短时交通流预测方法综述

短时交通流预测是道路交通控制系统、交通流诱导系统等领域需要解决的首要问题之一.因此,如何能够实时准确的预测交通流量成为了交通管理与控制是否能够有效实现的关键问题.     

基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上，为满足交通流诱导系统的理论需要，建立了实时交通流量神经网络预测模型，该模型为交通流诱导系统提供了预测交通状况的一种很好的方法。     

基于多维灰色预测模型的短期交通流预测研究

交通诱导和交通控制是智能交通系统的重要组成部分,实时准确的交通流短期预测是交通控制与诱导的前提及关键。以往灰色交通流预测模型采用GM（1,1）模型进行预测。其只利用某路段一个断面单点的交通流量进行该断面的交通流预测,并未充分利用上下游交通流之间的相关性。而有关学者研究表明,短时交通流预测值,不仅要与该段面的单点交通流量有关,而且还与其上下游断面交通流量有关。因此,本文引入MGM（1,n）模型。     

短时交通流预测方法综述

以交通流预测研究的步骤为主线,对短时交通流预测的方法进行研究.对现存预测方法进行了分类分析:基于统计理论的方法、基于神经网络的方法、基于非线性理论的方法以及基于新兴技术的预测方法.将人工神经网络模型与其他领域的研究相结合的综合预测模型要比单一神经网络预测模型、常规预测模型的预测效果好;基于非线性理论的预测方法有较好的发展前景.     

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。     

基于深度置信网络的车辆交通流预测

提出了一种新的基于深度置信网络的交通流预测方法,利用深度置信网络良好的训练和预测性能,能够很好地学习时序数据集的内部特征,从而准确地预测交通数据流.为了验证算法的有效性,在PeMS数据集上对算法进行了实验测试,并同其他相关预测和分析方法进行了比较,实验结果表明新算法具有较好的预测性能.     

基于时空权重相关性的交通流大数据预测方法

将分布式增量大数据聚合方法与交通流数据清洗规则相结合,可以为交通流预测分析提供更准确可靠的数据源。通过交通流在路网中的相关性分析,使用多阶路口转弯率构建空间权重矩阵,完成对STARIMA交通流预测模型的改进。实验结果表明,该方法可以在工作效率及准确程度上满足交通流大数据预测的需求,为交通诱导信息发布提供依据。     

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。     

基于深度学习组合模型的交通流预测

为了研究高速公路在交通流预测过程中时间粒度对于精度的影响,及时向出行者提供精准实时的道路信息,通过TensorFlow深度学习模块,建立支持向量回归(SVR)与长短时记忆(LSTM)相结合的预测模型。基于LSTM模型的长期记忆功能与支持向量回归非线性化特点,调整优化参数,以英国高速公路局提供的M3高速公路数据为例进行分析,根据预测结果对模型进行对比评价,并结合模型对不同时段的交通流数据进行分析研究。结果表明：SVR-LSTM组合预测模型对于高速公路数据有更好的适应性,而且时间粒度如果越精细,预测精度将大幅提高。     

领域知识与数据驱动的混合交通流车辆轨迹预测

自动驾驶车辆需具备预测周围车辆轨迹的能力。诸多发展中国家普遍存在弱规则、强交互的混合交通流道路,高密度混合交通流的车辆轨迹预测是极具挑战性的任务。为了兼顾混合交通流道路环境下轨迹预测的高精度和可解释性,设计一个融合领域知识和经验的深度学习模型（DK-Conv-LSTM）实现车辆的长、短时轨迹预测。该模型采用卷积结构（Conv）提取交互特征,并将融合车辆历史信息的特征向量送入长短时记忆网络（LSTM）模型实现轨迹预测。知识经验通过嵌入损失函数的方式引导深度学习模型的训练。与基础的LSTM相比,仅添加卷积层结构的Conv-LSTM模型可提升终点轨迹误差（FDE）约30.46 %,提升平均轨迹误差（ADE）约34.78 %;而DK-Conv-LSTM模型可分别提升FDE 46.81 %和ADE 49.08 %;同时DK-Conv-LSTM模型可还原多前车跟驰、超车行为的驾驶轨迹。     

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.     

