精华内容
下载资源
问答
  • 针对现有交通流预测方法忽视对交通流数据自身特征有效利用以及不能模拟更复杂数学运算,提出了一种改进深度置信网络(deep belief network,DBN)的交通流预测方法。该方法结合深度置信网络模型与softmax回归...
  • 以北京三环路的一个区间路段作为短时交通流预测的背景,利用实际检测数据将非参数回归预测模型中核函数法和最邻近法2个不同的权函数方法进行了仿真对比研究,结果表明在相同的预测精度下,最邻近法更适合时间间隔比较短...
  • 实际交通流是一个明显含有噪声非线性时间序列。针对这一特点提出对此时间序列进行冥函数变换,变换之后噪声会比原始信号压缩程度更大,从而降低白噪声对预测结果不利影响;利用最小二乘支持向量机(LS-SVM)...
  • 在相空间滤波交通流预测模型中,并对实际数据进行仿真验证,将单点数据 相空间滤波预测模型和多点数据融合相空间滤波预测模型进行性 能对比分析,表明多点数据融合理论在交通流预测中有较好的应用效果。
  • 交通流预测是智能交通系统至关重要的一部分,应用交通流预测的方法非常多,由于实际路况的复杂性和单个.方法的局限性,现有方法的精确度亟待提高。为解决这一问题,采用数据融合的方法,对传感器采集的原始数据做...
  • 本文以短时交通流量预测为研究主题,总结了短时交通流预测的研究现状,在学习 交通流预测原理和支持向量回归(SupportVectorRegression,SVR)理论的基础上,对基 于SVR...
  • 在介绍现有的主要交通流预测方法的基础上,阐述了基于卡尔曼滤波的预测模型及其具体算法-结合城市环路的交通运行特性,构建了基于卡尔曼滤波的交通流短时预测模型,并根据北京市三环路的实际数据对模型进行验证。...
  • 现有的交通流预测方法主要采用浅层交通预测模型,在许多实际应用中仍不满足要求。这一情况促使我们重新思考基于大交通数据深度架构模型的交通流预测问题。本文提出了一种基于深度学习的交通流预测方法,该方法考虑...

    贴一下汇总贴:论文阅读记录

    论文链接:《Traffic Flow Prediction With Big Data:A Deep Learning Approach》

    一、摘要

    准确、及时的交通流信息对智能交通系统的成功部署至关重要。在过去的几年里,交通数据呈爆炸式增长,我们真正进入了交通大数据时代。现有的交通流预测方法主要采用浅层交通预测模型,在许多实际应用中仍不满足要求。这一情况促使我们重新思考基于大交通数据的深度架构模型的交通流预测问题。本文提出了一种基于深度学习的交通流预测方法,该方法考虑了交通流的时空相关性。一种堆叠的自动编码器模型用于学习通用的交通流特征,并以一种贪婪的分层方式进行训练。据我们所知,这是第一次使用自动编码器作为构建块应用深度架构模型来表示用于预测的交通流特征。实验结果表明,所提出的交通流预测方法具有较好的预测性能。

    文章主要内容

    使用深度学习架构,嵌入Stacked AutoEncoder(SAE)堆叠自编码器作为主体网络结构块来预测交通流。

    深度学习的优势:深度学习算法利用多层或深度神经网络体系结构,从最低层次到最高层次逐渐提取数据的固有特征,能够发现数据中大量的内在结构特征。

    二、结论

    基于SAE模型的深度学习方法用于交通流预测,与以往只考虑交通数据浅层结构的方法不同,该方法能够成功地从交通数据中发现潜在的交通流特征表示,如非线性时空相关性。

    采用贪婪分层无监督学习算法对深度网络进行预训练,然后对模型参数进行微调,以提高模型的预测性能。在PeMS数据集上评价了该方法的性能,并与BP神经网络、RW模型、支持向量机模型和RBF神经网络模型进行了比较,结果表明该方法优于其他竞争方法。

    可能的研究方向:

