交通流量预测

摘要： 城市交叉口的道路通行能力目前已成为影响居民出行效率的重要因素之一。通过正向雷达道路车辆检测器采集过车数据,利用深度学习技术Tensorflow框架构建平稳化长短期记忆网络(long short-term memory,LSTM)交通量预测模型。该模型根据预测精度自适应机制更新层数和隐藏单元数,同时为了减小交通流序列的随机性,通过季节性时间差分方法对原始交通时间序列的输出特征序列进行了平稳化处理。在使用相同数据集条件下,将所提算法的预测结果与传统算法的结果进行对比,结果表明:平稳化的LSTM网络算法能有效提高交通流量预测的准确性,实际值与预测值拟合度超过95.5%,且在均方根误差和平均百分比误差上有较大的提升,该模型可为治理交通拥堵提供依据。

摘要： 交通流量预测能为高速公路交通管控和调度提供有效的技术支持。为了实现准确、高精度的交通流量预测,本文提出了基于简单递归网络的交通流量预测模型。基于时间序列预测的基本建模原理,该模型使用简单递归网络作为主要的预测器来预测高速公路交通流量变化趋势。通过对比不同模型的实验结果,可以得到结论:SRU网络能取得精确的预测结果;SRU网络的性能优于传统的RNN与浅层神经网络。

摘要： 文章针对短时交通流量时空依赖性、非线性的特点,为提高交通流量的预测精度,将时间建模和空间建模相结合,提出一种整合改进的变分模态分解(variational mode decomposition,VMD)结合图注意力网络(graph attention networks,GAT)与注意力模型搭建的组合预测模型。在时间维度上,利用改进粒子群算法(improved particle swarm optimization,IPSO)优化的变分模态算法分解交通流量,保证了VMD的充分分解,并得到相对平稳的交通流量序列,提高了组合模型的预测精度;在空间维度上,构建有效分解模态与原交通流量序列的GAT,提取不同时间序列中各交通节点之间的空间信息;引入注意力机制提高主要时空信息权重,降低次要时空信息权重,进一步提升了组合模型的预测精度。实验结果表明,该组合模型比IPSO-VMD-GAT-Attention模型以及VMD-GAT-Attention模型的均方根误差分别下降了31%和21%,而且对于VMD-GAT模型和GAT模型,均方根误差分别从14.1231和9.9136下降到2.2928,说明该模型达到较好的预测效果。

摘要： 时空动态图卷积网络(STDGCN)模型运用拉普拉斯矩阵隐藏网络和自适应邻接矩阵,可以充分反映交通网络时空关系。文章使用郑州绕城高速公路数据集(HighwayZZ)和重庆绕城高速公路数据集(HighwayCQ)进行交通流量预测试验。结果表明,与LSTM、GRU、GCRN、STGCN、ASTGCN模型相比,STDGCN模型在两个交通数据集的预测精度提高10%~12%;STDGCN模型更能够揭示不同路段交通数据之间的隐藏时空关系;位于多条高速公路的交叉口和U型口附近的节点对其他节点交通流量影响更大;STDGCN模型在平原城市和山地城市高速公路交通流量预测中均具有较强的普适性。

摘要： 交通检测器是智能交通系统的重要组成部分,交通检测器的布设策略对交通精细管控有重要影响,优化交通检测器的布设方案能够有效缓解交通拥堵问题。针对交通流量预测未充分考虑交通检测器布设方案的情况,从交通检测器的间距和数量2个方面对短时交通流量预测的影响进行实证研究。采用实证研究及BP神经网络算法,探究交通检测器的布设方案对短时交通流量预测的影响。采用20组交通检测器为研究载体,采集20组交通检测器的间距信息及每组交通检测器时长共30 d的短时交通流数据为研究数据,使用BP神经网络对当前组别的交通检测器及其上游相邻的交通检测器在高峰时段断面的交通流量进行预测。针对长路段,分别选择2~K组检测器数据预测交通流量。实验结果表明:相邻路段的交通流量具有空间关联性,交通检测器的最优布设间距处在330~450 m范围内,长路段选择2~3组检测器能极大地降低预测误差,优化布设策略与传统方法相比可降低误差20%以上。采用优化布设策略选择适当间距及数量要求的交通检测器可以显著提高短时交通流量预测的准确度。

