精华内容
下载资源
问答
  • 基于分形与三次指数平滑的交通流量预测模型
  • 多模态的交通流量预测模型根据历史数据判断交通模态的改变情况,在整合自回归移动平均模型(ARIMA)预测的基础上,利用模态修正函数动态调整ARIMA预测中产生的时滞误差。以实际交通流数据为样本进行的实验分析结果表明,...
  • 基于神经网络及相似日的城市交通流量预测模型研究.pdf
  • 基于PSO的BP神经网络-Markov船舶交通流量预测模型.pdf
  • 基于遗传小波神经网络的港口船舶交通流量预测模型比较.pdf
  • 基于改进的遗传算法优化的BP神经网络交通流量预测模型.pdf
  • 通过分析历史流量数据与上游路段的流量数据建立基于模糊回归的交通流量预测模型。并通过长春市路段上的实际数据验证表明,各拟合的中心值和观测值的相对偏差平均在8%以内,论文建立的模糊回归对于单个路段预测的...
  • 根据交通流的时空关联性和非线性,提出一种基于时空分析的短时交通流量预测模型。在相关系数的基础上扩展时空语义,提出时空相关分析算法,并以支持向量机为预测工具进行预测。弥补现有模型在预测因子选取方面的不足,...
  • 说明: 使用三种图卷积做一个简单的交通流量预测模型。 我所用的环境: PyTorch=1.4.0 torchvision=0.5.0 cudatoolkit=10.1 cudnn=7.6.3 若哪里不足请指出来,共同学习。
  • 1.基于数据驱动的城市路网短期交通预测模型。 该模型先将时间序列划分为趋势序列和残差序列。对这两个时间序列重构后,进行了基于LSTM-RNN的模型训练和预测。然后将这两个结果组合在一起,产生最后的预测。最后在...

    一、问题的提出

    交通网络受各类因素影响,不同时段、不同道路的交通流间相互关联、彼此作用,且显示出不确定性和复杂性。

    二、交通流预测的相关工作

    1.基于数据驱动的城市路网短期交通流预测模型

    该模型先将时间序列划分为趋势序列和残差序列。对这两个时间序列重构后,进行了基于LSTM-RNN的模型训练和预测。然后将这两个结果组合在一起,产生最后的预测。最后在两个城市道路网对模型进行评价。结果显示,数据处理模型增强了模型的鲁棒性。但LSTM和RNN存在梯度弥散和梯度爆炸问题。

    2.基于DNN的交通预测模型(DNN-BTF)

    该模型运用交通流的周期性和时空特性以及注意力机制,可以自动学习历史交通流量的重要特征。使用CNN模型提取交通流的空间特征,使用RNN提取交通流的时间特征。虽然CNN可以有效的提取网格数据的空间特征,但不适合图结构的时空数据的特征描述和时空相关性分析。

    3.基于图像的交通速度预测模型

    可以自动学习抽象的时空交通特征来提取时间关系。
    分为两大步骤。第一,将路网流量变换成图像,此图像将交通网络的时间和空间维度分别作为图像的两个维度。因为相邻路段在图像中也是邻近的,因此能够保存时空信息。
    第二,使用基于CNN的深度网络模型对比图像进行交通预测。
    但CNN无法直接处理路网结构

    4.基于误差反馈递归卷积神经网络(eRCNN)进行车速预测

    将相邻道路的时空车速视为输入矩阵,eRCNN运用相邻路段间的隐含相关性来提升模型的预测精度。
    最后对北京市二三环出租车的真实数据进行大量实验,验证了eRCNN模型的优秀的预测能力,但模型没有考虑道路的交通流方向

    5.使用GCN和GRU组合模型用于高速公路和出租车数据集进行车速的预测
    加入噪声验证模型的鲁棒性,结果显示此模型达到较好的性能。但此模型未考虑到路网内交通流之间的特性

