短时交通流

摘要： 短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解(CEEMDAN)的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。

摘要： 智慧交通的协调控制是提高城市交通运行效率的关键,由于传统控制系统对多源交通信息的采集不够全面,导致对智慧交通流量的协调控制效果不佳,研究基于5G的智慧交通协调优化控制系统设计。基于5G控制短时交通流,完成智慧交通流的预测和管理。经实验论证分析,本文系统对车辆总延误时间的目标优化具有较好的控制性能。经实验对比验证,本文系统比传统系统的车辆总延误时间少63.8s,说明本文方法具有有效性。

摘要： 为有效预测高速公路短时交通流,提出一种将K近邻(KNN)法和主成分分析(PCA)法相结合的KNN-PCA法。工作流程为:1)采用KNN法筛选出与当前状态相似的多条交通流(即近邻);2)将所有相似交通流延拓至待预测时刻,并将其表达为矩阵形式后进行PCA以得到主成分;3)将当前交通流延拓至预测时刻并将其表达为少数起主要贡献主成分的线性组合;4)采用最小二乘法直接得到这些主成分的组合系数估计值;5)基于组合系数估计值,将这些主成分再次线性组合后,直接提取预测时刻的交通量。基于高速公路实测交通流进行数据分析,应用结果表明,KNN-PCA法原理清晰,计算简单,具有良好的预测能力,能很好地预测短时交通流的变化趋势。

摘要： 在交通流预测中,采用单一预测模型对短时交通流进行预报,预报值有时会出现大的随机波动,预测误差超出安全限,对交通流诱导和交通出行决策带来严重后果。为解决上述问题,提出了一种组合预测模型对短时交通流进行预测。首先通过ELM模型预测方法进行短时交通流初始预测;然后采用EMD算法分解初始预测残差得到有限个本征模函数(IMF);其次利用ASPSO算法优化的GRU模型学习各IMF分量的短期时序规律并进行提前预测,求取每个IMF分量的预测数值的和从而获得残差预测值;最后把初始预测值和残差预测值进行求和进而获取最终预测结果。仿真结果表明:与单一的GRU模型和ELM-GRU模型相比,上述组合预测模型的平均绝对误差及均方根误差均为最小,预测精度更高,是一种更为有效的短时交通流预测方法。

摘要： 在智能交通领域内,实时准确的短时交通流预测是实现智能交通诱导和控制的关键技术。交通流时间序列数据具有数量庞大的特性,很多方法不能有效地提高数据利用率,从而造成预测精度低下的问题。循环神经网络(Recurrent Neural Network,RNN)对时间序列的处理具有很高的效率,对此,本文在RNN的基础上,提出了长短时记忆(Long-Short Term Memory,LSTM)模型,并通过改变其内部参数和结构,建立了3种LSTM变体模型来对15 min短时交通流进行预测。实验结果表明,LSTM及其变体模型在预测准确性上,精度都达到了5%以内,相较于RNN都提高了3个百分点;而在LSTM类模型中,尤以LSTM3的预测性能最高,可用于长期的短时交通流预测。

摘要： 随着我国汽车保有量持续大幅增加,交通拥堵、空气污染、能源浪费、时间延误、雾霾加重等问题日益严重。为了有效解决上述问题,对道路交通实行智能控制与管理的智能交通系统应运而生。以车流量这个道路交通拥堵重要的影响因素为研究对象,结合实际的短时交通流数据,在传统指数平滑法建模的基础上,针对其中的平滑系数和初值这两个关键参数的选取,提出了基于等步长双参数寻优的三次指数平滑改进算法。最后,依据实测的短时交通流量数据进行仿真实验,实验结果表明:改进的指数平滑模型较之于传统指数平滑模型在预测精度方面更具优势。

摘要： 随着道路上的车辆迅速增多,为了保障出行效率,需要在预测交通流量的基础上发布管控策略。交通数据具有高度非线性和时空依赖性,如何灵活提取交通数据的时空特征并发现其相关性来准确地预测交通流量具有一定的挑战。基于此,笔者提出一种新的基于Transformer的时空网络模型,将注意力机制引入到网络模型中,通过注意力机制有效捕捉动态数据的时空相关性,最后加权融合生成预测结果。

摘要： 为提高短时交通流预测的数据拟合能力,提出基于支持向量机(SVM)与神经网络的组合预测模型SVM-BPNN、SVMRBFNN。结合实际道路的短时交通流数据,将组合模型与其他典型预测方法实验对比。结果表明,本文提出的组合模型SVM-RBFNN预测精度更高,在短时交通流量预测方面具有明显优势。

摘要： 为了缓解城市交通拥堵问题,需要探究城市道路交通的本质特征,基于大数据深入挖掘道路交通流的复杂特性,提出了一种ARIMA与SVM的组合预测模型,对道路断面交通流量进行预测。以西安市区道路交通流检测数据为基础,利用MATLAB数值仿真软件进行组合预测模型的训练,对比分析单一模型和组合模型的预测效果,ARIMA-SVM组合模型预测结果的平均绝对百分比误差为1.57,均方根误差为4.7535,与单一预测模型的预测效果相比,在道路断面短时交通流量预测方面,组合预测模型的精确性更高,可靠性更强。

