基于数据挖掘的高速公路行程时间预测

以高速公路上路段行程时间历史数据集作为研究对象,以交通数据实际特征作为行程时间历史数据集分类的依据,建立基于数据挖掘的高速公路行程时间预测模型.采用山东高速收费站记录实际数据,以实例数据验证模型并计算平均绝对误差.为对比分析预测强度聚类预测模型的有效性,采用多种算法对测试集行程时间预测,对预测结果误差进行了对比.结果表明:预测强度修正的k-means法可以提高高速公路路段行程时间预测的准确性,模型在降低数据采集成本的同时可为高速信息服务提供可靠的预测行程时间,为出行者提供有力的决策依据.     

基于时空特征的城市轨道交通客流量预测方法

随着城市轨道交通网络运营里程的不断增长及网络承载客流量的不断提高,特定站点客流量极易发生急剧变化,这种变化引起整个网络客流量的不均匀分布,从而增加运营调度的难度和运营事故的发生概率.本文以城市轨道交通实际运营中采集的大量客流数据为基础,从时间和空间两个维度分析城市轨道交通客流分布的特点,并进一步提出基于贝叶斯网络的客流量预测方法,实现对特定站点的客流量预测.本实验完全基于实际数据,结果表明:预测客流量平均绝对百分比误差基本在0.1以下,预测准确程度较高.     

基于时空特征提取的城市轨道交通乘客出行目的地预测

为满足城市轨道交通运营组织进行客流管控和行车调度的实时需求,提出了基于乘客OD时空特征的出行目的地在线预测方法。通过分析定义乘客OD时空特征矩阵,以乘客个体的历史自动售检票系统（AFC）数据为训练样本,提出了基于行程密度聚类的乘客OD时空特征提取方法。分析制定乘客实时进站刷卡信息与其OD时空特征矩阵的匹配规则,基于3种匹配情况分别提出了相应的目的地实时预测方法。以南京市轨道交通AFC数据为实例进行验证,结果表明本文提出的预测方法在高峰时段预测准确率、全天预测稳定性等方面效果良好,可为地铁运营组织提供参考。     

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．     

考虑注意力和时空特征深度学习的网约车行程时间预测

行程时间预测做为智能交通领域中重要的组成部分,在道路导航、乘客出行过程中起着重要的作用。现有方法很少考虑到交通拥堵变化所产生的影响。本文提出了一种基于注意力机制的时空特征深度学习模型,模型通过卷积神经网络去学习行程过程中所花费的时间和距离以及交通拥堵状态信息,通过注意力机制从通道和空间上两个角度去捕获影响行程中路段通行时间的异常信息,采用双层的长短时记忆网络去学习行程中的路段序列信息,最后通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间。本文提出的方法与DEEPTRAVEL模型相比,预测精度在平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别提升了8.23%和20.79%。     

基于灰色关联分析的路段行程时间卡尔曼滤波预测算法

为改善卡尔曼滤波用于时间序列预测时的自适应性能，提出基于灰色关联分析的路段行程时间实时预测算法．首先，利用灰色理论对行程时间序列的各影响因素进行灰色关联分析，根据灰色关联度的大小来选取路段行程时间的主要影响因素，由此建立相应的动态方程．在此动态方程基础上，通过卡尔曼滤波递推进行路段行程时间预测．文中利用深圳某交通干道上的实测行程时间进行仿真实验，结果表明该算法的综合预测性能优于常规卡尔曼滤波方法，可应用于正常交通流状况下的路段行程时间预测．     

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。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于卡尔曼滤波的高速道路行程时间动态预测

首先介绍了卡尔曼滤波的算法，并定性说明了其优点－动态性、实时性。然后使用卡尔曼滤波法和传统的预测方法分别对同一观测数据进行了观测和对比，从而定量证明了卡尔曼滤波的高精度性，研究成果对于开发交通信息诱导系统和动态交通分配均具有较大的意义。     

基于GPS数据的高速公路行程时间估计与可靠性分析

准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义。针对目前行程时间估计准确性不高、可靠性分析不够全面的问题,提出基于BP神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性。以广州机场高速公路GPS浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性。     

基于行程时间的驾驶风格贝叶斯决策树动态识别

驾驶风格是驾驶员对实际交通状况的态度和决策偏好,反映了驾驶员在车辆操作和运行期间的行为表现,驾驶员行为风格直接影响汽车安全预警系统的报警准确率.本文从汽车安全预警系统的研究角度出发,以驾驶风格为研究对象,利用GP S实时捕获的行程时间作为特征参数,建立基于贝叶斯决策树的汽车驾驶风格动态辨识模型;通过心理测试、实车实验以...     