    • 将这些算法应用于不同的公共开放交通数据集,以检验它们的有效性;
    • 这篇文章的预测层只是一个逻辑回归,可以将其扩展到更强大的预测器以进一步提高性能。

    三、短期交通流预测的相关研究

    • 参数技术:时间序列模型、卡尔曼滤波模型等;
    • 非参数方法:k-近邻(k-NN)方法、人工神经网络(ANN)等;
    • 模拟方法:使用交通模拟工具来预测交通流量。

    四、SAE模型

    Stacked Autoencoder(SAE)模型是一个由多层稀疏自编码器组成的深度神经网络模型,其前一层自编码器的输出作为其后一层自编码器的输入,最后一层是个分类器(logistic分类器或者softmax分类器)。

    (一)sparse autoencoder算法

    sparse autoencoder是一种非监督学习算法,需要满足以下两种约束

    • autoencoder:输入等于输出hW,b(x)xh_{W,b}(x)\approx x
    • sparse:隐层的每个神经元的响应是稀疏的,也就是大部分时间响应为0,也就是平均响应p^j\hat p_j尽可能小(其中m为训练样本个数)p^j=1mi=1m[aj(2)(x(i))]\hat p_j=\frac1m\sum_{i=1}^m[a_j^{(2)}(x^{(i)})]

    代价函数

    J(W,b)=[1mi=1m(12hW,b(x(i))y(i)2)]+λ2l=1nl1i=1slj=1sl+1(Wji(l))2+βj=1s2KL(pp^j)J(W,b)=\Big[\frac1m\sum_{i=1}^m\Big(\frac12||h_{W,b}(x^{(i)})-y^{(i)}||^2\Big)\Big]+\frac{\lambda}2\sum_{l=1}^{n_l-1}\sum_{i=1}^{s_l}\sum_{j=1}^{s_l+1}(W_{ji}^{(l)})^2+\beta\sum_{j=1}^{s_2}KL(p||\hat p_j)其中y(i)=x(i)y^{(i)}=x^{(i)}

    • 第一项为autoencoder的约束项;
    • 第二项为惩罚项目,防止过拟合;
    • 第三项为稀疏的约束,是一个KL散度的衡量标准:KL(pp^j)=plogpp^j+(1p)log1p1p^jKL(p||\hat p_j)=p\log\frac p{\hat p_j}+(1-p)\log\frac{1-p}{1-\hat p_j}

    最优化方案

    该约束函数是一个非凸函数,采用批量梯度下降算法
    Wij(l)=Wij(l)αWij(l)J(W,b)bi(l)=bi(l)αbi(l)J(W,b)W_{ij}^{(l)}=W_{ij}^{(l)}-\alpha\frac{\partial}{\partial W_{ij}^{(l)}}J(W,b)\\b_i^{(l)}=b_i^{(l)}-\alpha\frac{\partial}{\partial b_i^{(l)}}J(W,b)
    其中Wij(l)J(W,b)=[1mi=1mWij(l)J(W,b;x(i),y(i))]+λWij(l)bi(l)J(W,b)=1mi=1mbi(l)J(W,b;x(i),y(i))\frac{\partial}{\partial W_{ij}^{(l)}}J(W,b)=\Big[\frac1m\sum_{i=1}^m \frac{\partial}{\partial W_{ij}^{(l)}}J(W,b;x^{(i)},y^{(i)})\Big]+\lambda W_{ij}^{(l)}\\\frac{\partial}{\partial b_i^{(l)}}J(W,b)=\frac1m\sum_{i=1}^m \frac{\partial}{\partial b_i^{(l)}}J(W,b;x^{(i)},y^{(i)})

    至于梯度可以用backpropagation(BP)算法来求解;