摘要： 交通流的各个数据指标对应状态信息的连接关系,其不可分割的线性属性使得预测结果的准确性受到影响,为此提出基于支持向量回归(Support Vector Regression,SVR)的短时交通流预测模型。首先,在引入惩罚因子的基础上,利用径向基核函数构建交通流数据支持向量机,并在超平面内根据不同属性参量对交通流数据信息进行分类;其次,以模型的输出结果与实际交通流之间的误差达到最小值为目标函数;最后,为各个分类对应的属性设置权重参量,结合预测路段的覆盖范围构建交通流预测模型。测试结果表明,该模型的预测结果明显优于对比方法,MAE始终稳定在9.000以下,RMSE始终稳定在11.000以下,R^(2)值始终稳定在0.995以上,可以实现对交通流信息的高精度预测。

摘要： 针对城市交通流具有周期性、非线性等特征,提出一种短时交通流预测模型.该模型以BP神经网络、支持向量机(SVM)和ARIMA时间序列预测模型为基本模型,分别进行交通流预测,并通过对遗传算法算子的改进,对基本模型进行概率权重分配,寻找最优的分配结果,从而组合出具有高精度的预测模型.通过算例发现,组合预测模型的预测性能优于单个预测模型,预测误差较小,从而验证了基于改进遗传算法组合预测模型的有效性和正确性.

摘要： 本文首先从自动控制角度认识交通流预测本质,深入分析了短时交通流存在的非线性、时变性和不确定性三个特性,指出应用径向基神经网络(RBF)和非参数回归方法(NPR)进行短时交通流预测的适用性.提出将径向基神经网络的输入端和训练数据重新进行选择,并且对网络的权值和阈值重新进行训练是保证交通流特性的关键,将此关键问题对应到算法中的两个重要参数:预测误差范围和最大神经元数目进行了预测结果分析说明.同样对于非参数回归方法中两个重要参数:近邻点个数和预测误差范围也做了预测结果分析.应用这两种方法对某一天进行了微观预测结果分析.预测结果说明,这两种方法都能够比较好地适应交通流特性,预测效果很好.

摘要： 短时交通流预测是实现交通流诱导的关键技术之一。通过实地观测获取北京市某交叉口北方向进口道晚高峰时段的交通量数据，采用R/S分析法判别该时间序列具备分形特征，论证了运用分形理论进行短时交通流预测的可行性。在此基础上对原始数据进行一系列变换，使得变换后的数据能与分形模型符合良好，进而利用分形方法做出定量预测，并与实际值进行对比。

摘要： 比较研究短时交通流预测的方法，重点分析短时交通流观测序列的混沌特性，通过状态空间重构，计算关联维数。提出短时交通流预测的工作流程，基于混沌吸引子建立预测模型，将预测模型应用于短时交通流，能实现预测的实时性和有效性。

摘要： 城市交通是一个复杂的大系统，在对城市交通进行实时自适应控制时往往需要预先知道各个路口的交通量，因此，交通流预测是实施实时自适应控制的重要环节。本文以城市道路网络中典型的干线多路口路段为研究对象，深入研究了交通流的特点，提出了一种Elman神经网络模型，因为该模型是一种动态回归神经网络模型，具有动态记忆能力，因而可在网络规模较小的情况下实现对交通流量的快速、准确预测。同时采用BP算法对模型进行权值修正。该方法提高了网络的训练速度和逼近精度。通过仿真算例，表明了该模型的有效性。

摘要： 智能交通系统（ITS）是解决当前交通问题的重要手段，而短时交通流量预测在智能交通系统中起着关键作用。几十年来，专家和学者们用各种建立了许多相对而言精确的预测模型。本文利用最小二乘法，在绝对误差和达到最小为目标以及误差平方和达到最小为目标的约束条件下对变权重的组合预测算法权系数进行了解算，并利用实际数据对变权重组合预测算法的预测精度做了验证。

摘要： 本发明涉及交通控制，具体涉及基于动态交通流短时预测的施工区域交通控制与诱导方法，构建施工区域周边道路网络拓扑关系，基于对道路网络拓扑关系的分析，科学划定施工交通影响区域范围，采集施工交通影响区域的交通流数据，并进行多源数据融合分析，对施工交通影响区域的交通流特征进行解析，对交通流数据与道路网络拓扑关系进行综合分析，得到施工交通影响区域的流量时空汇聚关键点位分布，根据交通流特征解析结果，构建流量时空汇聚关键点位的交通流短时预测模型，并对交通流短时预测模型进行在线训练和迭代优化；本发明提供的技术方案能够克服无法对施工区域周边易发生拥堵路口的交通信号灯进行配时优化、无法对驾驶人员进行有效诱导的缺陷。