基于SVM与人工神经网络组合模型的物流规划车辆行程时间预测

行程时间预测在交通和物流规划中具有重要的作用.传统方法大部分是针对单一路段的行程时间进行短期预测.考虑了一个与传统行程时间预测不同的背景,研究物流车队行程时间预测问题.结合人工神经网络的学习能力和支持向量基对复杂非线性预测的处理能力,提出了一种基于支持向量基和人工神经网络相结合的方法,对物流规划中车辆行程时间进行有效的预测.把得到的结果和真实值比较,说明所提出的预测方法是可行和有效的.     

基于多源ITS数据的行程时间预测体系框架及核心技术

针对当前城市道路行程时间预测系统性不强等问题,构建基于多源数据的行程时间预测体系框架,阐述预测过程涉及的关键技术.框架的构建以固定式和移动式2类采集方式获得的交通数据为出发点,将预测过程划分为估计和预测两个阶段.提出固定式采集方式获取的速度数据用于行程时间的间接估计和预测的关键技术为空间平均速度的估计;移动式采集方式获...     

面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

道路交通网络路径行程时间可靠性计算方法

行程时间可靠度是反映交通服务水平的一个重要指标,为评价交通运行状况,比较交通改善治理措施提供了新的思路。随着信息采集技术的深入发展,大量行程时间样本的采集与行程时间分布的获得,使得可靠度的计算方法的研发变得十分迫切。传统的路径行程可靠度计算方法直接套用电路理论,无法反映交通运行的特征,造成可靠度计算值严重偏低。本文在分析传统方法失效原理的基础上,引入蒙特卡洛理论,开发了一套新的路径行程时间可靠度计算模型。陆家浜路5个路口的实例分析表明,利用GPS测量值得到的可靠度值在80%左右,传统方法计算值为40%左右,本文方法计算值接近80%,表明本文方法能够有效应用于路径行程时间可靠度计算的实践中。     

行程时间可靠性研究

文章结合已有研究成果,提出了行程时间可靠性的概念,分析了基于供需随机性构建的路径行程时间可靠性、OD对行程时间可靠性及系统行程时间可靠性模型,最后构建了基于最可能状态的行程时间可靠性近似算法。     

考虑最优时滞因子时空模型的高速公路短时交通流预测研究

针对高速公路短时交通流预测问题,提出了考虑最优时滞因子的高速公路时空模型。首先通过相关系数计算确定了空间状态变量的个数,随后计算获得每个变量的最优时滞次数,完成空间模型部分的数据预处理,然后分别从连续性时间序列和周期性时间序列两个方面建立时间状态变量,最后分别构建以经典的线性回归和随机森林算法为基学习器的集成预测器LR_Adaboost和RF_Adaboost,利用训练完毕的模型对兰海高速贵阳北收费站路段的实时交通流量进行预测验证,结果证明考虑最优时滞因子的时空模型相对基本的时空模型有更好的预测效果。     

信号控制道路行程时间可靠度计算与实证

首先提出了一天不同时刻下的动态行程时间可靠度计算方法.然后以实际连续若干天的历史行程时间数据为基础,实证分析了信号控制干道行程时间分布、行程时间可靠度在一天中的分布变化情况.实证结果表明行程时间分布存在偏峰和时滞现象,否定了当前行程时间可靠度研究普遍认为的行程时间服从正态分布假设.最后分析了行程时间分布中的可靠系数、峰度统计参量与行程时间可靠度的变化关系.