    (二)logistic回归模型与softmax回归模型

    logistic回归模型

    • 适用于二分类;
    • 模型函数:hθ(x)=11+exp(θTx)h_\theta(x)=\frac1{1+\exp(-\theta^Tx)}
    • 代价函数(最大似然):J(θ)=1m[i=1my(i)loghθ(x(i))+(1y(i))log(1hθ(x(i)))]J(\theta)=-\frac1m\Big[\sum_{i=1}^my^{(i)}\log h_\theta(x^{(i)})+(1-y^{(i)})\log(1-h_\theta(x^{(i)}))\Big]
    • 最优化方案:梯度下降算法。

    softmax回归模型

    • 适用于多分类;
    • 模型函数:hθ(x(i))=[p(y(i)=1x(i);θ)p(y(i)=2x(i);θ)p(y(i)=kx(i);θ)]=1j=1keθjTx(i)[eθ1Tx(i)eθ2Tx(i)eθkTx(i)]h_\theta(x^{(i)})=\left[ \begin{array}{c} p(y^{(i)}=1|x^{(i)};\theta)\\ p(y^{(i)}=2|x^{(i)};\theta)\\\vdots\\ p(y^{(i)}=k|x^{(i)};\theta)\\ \end{array} \right] =\frac1{\sum_{j=1}^k e^{\theta_j^Tx^{(i)}}}\left[ \begin{array}{c} e^{\theta_1^Tx^{(i)}}\\ e^{\theta_2^Tx^{(i)}}\\\vdots\\ e^{\theta_k^Tx^{(i)}}\\ \end{array} \right]
    • 代价函数:J(θ)=1m[i=1mj=1k1{y(i)=j}logeθjTx(i)l=1keθlTx(i)]+λ2i=1kj=0nθij2J(\theta)=-\frac1m\Big[\sum_{i=1}^m\sum_{j=1}^k1\{y^{(i)}=j\}\log\frac{e^{\theta_j^Tx^{(i)}}}{\sum_{l=1}^ke^{\theta_l^Tx^{(i)}}}\Big]+\frac{\lambda}2\sum_{i=1}^k\sum_{j=0}^n\theta_{ij}^2
    • 最优化方案:梯度下降算法。

    softmax回归分类器适用于k个互斥的类别的分类;k个logistic回归分类器适用k个并不完全互斥的类别的分类。

    (三)SAE模型

    在这里插入图片描述

    • 预训练:利用无标签数据对每一层的参数用sparse autoencoder训练初始化;
    • 微调:利用有标签数据对整个深度神经网络进行微调。

    本文中的应用

    下图便是这篇文章中使用的交通流预测的深度架构模型。采用SAE模型提取交通流特征,采用logistic回归层进行预测。

    在这里插入图片描述

    基于梯度优化技术的BP方法训练深度网络是很简单的。不幸的是,众所周知,用这种方式训练的深度网络性能很差。所以本文采用贪婪分层无监督学习算法的关键是采用自底向上的方式逐层对深层网络进行预训练。在预训练阶段结束后,可以使用BP进行微调,从上至下对模型参数进行微调,同时得到更好的结果。

    贪婪分层无监督学习算法:

    • 训练第一层作为一个自动编码器通过最小化目标函数与训练集作为输入。
    • 将第二层训练成自动编码器,将第一层的输出作为输入。
    • 按照第二步中的方法迭代所需的层数。
    • 使用最后一层的输出作为预测层的输入,随机或监督训练初始化其参数。
    • 在监督的方式下,用BP方法微调所有层的参数。
    展开全文
  • 非参数回归预测方法在交通流短时预测中得到了广泛应用. 针对提高搜索速度和关键参数优化设置两个 问题, 提出使用KD树作为模式库存储结构, 能够有效提高搜索速度, 并且能够在实际运行中不断将新发现交通...
  • 短时交通流智能混合预测技术:为了克服现有单项预测技术对不同交通流...实际应用结果表明,该混合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了2种模型各自的优势,是短时交通流预测的一种有效方法.
  • 论文研究-短时交通流量智能组合预测模型及应用.pdf, ...实际应用表明:该组合模型的预测精度高于单项预测模型各自单独使用时的精度,发挥了两种模型各自的优势,是短时交通流预测的一种有效方法.
  • 城市交通控制和诱导系统是智能交通系统(Intelligent Transport System, ITS)组成部分,而交通流预测特别是短时交通流预测是城市交通控制与交通诱导系统基础。由于缺乏交通量预测所需历史数据以及判断影响交通...
  • 采用计算机仿真技术,模拟驾驶员操纵车辆行驶时轨迹决策行为,研究在自由流交通状态下,道路几何线形对车辆行驶轨迹影响规律。为此,在郭孔辉院士提出预瞄最优曲率模型基础上,引入了SK道路几何模型,建立了...
  • 法是以交通流理论基础 、 以实际收费站流量数据和手机车速数据为输 入理论模型; 最后以历史数据进行检验证明算法可行性和有效 性,能够作为浙江省大范围推广 、 应用拥堵预测系统技术基础和 支撑 。
  • 其次,应当对用户使用资源的实际情况进行监视和跟踪(目的是记录用户对网络的实际需求),在可能情况下还要进行鉴别(以确保使用了特定用户所申请的资源的分组确实是来自于该用户的)。服务提供商最终将利用这些统计...
  • 我们看到了预测的影响,所以挂起在接下来的几年里,由于市场动荡了!行政总览全球互联网现象报告2019年九月52019年上半年显示运营商媒体流量占总流量的百分比显着增长互联网上的视频流量。在这种情况下,运营商...
  • matlab神经网络30个案例分析

