交通流预测

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。

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。

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.

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.

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。

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。

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。

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。

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.

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。

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.

摘要： 本文提出了一种基于小波分解与重构的交通流预测方法,结合GM(1,1)模型和ARMA(p,q)模型对纽约市一天内的交通流量进行预测.通过多尺度小波分解,分离出低频信息和高频信息;然后对低频信息和高频信息分别进行重构,对低频信息用灰色模型进行拟合,对高频信息则采用自回归滑动平均模型;最后将预测结果叠加,从而得到原始序列的预测值.通过实验结果表明,该方法具有更高的预测精度。

摘要： 针对实际交通流变化具有较明显的动态性、周相似性和相关性，提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性，以及相邻路段上交通流的相互影响冈素，结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析，结果表明该方法能够提高交通流的预测精度。

摘要： 通过对道路交通流变化规律和影响因素的分析，提出了一种新的交通流预测模型。首先，鉴于模糊聚类方法易陷入局部最优解及运算速度慢的缺点，采用蚁群算法中pij(t)改进模糊聚类分析；然后以最拥挤时间段的25个点交通流数据、天气数据以及天类别数据为指标，将历史数据聚分成若干簇团，并采用动量BP神经网络针对每一簇团建立相应的预测模型。对实际数据进行预测分析的结果表明，该模型不仅对普通工作日有较高的预测精度，对双休日、节假日和一些特殊情况（雨雪天气）也有较好的预测精度。

摘要： 本文运用相空间重构方法对交通流进行短时预测,首先根据重构展开法确定时间延迟、根据Cao-方法计算嵌入维数；然后在相空间重构局域方法的基础上，对交通流预测方法进行改进，给出预测模型。通过实证分析，结果表明改进后的预测模型达到较好的预测精度。

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： 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.

摘要： 为改善广州多代理交通控制系统(aDAPTS)的控制性能，本文将其与智能交通云结合起来，开发了交通预测系统和代理推荐系统。该两个系统均基于MapReduce框架和平行管理与控制系统(PtMS)中的人工交通系统(ATS)。两个子系统的功能和系统结构均在文中予以详述。除此以外，基于遗传算法的代理推荐系统的实现过程和测试结果也予以给出，证明了结合两个子系统的多代理交通控制系统能较好地利用系统所拥有的控制代理，优化系统控制效果。

摘要： 为改善广州多代理交通控制系统(aDAPTS)的控制性能，本文将其与智能交通云结合起来，开发了交通预测系统和代理推荐系统。该两个系统均基于MapReduce框架和平行管理与控制系统(PtMS)中的人工交通系统(ATS)。两个子系统的功能和系统结构均在文中予以详述。除此以外，基于遗传算法的代理推荐系统的实现过程和测试结果也予以给出，证明了结合两个子系统的多代理交通控制系统能较好地利用系统所拥有的控制代理，优化系统控制效果。

摘要： 为改善广州多代理交通控制系统(aDAPTS)的控制性能，本文将其与智能交通云结合起来，开发了交通预测系统和代理推荐系统。该两个系统均基于MapReduce框架和平行管理与控制系统(PtMS)中的人工交通系统(ATS)。两个子系统的功能和系统结构均在文中予以详述。除此以外，基于遗传算法的代理推荐系统的实现过程和测试结果也予以给出，证明了结合两个子系统的多代理交通控制系统能较好地利用系统所拥有的控制代理，优化系统控制效果。

摘要： 本发明属于交通管控技术领域，提供了面向交通流管控的收费站交通流组合预测方法及系统，基于预测模型分别预测ETC车道以及HTC车道通过的交通流数量，确定ETC车道和HTC车道基准通行能力，进而计算ETC车道、HTC车道饱和度VC比；基于VC比判断拥堵状态并进行分级预警，分别采取相应的管控措施。结合高速实际交通情况对于车流量低峰期以及高峰期分阶段进行短期中期预测，采用组合预测的方式不仅给交通管制提供更长的反应时间同时提升了预测结果的准确性，为交通管控提供更加及时的预测结果并且具有较高的预测精度。