摘要： 本发明涉及交通控制，具体涉及基于动态交通流短时预测的施工区域交通控制与诱导方法，构建施工区域周边道路网络拓扑关系，基于对道路网络拓扑关系的分析，科学划定施工交通影响区域范围，采集施工交通影响区域的交通流数据，并进行多源数据融合分析，对施工交通影响区域的交通流特征进行解析，对交通流数据与道路网络拓扑关系进行综合分析，得到施工交通影响区域的流量时空汇聚关键点位分布，根据交通流特征解析结果，构建流量时空汇聚关键点位的交通流短时预测模型，并对交通流短时预测模型进行在线训练和迭代优化；本发明提供的技术方案能够克服无法对施工区域周边易发生拥堵路口的交通信号灯进行配时优化、无法对驾驶人员进行有效诱导的缺陷。

摘要： 本发明涉及一种基于交通流时空相似性的城市短时交通流预测方法，该方法对传统的非参数回归方法进行了改造，包括如下步骤：S1、基于交通流时空相似性，定义交通流的时间状态向量、时空状态向量；S2、构造当前时段下交通流的“当前时空状态向量；S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”；S5、选择k个时空相似距离最小的历史状态向量所在的日期，查出这k个历史日期对应的预测时段的交通流；S6、基于这k个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析。目的在于提高城市短时交通流预测的准确度。

摘要： 本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。

摘要： 本发明属于智能交通领域，涉及基于短时交通流预测的城市区域交通信号控制方法。包括：利用交叉口配置的摄像头获取各路口及相关车道交通状态信息；基于YOLOv4的视频识别检测本周期交通数据；根据上一时刻流量，基于历史数据建立ConvLSTM模型，预测出下一周期区域交通状况，修正并实时反馈；根据预测流量数据，建立起单点交叉口配时模型，并进行求解，优化配时；依据交叉口关联度，对交叉口群进行区域子区划分；通过量化有效绿灯时间损失判断交叉口饱和程度，建立区域协调控制模型，优化当前方案；编写系统界面程序，进行功能可视化，获取实时反馈并实现人性化管理。该方法实现了区域联动控制，提高区域交叉口控制的准确性和安全性。

摘要： 一种基于模糊C均值交通流量聚类以及误差反馈卷积神经网络的短时交通流预测方法属于交通预测领域。本发明采用模糊聚类的思想对交通流进行模式划分，弥补了传统硬性聚类算法对交通流量进行模式划分的不足。同时提出了误差反馈卷积神经网络结构，解决了传统的神经网络不能够充分利用时空交通信息，且对突变异常流量不敏感等缺点。并且将两者结合构建组合模型，用于短时交通流的预测中。该方法在使得预测模型可以更加精确地预测未来时间单位的流量，同时提高了对突发事件引起的流量变化的识别能力。

摘要： 本发明涉及一种基于交通流时空相似性的城市短时交通流预测方法，该方法对传统的非参数回归方法进行了改造，包括如下步骤：S1、基于交通流时空相似性，定义交通流的时间状态向量、时空状态向量；S2、构造当前时段下交通流的“当前时空状态向量；S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”；S5、选择k个时空相似距离最小的历史状态向量所在的日期，查出这k个历史日期对应的预测时段的交通流；S6、基于这k个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析。目的在于提高城市短时交通流预测的准确度。

摘要： 本发明公开了一种基于长短时记忆递归神经网络的短时交通流预测方法。该方法包括以下步骤：根据短时交通流的预测时间间隔，对输入的历史交通流数据进行聚合；对聚合后的历史交通流进行预处理；对长短时记忆递归神经网络设置合理的参数；使用预处理后的数据训练该神经网络预测模型；调用预测模型预测指定时间间隔的交通流量并评估预测误差。本发明利用了长短时记忆递归神经网络能够长时记忆输入历史数据的优势，可以得到更高的预测精度，且对不同的预测间隔有较好的扩展性。

摘要： 本申请公开了一种智慧交通下的短时交通流量预测方法、系统和电子设备，其通过卷积神经网络模型提取出各个路段在各个预定时间段的车流量的高维关联特征，以及所述各个路段间的拓扑特征和连接关系特征，并且通过流量特征矩阵、邻接特征矩阵和拓扑特征矩阵转换到概率空间，实现了矩阵间在高维空间上的空间尺度的一致性，再进一步通过基于连续函数域下的高维特征分布对基于离散函数域下的高维特征分布的逻辑激活，实质上是以可导的实数运算来模拟逻辑运算，从而从连续的高维逻辑特征分布的参数来转化得到离散的高维逻辑特征分布，以实现离散函数域下的高维特征分布向着连续函数域的迁移。

摘要： 本发明提供了一种融合交通事件影响的短时交通流参数预测方法。基于深度学习方法图注意力网络(GAT)，在考虑路网结构对交通流参数影响的同时，通过时间上与空间上的比较，从交通流参数数据自身中提取出“是否受交通事件影响”特征，结合这一特征，实现考虑所有会对交通流参数数据造成影响的交通事件的短时(几秒到几小时均可)交通流参数预测。本发明方法预测效果优良，可操作性强，优于许多现有的方法。