARIMA)模型具有较高的准确性,可为日后高速公路运营决策提供理论支持.     

基于时空依赖性的区域路网短时交通流预测模型

由于多数交通流预测模型仅利用了目标路段交通流的历史数据,在一定程度上影响了预测效果。为此,该文提出了一种基于时空依赖性的区域路网短时交通流预测模型。首先,根据区域路网各路段间的拓扑关系,将其抽象为明确表征上下游路段关系的树状结构,进而根据上下游通路上交叉口转弯率的多阶分配来量化上下游路段的时空依赖性,并将其用于时空自回归差分移动平均模型(STARIMA)空间权重矩阵的改进,最后利用历史数据对改进后的STA-RIMA模型进行参数标定,并用于短时交通流预测。实验结果表明:经过改进后的STARIMA模型,具有更好的预测效果,为区域路网短时交通流预测提供了一种新的方法。     

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。     

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。     

基于自监督学习的交通数据补全算法

区域高速公路网收费站数量众多,每日产生海量收费数据,但由于设备、网络等因素,部分站点数据传输存在延迟现象,在此情况下已传输的数据往往不能满足实时流量预测的要求。为了实现实时交通数据补全和动态交通流量预测,文中首先提出了一种基于自监督学习的用于高速公路交通流量数据缺失补全的方法,该方法采用了基于注意力机制的时间序列模型（Seq2Seq-Att）;然后使用自监督学习方式对模型进行训练;最后,以广东省高速公路网的80个收费站为例,验证方法的可靠性。结果表明：文中的数据补全方法能够灵活捕捉交通数据中的缺失情况,并根据数据自身的内在关联性,给出合理的补全值;该方法总体优于其他方法,且在不同缺失率下都有较好表现,总体MAPE约为17.7%、WMAPE为12.8%;在高缺失率情况下,该方法相比于其他补全方法有明显的优势。交通量预测结果表明,使用该方法补全的数据进行交通流预测的预测精度接近使用完整数据的情况。     

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。     

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。     

考虑货车因素的高速公路短期交通流风险预测

基于G15上海段的交通流数据和交通事故数据,研究货车比例较高且货车事故率较高的高速公路短期交通流风险预测模型.分别选取整体交通流参数、货车交通流参数和综合参数作为特征变量,通过支持向量机进行建模,运用遗传算法对模型参数进行寻优,建立不同时间段、不同风险特征变量的分类模型并对比分析.结果表明事故发生前5~10min的模型预测精度最高.当加入货车因素时,总体的预测精度提高7.1%,事故预测精度提高6.1%,误报率降低4.7%.采用平均影响值法进行货车因素对预测结果的影响程度分析,表明货车因素对于预测模型有较大影响.该研究模型可用来开发交通安全预警系统,为高速公路货车安全管理提供理论依据.     

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。     

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RBF神经网络的城市快速路短时交通流预测研究

为检验灰色模型及径向神经网络模型用于短时交通流预测的可行性及适用性,本文分析和比较了灰色模型GM（1,1）和RBF径向神经网络模型对短时交通流的预测效果。仿真实例表明,灰色模型不适合用于短时交通流预测,而径向神经网络能够准确预测短期交通流的未来变化趋势,当径向基函数的分布密度值在0.8~1.0之间时能够取得较高的预测精度。