摘要： 目前,高速公路交通管控部门对准确交通数据的掌握还存在局限性,预测值也不够精确,为给出行者提供更好的交通引导,必须采用新方法预估误差较小的交通流量数据。提出一种同时考虑时间与空间因素的卷积-双向长短期记忆(CNN-BiLSTM)模型,将具有空间局部特征提取能力的卷积神经网络(CNN)和具有能同时考虑前后方向长时间信息的双向长短期记忆(BiLSTM)相结合,将其用于预测更能体现随时空变化不断波动的交通流量。以一些简单的基准方法作为对比模型,采用均方误差(MSE)等5项评估指标,在美国加州高速公路数据集上进行训练和测试,结果表明:由CNN-BiLSTM得出的预测结果更符合实际交通流量的变化趋势,在高峰期和波动较大时间段均能较好地拟合真实值,灵敏度较高。

摘要： 为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度,本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络(TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征;引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明:TSARGCN在交通流量预测中的平均绝对误差(MAE)达到19.24,均方根误差(RMSE)达到27.09,比ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及ASTGCN(Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。

摘要： 随着经济和社会的快速发展,城市交通的拥堵问题日益严重,有效的短时交通量预测可减少盲目出警与控制警力成本。为此,本文采用ARIMA时间序列模型提取道路交通流量序列中线性特征,得到交通流序列预测残差。SVM模型能提取道路交通流量的残差序列非线性特征,对交通流预测残差进行修正。这两个模型组合能有效地提取时间序列全部特征,预测性能更佳。同时采用ARIMA-SVM组合模型对交通流量时间序列数据进行短时预测,其平均绝对误差和平均百分比误差分别为7.7%和12.7%,说明ARIMA-SVM组合模型预测效果较好。在ARIMA、SVM、ARIMA-SVM模型中,SVM模型预测性能最差,其平均绝对误差和平均百分比误差分别为28.2%和46.2%。

摘要： 利用大数据技术来研究海量的交通数据,是当前研究热点之一。而长短期记忆网络(LSTM)对大数据训练具有很强的适应性和出色的扩展性,相较于RNN无法处理长期依赖的问题具有很大的优势。基于LSTM神经网络,针对人为经验调参困难的问题,提出了一种基于贝叶斯优化的LSTM模型。最后利用英国高速公路数据集进行验证,测试模型对交通流量预测的有效性与准确性。实验结果表明,基于贝叶斯优化的LSTM模型表现出了良好的性能,预测精度较高。

摘要： 为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.

摘要： 物联网和大数据流式计算的快速发展为智能交通系统的研究带来新的机遇.交通流量预测一直是智能交通系统的关键问题.针对交通流量预测中一个固定模型无法适应多种环境的问题以及面向数据流的模型更新问题,本文提出一种基于变结构动态贝叶斯网络的交通流量预测方法.该方法以复杂事件处理和事件上下文为基础,通过上下文聚类进行历史数据的划分,并通过事件流在线聚类支持聚簇的更新.面向不同聚簇的数据,采取搜索-打分的方法学习对应的贝叶斯网络结构,基于高斯混合模型实现贝叶斯网络的近似推断.在线预测时根据当前上下文选择合适的模型或模型组合进行预测.真实和仿真数据上的实验结果表明本方法能够获得比当前常用方法更好的预测效果.