摘要： 本发明提供估计对象区域的交通流的交通流估计装置(1)。交通流估计装置(1)具备存储对象区域的车道信息的存储部(30)，获取由在对象区域内移动中的第一移动体(6)在不同的定时拍摄的包含周边的第二移动体(7)的多个图像、和各定时的第一移动体的位置信息及速度信息，基于车道信息和位置信息确定第一移动体移动中的车道，基于多个图像计算图像内的第二移动体的位置的随时间变化，基于从图像检测的第二移动体相对于第一移动体的位置关系，估计第二移动体移动中的车道，基于第一移动体的速度信息、表示第二移动体的位置的随时间变化的信息、第一及第二移动体移动中的车道，估计对象区域的按车道区分的交通流。

摘要： 本申请公开了交通十字路口的车辆交通流的交通预测及控制系统(TPCS)，用于动态实时预测和控制通过一个交通十字路口或邻近区域中多个交通十字路口的车辆交通流。TPCS从本地交通十字路口处的传感器动态接收传感器数据、确定交通流参数、及使用交通流参数确定交通流量。TPCS从邻近交通十字路口处的传感器接收分析参数并确定在前车辆和尾随车辆之间的最小安全驾驶距离、交通自由流密度、同步交通流密度和交通拥堵密度以预测通过本地交通十字路口的车辆交通流跨交通流相阶段的转变。TPCS通过动态调整本地交通十字路口的交通信号的持续时间并将交通信号时间调整指令传给邻近交通十字路口而控制车辆交通流以保持优化的交通流量。

摘要： 在以往的方法中，地上侧的装置需要从在交叉点行驶的所有车辆的搭载装置高速且高频度地取得该车辆的详细的位置信息、速度信息、想要行驶的行进路线的信息等，计算向交叉点的适当的进入时机、适当的进入速度，需要高性能的计算机。因此，本发明的交通流控制系统之一是与在交通路通行的移动体的行驶控制装置进行通信，控制交通路的交通流的交通流控制系统，具有进入权管理部以及通信部。进入权管理部在划分为虚拟的区域的交通路中按区域管理进入权，管理与区域对应的数量的令牌，使令牌附随进入权赋予给行驶控制装置，由此，引导移动体向区域的进入。通信部与行驶控制装置之间进行进入权以及令牌的通信。

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： 本发明提供了一种基于时空多尺度图卷积网络的交通流预测模型的构建方法以及交通流预测方法，具体来说，给定一个细粒度交通图，首先通过谱聚类生成一个粗粒度交通图；然后分别提取细粒度和粗粒度交通图的时空相关性，本发明充分挖掘了空间相关性，包括区域的静态不变特征和动态的空间相关性；其次，为了缓解细粒度交通图中交通流波动的负面影响，采用跨尺度融合来实现细粒度交通图和粗粒度交通图之间的信息扩散；最后，在两个真实世界的交通数据集上进行实验，选择最优参数，确定最终的结果。本发明改进了现有的交通流预测模型，使得模型可以利用粗粒度交通图中的特征，缓解细粒度交通图中交通流波动的负面影响，一定程度上提高了预测精度。

摘要： 本发明提供交通流预测辅助装置以及交通流预测辅助方法。能够高精度地预测交通流。在交通流预测辅助装置(10)中，具备：车辆匹配器(13)，其取得基于过去的OD数据的多个车辆模型的移动信息，根据推定为存在于预定的实际车辆中的通信终端的移动信息，选择与实际车辆匹配的车辆模型即匹配车辆模型，代替匹配车辆模型的移动信息，而根据匹配车辆模型所匹配的实际车辆的移动信息，生成OD数据。车辆匹配器(13)也可以选择满足预定的条件的车辆模型作为与实际车辆匹配的上述匹配车辆模型。另外，车辆匹配器(13)也可以在不存在满足预定的条件的匹配车辆模型的情况下，生成与实际车辆对应的车辆模型，生成包含所生成的车辆模型的移动信息的OD数据。

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。

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。