RS编译码算法及在战术数据链中的应用

目前，纠错编码技术在通信及计算机领域应用非常广泛，其中里德一索罗蒙码(Reed-Solomon，简称RS码)以其纠正突发错误特别有效且实现简单的优点成为研究最多的码类之一。本文主要讨论了RS码的编译码算法，又给出了RS码在战术数据链系统中的典型应用，并对其纠错性能进行了仿真研究，仿真结果表明，当信噪比大于9dB时，系统性能得到了很大的改善。     

基于宏观交通流模型的行程时间预测

以高速道路为研究对象,概述了宏观交通模型的基本方程,提出了一种基于宏观交通模拟的路径行程时间预测方法．预测方法以宏观模型输出的速度为基础计算路径行程时间,能够考虑交通拥堵以确保行程时间预测结果更合理．预测方法包含一般计算方法、由路段行程时间合成的方法（近邻组合法）这两种计算方法,后者用以加快计算速度,确保预测能够适用于较大规模路网．算例分析说明了预测方法的有效性．     

基于长短时记忆网络的Encoder-Decoder多步交通流预测模型

交通流序列多为单步预测.为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型.将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证.实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系.除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error,RMSE)及平均绝对误差(mean absolute error,MAE)分别下降0.210～5.422、0.061～0.191.相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136.实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务.     

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.     

基于GA-Elman神经网络的交通流短时预测方法

以单断面的交通流量为研究对象,采用动态Elman神经网络进行短时交通流量的预测,提出一种基于GA-Elman神经网络的交通流短时预测方法.该方法通过遗传算法优化Elman神经网络的权值和阈值,克服了Elman神经网络易陷入局部最小的缺陷,同时提高了Elman神经网络的泛化能力和预测精度.实验仿真表明,本文方法可用于城市快速路上预测实时交通流量,预测效果优于Elman、GA-BP预测模型.     

面向视频智能分析的商业街行人交通流预测建模

 阐述了利用面向视频智能分析技术,对商业区行人交通流数据进行样本提取、预处理和建模分析的方法全过程。以北京西单商业区为例,构建了包含不同类型监测点、不同时间点的日期分组式纵向时间序列,并完成了预测建模和效果对比。研究表明,所有序列均为平稳非白噪声序列,具有相似的自回归移动平均（ARMA）模型形式,能较好地实现对行人流量的预测。     

短时交通量时间序列的小波分析-模糊马尔柯夫预测方法

基于短时交通量时间序列的随机波动特征,提出一种小波分析和模糊马尔柯夫结合的预测方法．首先对交通量时间序列进行多分辨率小波分解,然后对低频部分和高频部分分别进行重构,对重构后的基本信号和干扰信号建立模糊马尔柯夫模型,最后对多个预测结果进行合成,从而得到交通量的预测结果．此外,根据灰色系统理论的新息优先原理,实时更新马尔柯夫预测模型中的状态转移矩阵,进一步提高预测精度．通过对苏州某交叉口短时交通量预测,表明小波分析和模糊马尔柯夫结合的预测方法具有良好的抗干扰能力和容错能力．     

基于数据挖掘的网络业务流分析方法

为了从业务角度对网络的性能进行评价和优化,提出了一种新的网络业务分析方法——具有时态路径约束的关联规则挖掘分析方法.该方法以网络业务为分析粒度,以与网络业务流相关的时态属性和路径属性为约束条件,对已经积累的反映网络状况的海量历史数据进行挖掘分析.在进行关联规则挖掘时,利用频繁数据项集的性质,通过引入事务标号,在求出候选频繁项集的同时也求出其支持度,避免了为求支持度而进行的扫描数据库运算,极大提高了挖掘的效率和速度.实验结果表明,进行挖掘分析的数据量越大,该方法的性能和效率就越好.