摘要： 针对复杂交通路段下的短时交通流量模型的参数估计问题,建立了基于宏观交通流量预测的状态空间模型,提出了基于正交自适应差分演化的无迹卡尔曼滤波(UKF)算法,解决交通流量预测动态模型的参数优化问题.对差分演化算法(DE)的初始化过程,使用基于正交设计和量化技术的交叉算子最大限度地提高种群的多样性,平衡差分演化算法的开采性和勘探性,更高效地搜索无迹卡尔曼滤波的模型参数.并针对UKF、DE的不同情况,分男q采用不同的自适应策略提高调节算法性能.实验结果表明,相对于单独使用随机分布的方式初始化,或者根据经验设置模型参数的方法,使用正交设计方法的初始化策略、变异算子以及参数自适应控制策略的差分演化算法能够有效地节省计算资源,提升预测性能和精度,具有更高的鲁棒性.

摘要： 本文在分析道路交通量预测特点基础上,运用PCA法(主成份分析法)建立节点重要度函数,应用节点重要度推断路段交通量,最后,结合某区域公路网规划进行了实际运用,具有一定的实用性.

摘要： 为实现电梯的合理选型配置，须对大楼内电梯交通流做出准确预测以期达到节省建筑资源、合理分配客流等目的。本文采用统计分析系统(Statistical Analysis System，SAS)软件，利用一种非平稳时间序列专用的自回归滑动平均(Autoregressiveintegrated moving average model，ARIMA)建模方法，建立一种电梯交通流预测模型.采用天津某大厦的电梯交通流数据对模型进行训练和预测，通过比较模型预测值与实测数据验证该预测模型的有效性。仿真实验结果验证了该模型能有效预测电梯交通流。

摘要： 为实现电梯的合理选型配置，须对大楼内电梯交通流做出准确预测以期达到节省建筑资源、合理分配客流等目的。本文采用统计分析系统(Statistical Analysis System，SAS)软件，利用一种非平稳时间序列专用的自回归滑动平均(Autoregressiveintegrated moving average model，ARIMA)建模方法，建立一种电梯交通流预测模型.采用天津某大厦的电梯交通流数据对模型进行训练和预测，通过比较模型预测值与实测数据验证该预测模型的有效性。仿真实验结果验证了该模型能有效预测电梯交通流。

摘要： 为实现电梯的合理选型配置，须对大楼内电梯交通流做出准确预测以期达到节省建筑资源、合理分配客流等目的。本文采用统计分析系统(Statistical Analysis System，SAS)软件，利用一种非平稳时间序列专用的自回归滑动平均(Autoregressiveintegrated moving average model，ARIMA)建模方法，建立一种电梯交通流预测模型.采用天津某大厦的电梯交通流数据对模型进行训练和预测，通过比较模型预测值与实测数据验证该预测模型的有效性。仿真实验结果验证了该模型能有效预测电梯交通流。

摘要： 为实现电梯的合理选型配置，须对大楼内电梯交通流做出准确预测以期达到节省建筑资源、合理分配客流等目的。本文采用统计分析系统(Statistical Analysis System，SAS)软件，利用一种非平稳时间序列专用的自回归滑动平均(Autoregressiveintegrated moving average model，ARIMA)建模方法，建立一种电梯交通流预测模型.采用天津某大厦的电梯交通流数据对模型进行训练和预测，通过比较模型预测值与实测数据验证该预测模型的有效性。仿真实验结果验证了该模型能有效预测电梯交通流。

摘要： 基于交通流量数据融合的交通速度预测方法，包括如下步骤：(1)数据预处理；对原始交通数据进行数据预处理，包括历史交通速度数据和交通流量数据；(2)基于交通流量数据融合的交通速度预测模型的设计；交通速度预测模型包括流量预测层、数据融合层、时空分析层和预测输出层；(3)样本数据集的生成和交通速度预测模型的训练；拆分基于步骤(2)所得的交通数据，生成训练数据集、验证数据集和测试数据集，训练交通速度预测模型；(4)未来时间段交通速度的预测；基于步骤(3)训练得到的预测模型，根据采集的交通数据，预测未来时间段的交通速度。本发明还包括实施基于交通流量数据融合的交通速度预测方法的系统。

