交通流预测
交通流预测的相关文献在2002年到2023年内共计673篇,主要集中在公路运输、自动化技术、计算机技术、无线电电子学、电信技术
等领域,其中期刊论文292篇、会议论文21篇、专利文献170497篇;相关期刊171种,包括科学技术与工程、计算机仿真、计算机工程等;
相关会议17种,包括第25届全国灰色系统学术会议、第23届灰色系统学术会议、2011年中国自动化大会暨钱学森诞辰一百周年及中国自动化学会五十周年会庆等;交通流预测的相关文献由1678位作者贡献,包括徐东伟、沈琴琴、曹阳等。
交通流预测—发文量
专利文献>
论文:170497篇
占比:99.82%
总计:170810篇
交通流预测
-研究学者
- 徐东伟
- 沈琴琴
- 曹阳
- 施佺
- 蔡延光
- 彭鹏
- 王永东
- 冯心欣
- 蔡颢
- 宣琦
- 戴宏伟
- 郑海峰
- 包银鑫
- 魏臣臣
- 乐冰
- 张勇
- 张海涛
- 曹志超
- 朱森来
- 施振佺
- 丁飞
- 周伟
- 周博见
- 周磊
- 林臻谦
- 段宗涛
- 王炜
- 钱伟
- 陈忠辉
- 俞东进
- 刘惠灵
- 刘毅
- 刘浩
- 刘静
- 庞希愚
- 康军
- 张伟斌
- 张凯
- 王成
- 王进
- 贾磊
- 邵叶秦
- 陈柘
- 马东方
- 高禾
- 黄何列
- 何杰
- 何镇镇
- 关伟
- 冯炜
-
-
付永钢;
李传目;
王惠蓉
-
-
摘要:
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。
-
-
张壮壮;
屈立成;
李翔;
张明皓;
李昭璐
-
-
摘要:
针对数据连续缺失情况下交通流预测精度下降甚至失效的问题,提出了一种时空卷积神经网络预测模型,根据横向分布的时间相关性和纵向分布的空间相关性,构建路网交通数据时空矩阵,引入掩码矩阵标记数据的缺失状况,利用卷积操作提取路网中各检测器之间隐含的非线性关联,建立当前时刻与未来交通状态的映射关系,实现数据缺失情况下的交通流预测。使用公开数据集,在3个时间尺度上的验证结果表明,所提出的模型在平均误差和预测精度两个方面均优于长短期记忆网络、门控循环单元、扩散卷积神经网络和图马尔可夫网络模型,在交通数据随机缺失和连续缺失两种情况下,均表现出了良好的稳定性和健壮性。
-
-
王方伟;
陈景雅;
谢敏慧;
石宝存
-
-
摘要:
针对交通流数据非线性和时序性特点,综合考虑天气因素与交通流量的潜在关系,提出一种基于主成分分析法(PCA)、灰色关联分析法(GRA)和自适应提升(adaptive boosting,AdaBoost)算法相结合的预测模型.首先利用PCA对样本进行降噪处理,再采用GRA计算各天气因素和交通流的非线性关联度,将灰色关联系数大于0.6的相关性强的特征变量输入到AdaBoost集成模型中,进行了模型简化.实验结果表明:与长短期记忆神经网络(LSTM)、分类回归树(CART)、自回归积分滑动平均模型(ARIMA)以及未被优化的AdaBoost集成模型对比,提出的PCAGRA-AdaBoost模型在预测误差和确定系数等指标方面均优于其他传统算法,体现了较高的预测精度.