    千次下载 热门讨论 2011-06-01 20:06:07
    第23章 小波神经网络时间序列预测——短时交通流量预测208 根据小波神经网络原理在MATLAB环境中编程实现基于小波神经网络短时交通流量预测。 第24章 模糊神经网络的预测算法——嘉陵江水质评价218 根据模糊神经...
  • 基于COM组件Matlab7_x与VC_6_0接口技术及实际应用.pdf 基于COM组件Matlab与VC_混合编程.pdf 基于DSP可视化多处理器软件设计.pdf 基于Flash和VC工程制图网上考试研究.pdf 基于Flash页面显示VC_编程实现...
  • 基于COM组件Matlab7_x与VC_6_0接口技术及实际应用.pdf 基于COM组件Matlab与VC_混合编程.pdf 基于DSP可视化多处理器软件设计.pdf 基于Flash和VC工程制图网上考试研究.pdf 基于Flash页面显示VC_编程实现...
  • 基于COM组件Matlab7_x与VC_6_0接口技术及实际应用.pdf 基于COM组件Matlab与VC_混合编程.pdf 基于DSP可视化多处理器软件设计.pdf 基于Flash和VC工程制图网上考试研究.pdf 基于Flash页面显示VC_编程实现...
  • 基于COM组件Matlab7_x与VC_6_0接口技术及实际应用.pdf 基于COM组件Matlab与VC_混合编程.pdf 基于DSP可视化多处理器软件设计.pdf 基于Flash和VC工程制图网上考试研究.pdf 基于Flash页面显示VC_编程实现...
  • 3、高光谱理论及应用:介绍高光谱遥各领域中的实际应用 主讲人:南京大学毕业博士、中科院遥感所博士后(2、3) 4、高光谱遥感最新应用:(1)、高光谱遥感与旱情监测应用;(2)、高光谱遥感与精细农业案例;(3)、...
  • 而船舶避碰终端(AIS)、北斗定位终端等通信导航设备的应用,给海上交通和作业带来了极大便利,但同时存在设备信息使用不规范造成巨大人身和财产损失,给海上安全治理带来了新挑战。 本赛题基于船舶轨迹位置数据...
  • 根据材料总体计划量以及合同签订价或最近采购价自动生成材料的目标成本,用以控制材料的实际成本。 ① 月材料采购计划 ·物资部根据技术部提供的月材料需用计划和当前软件中分析的库存量来编制材料采购计划,并与...
  • 根据材料总体计划量以及合同签订价或最近采购价自动生成材料的目标成本,用以控制材料的实际成本。 ① 月材料采购计划 ·物资部根据技术部提供的月材料需用计划和当前软件中分析的库存量来编制材料采购计划,并与...
  • 根据材料总体计划量以及合同签订价或最近采购价自动生成材料的目标成本,用以控制材料的实际成本。 ① 月材料采购计划 ·物资部根据技术部提供的月材料需用计划和当前软件中分析的库存量来编制材料采购计划,并与...

空空如也

空空如也

1 2
收藏数 34
精华内容 13
关键字:

交通流预测的实际应用