摘要： 本发明公开了一种基于交通流量特征提取与分类的交通拥堵预测方法，步骤依次为：数据提取与划分，绘制交通流量时序图，拥堵阶段分类，图像特征提取与分类以及交通拥堵识别及预测。本发明解决了在现有交通拥堵预测方法中实时性不强、便捷度不高、准确性不佳而带来的误差问题，既适用于城市交通，又适用于公路交通，具有一定的推广应用价值，可为交通拥堵预测提供参考。

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： 根据本公开的一个实施例的装置是一种交通流量仿真器，其仿真在道路网络中生成的多台仿真车辆的交通流量。该交通流量仿真器包括：路线选择单元，其依据预定路线选择模型为多台仿真车辆选择路线；以及指标计算单元，其依据路线移动在道路网络中的多台仿真车辆并且计算道路网络的交通评估指标。该路线选择单元将在执行下述第一模式时所选择的第一路线以及在执行下述第二模式时所选择的第二路线记录到存储单元中，所述第一模式是在第一设置条件下仿真交通流量的操作模式，所述第二模式是在第二设置条件下仿真交通流量的操作模式。

摘要： 本发明涉及一种基于交通信号灯变化控制以及交通流量数据的拥堵预测模拟教具，包括道路模拟平台以及流量控制平台，所述道路模拟平台包括四个双向车道以及设置在四个双向车道内的交通信号灯，所述双向车道为第一变速轨道，工具车放置于变速轨道之上以用来工具车辆正常行驶，所述流量控制平台包括设置于道路模拟平台一侧的车辆等候系统以及车辆进场系统，所述车辆进场系统包括第二变速轨道，所述双向车道的各个路口处设置有控制车辆是否转移进入其他车道的控制装置，交通信号灯与控制装置联动，控制装置可根据交通信号灯的变化情况来控制车辆的转移情况。

摘要： 本发明提供融合GPS数据和卡口流量数据的城市交通流量预测方法，其可以得到较为准确的预测基础数据，同时基于全路网的交通因素，提供更为准确的交通流量预测数据。本发明的技术方案中，提供了将GPS速度数据和卡口流量数据融合的方法，将GPS速度数据和卡口流量数据融合之后作为基础数据，不但考虑了待测道路的车流量还考虑了车辆的速度，从车流量和速度两个方面综合考虑，提供了更加完整的交通状态信息；同时，将基础数据从空间和时间两个维度进行考虑，使待预测路段处于整个待预测地图区域中进行交通流量预测，确保能够提供更切合实际的交通流量数据，尤其适用于复杂路网下的交通流量预测需求。

摘要： 本申请提供了一种交通仿真模型生成方法、交通流量预测方法及相关装置，其中，交通仿真模型生成方法包括：获取浮动车在预设范围内行驶的轨迹数据，其中，预设范围包括预设时间和预设区域；获取在预设范围内的预设路段上通行的所有车辆进行监测的监测车流量；根据轨迹数据和监测车流量，对预设范围内所有路段的所有车辆的车流量进行预估，得到全局OD矩阵，其中，全局OD矩阵包括预设范围内所有路段的所有车辆的预估车流量；将全局OD矩阵中的预估车流量分配至预设交通路网中，并根据监测车流量对全局OD矩阵中的预估车流量进行调整，得到交通仿真模型。本申请能够降低交通仿真模型生成过程中耗费的开发成本和时间成本。

摘要： 本发明提供融合GPS数据和卡口流量数据的城市交通流量预测方法，其可以得到较为准确的预测基础数据，同时基于全路网的交通因素，提供更为准确的交通流量预测数据。本发明的技术方案中，提供了将GPS速度数据和卡口流量数据融合的方法，将GPS速度数据和卡口流量数据融合之后作为基础数据，不但考虑了待测道路的车流量还考虑了车辆的速度，从车流量和速度两个方面综合考虑，提供了更加完整的交通状态信息；同时，将基础数据从空间和时间两个维度进行考虑，使待预测路段处于整个待预测地图区域中进行交通流量预测，确保能够提供更切合实际的交通流量数据，尤其适用于复杂路网下的交通流量预测需求。

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。