-
-
李树彬;
孔祥科;
李青桐;
林兆丰;
赵子豪
-
-
摘要:
为了提升主动式交通管理的水平,结合相空间重构和XGBoost算法提出了一种短时交通流预测模型.首先,改进了传统的数据预处理方法,通过层次聚类判定交通流状态,并根据不同的交通流状态对缺失、异常数据进行填充.其次,利用相空间重构将一维数据映射为多维数据矩阵,并利用时间序列复杂网络验证数据重构效果.最后,将多维数据矩阵输入到XGBoost模型以预测未来交通流参数.结果表明,PSR-XGBoost模型预测结果的均方误差、平均绝对误差和平均绝对百分数误差分别为5.399%、1.632%和6.278%,所需运行时间为17.35 s.相比于数理统计模型和其他机器学习模型,PSR-XGBoost模型在多项预测指标上均有明显提高,从而验证了其在短时交通流预测方面的可行性和优越性.
-
-
林培群;
何伙华;
林旭坤
-
-
摘要:
近年来,交通流中大中型货车流量占比逐渐增大,对城市交通的影响日愈增加,准确、及时的大中型货车到达量预测对精确的城市交通管控具有重要意义。针对该问题,本文提出了考虑系统关联性的高速公路大中型货车到达量多尺度预测方法:考虑高速公路网的系统关联性,对高速公路收费站进、出口大中型货车流量的时空关联性进行分析,构建神经网络模型学习空间权重与时间权重;每一时间步将输入与空间权重、时间权重融合,并设置偏置项修正后得到该时间步预测结果;各时间步预测结果对应求和得到最终预测结果。实验结果表明:所用方法在15、30、60 min的时间尺度下预测精度分别达到90.92%、92.48%、94.33%,优于其他对比模型,实用性和有效性均得到了保证。
-
-
周伯荣;
程伟国;
许镇义;
温秀兰
-
-
摘要:
交通流信息预测是智能交通系统进行交通疏导管理的重要基础,为城市交通管理规划提供可靠的数据支持和科学的决策依据。由于交通流量数据是实时更新的增量流数据,每次更新历史数据集时都需要重新构建预测模型,消耗了大量计算资源和运行时间,为此提出一种基于改进在线顺序极限学习机的交通流预测模型(IOS-ELM),通过构建新增数据的增强特征映射关系,生成交通流动态更新特征表示空间,实现短时交通流预测模型的动态更新。利用长沙市远大一路交通流数据评估该模型,实验结果表明,IOS-ELM模型在NRMSE和MAPE的预测性能上均超过其他基准预测模型(MLP、ELM、OS-ELM和SVR),同时模型的预测耗时较小,可以保证一定实时性,满足城市道路交通流的实时准确预测的需求。
-
-
戴俊明;
曹阳;
沈琴琴;
施佺
-
-
摘要:
交通流预测在交通管理和城市规划的应用中具有重要意义,然而现有的预测方法无法充分挖掘其潜在的复杂时空相关性,为进一步挖掘路网道路网络数据的时空特性以提高预测精度,提出一种多时空图卷积网络(multi-spatial-temporal graph convolutional network,MST-GCN)模型。首先,利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性;其次,分别提取周相关、日相关、邻近时间的序列数据,输入三个时空组件以深度挖掘不同时间窗口间的时间相关性;最后,将时空组件与编码器—解码器网络结构(encoder-decoder)融合组建MST-GCN模型。利用加利福尼亚州交通局(Caltrans)性能评估系统中高速公路数据集PEMS04和PEMS08进行实验,结果表明新模型的性能明显优于门控循环单元模型和最近提出的扩散卷积循环神经网络(DCRNN)、时间图卷积网络(T-GCN)、基于注意力机制的时空图卷积神经网络(ASTGCN)和时空同步图卷积网络(STSGCN)模型。
-
-
丁新宇;
施佺
-
-
摘要:
针对城市路网短时交通流预测受到许多复杂因素的影响,提出一种基于深度时空残差网络的路网短时交通流预测模型DST-ResNet(deep spatio-temporal residual network)。针对时空数据的两个独特属性邻近性和周期性分别设计相应的残差网络分支,通过为两个分支中相同的道路分配不同的权重动态聚合两个分支网络的输出,调整时空属性对不同路段交通流预测的影响程度,将两个残差网络的聚合结果与外部因素进行融合。通过选择RMSE和R^(2)为模型的评价指标进行实验验证,该DST-ResNet模型相较主流的LSTM模型具有更高的有效性和可行性。
-
-
张曼;
牟莉
-
-
摘要:
针对目前KTBoost预测模型中存在的精度低、拟合效果较差的问题,给出一种改进的KTBoost预测模型.首先提出了OGWO算法,使用反正切函数对传统灰狼优化算法(GWO)中的收敛因子进行优化,以解决算法中的无效迭代问题,然后运用OGWO算法对KTBoost模型中的超参数进行优化,从而提高模型预测的精度;最后,为了验证模型的可行性,将该模型及其他预测模型应用于交通流预测场景中进行对比.实验结果表明:相较于RBF模型、随机森林模型(RFR)、KTBoost模型、OGWO-RBF模型、OGWO-RFR模型,OGWO-KTBoost预测模型拟合效果更好,其决定系数值达到0.8265,在实际应用中有较好的预测效果.
-
-
罗向龙;
郭凰;
廖聪;
韩静;
王立新
-
-
摘要:
针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近(K-nearest neighbor,KNN)与宽度学习系统(broad learning system,BLS)相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差(root mean square error,RMSE)为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法。
-
-
Jinwei Yang;
杨锦伟;
Xinping Xiao;
肖新平;
Jinhai Guo;
郭金海
- 《第25届全国灰色系统学术会议》
| 2014年
-
摘要:
传统数理统计预测方法不能很好解决交通流中的随机性问题,非线性理论及神经网络、支持向量机等方法在交通流预测中又存在模型复杂、所需样本数据量大等问题.考虑短时交通流所存在的不确定性即模糊性与随机性特点,本文提出基于灰关联分析的少数据云推理短时交通流预测模型.首先,针对短时交通流的准周期规律,运用灰色关联分析提取不同日期相同时段历史序列中最相似序列;其次,建立少数据交通流序列一维云推理机制,综合利用历史云及当前云生成预测云,用于短时交通流实时预测.该模型推广了云模型的应用范围,降低了数据处理工作量.实例分析表明,预测精度良好,能够实现短时交通流的实时预测.
-
-
-
-
-
-
-
- 《第二届仪表、自动化与先进集成技术大会》
| 2008年
-
摘要:
引入路口转弯比例矩阵对路网的交通流运行变化进行描述.考虑在路网畅通情况和路网拥堵情况下路口转弯比例矩阵的不同特征.对两种情况分别进行了研究,得出不同情况下的路口转弯比例矩阵.rn 针对城市道路交通流复杂的非线性特征,采用基于跳转的ARIMA模型对交通流变化规律进行研究,以获得城市道路短期交通流的精确预测.路段交通流预测和路口转弯比例矩阵结合实现对路网交通流的预测.仿真算例表明所提出的预测模型能较好地用于路网交通流预测.
-
-
-
-
-
-
-
-
-
-
-
-
- 南京感动科技有限公司
- 公开公告日期:2022-05-27
-
摘要:
本发明涉及交通大数据相关技术领域,具体为基于ARIMA‑GM(1,1)融合预测模型的交通流预测方法,包括先对预测的道路交通流的数据进行提取,并将其分为横向和纵向数据进行预处理,构建出交通流数据矩阵;再对构建的交通流数据矩阵进行高维特征的提取;然后构建ARIMA‑GM(1,1)融合预测模型,并对其参数进行拟合;使用该模型对交通流数据进行预测,并对最后的结果进行检验。本发明提供了一种新基于ARIMA时间序列预测模型和GM(1,1)灰色预测模型对交通流预测的融合预测模型,解决了由于节假日等因素所带来的交通流突变导致的ARIMA模型的不准确性问题以及使用灰色模型解决了交通样本稀少等问题;该模型充分挖掘了道路交通流的时空特征,提高了长期交通流预测的准确性。
-
-