    6.根据最小二乘支持向量机提出一种改进型的灰狼优化算法进行交通流量预测。
    但没有考虑外部特征对模型的影响

    7.构造基于关键路段的混合卷积长短期记忆神经网络模型(CRS-ConvLSTM NN)来估计未来交通的变化。
    但没有考虑周期特性和外部环境信息

    8.DCRNN(扩散卷积循环网络),分别采用扩散卷积和循环网络在有向图上捕获交通流的空间和时间依赖性。
    结果表面该模型具有良好的预测精度。

    9.提出了STGCN(时空图卷积网络)
    可以提取时空特征且捕捉空间的依赖关系

    但8和9均没有考虑周期特性和外部环境信息

    因此,本文构造一个周期性注意力机制来解决周期性变化问题

    在这里插入图片描述

    三.空间相关性建模

    传统的卷积神经网络(CNN)能获取局部空间特征,但CNN限于处理欧式数据(图像、语音)。城市道路网是非欧几里得拓扑图,表面CNN不能描述城市道路网的复杂拓扑结构。而GCN用于提取图的数据的空间相关性,如图的a部分所示。

    四.时间依赖性建模

    如果仅仅将前几个时间间隔(往往是几个小时)进行流量预测,就会忽视长期相关性(如周期性),周期性在时空预测问题中是一个非常重要的特征。
    经过空间特征提取后,接着使用LSTM来获得时间序列依赖关系。此外,还选取天气信息特征一起输入进LSTM,等同于对输入的LSTM的数据添加一维特征,继而对道路上的交通流量进行预测。
    训练LSTM处理长期信息是一项艰巨任务,因为随着时间序列长度的增加,会显著减弱周期性的影响。为解决此问题,应该对预测目标的相对时段进行建模(如昨天这个时候,前天这个时候等)进行建模。然而仅考虑相对时段是不够的,因为这忽略了周期的时间变化。如工作日的高峰期常出现在下午的后半段,可能在下午四点半到下午七点之间。如果遇到交通事故或出现交通拥堵现象,就会出现周期的变化。也就是说周期性非严格按日或周的。
    并不是先前的每一天对目标预测贡献相同,我们利用一种注意力机制捕获时间的变化,且获取到前几天的每一天的加权表示。如图的c部分所示。

    五.数据集

    用到的数据集是PeMS,从多余39000个单独的探测器中收集的,本文使用的是2017-2018年的圣地亚哥地区的探测器。交通流的搜集时间段从2017年的6月至2018年的4月(共13个月)。选取了前12个月的数据作为训练集,并用最后一个月(2018年4月)的数据作为测试集

    六、评价指标

    在这里插入图片描述
    对于这三个指标,值越小性能越好

    七、实验结果

    在这里插入图片描述
    本文提出的STPAN模型在PeMS数据集上较好地实现了对交通流量的预测。

    八、消融实验

    为证明STPAN模型中的每个组件对预测效果的影响,用控制变量发对STPAN的变体做进一步的研究。虽然更改了部件,但是所有变体均拥有相同的框架结构和参数设置。具体地说,在提出的STPAN框架中,一次删除一个组件。STPAN的命名如下:
    (1)STPAN/noGCN:不带GCN组件的STPAN模型,这种没有GCN的STPAN变体对空间相对性不敏感
    (2)STPAN/noPA:没有周期性注意力机制的STPAN模型。STPAN/noPA有两个LSTM网络。一个是作为捕获短期依赖关系,另一个根据前3天信息中的相对时间来获取长期信息。
    在这里插入图片描述
    表面空间依赖性和周期注意力机制的加入对模型的预测性能有了一定的提升。

    九、实验结论

    实验结果表面,在不同的预测间隔下,STPAN模型的预测性能均优于其他方法。此外,还将STPAN和两种变体进行了对比实验,表面该模型是最好的。

    展开全文
  • 用卡尔曼滤波理论建立了交通流量预测模型, 并用两种方法对基本模型进行改进; 利用线圈检测器提供的实测交通流量, 预测了路段未来时段的交通流量。
  • 针对传统的短时交通流量预测算法存在精度低和误差大的缺点,提出一种基于EMD和LSSVM组合模型的短时交通流量预测模型。针对短时交通流量数据,运用经验模态分解EMD分解技术将短时交通流量数据分解成个若干IMF分量和...
  • 本文件主要采用小波神经网络建立一个预测模型
  • 预测模型】基于小波神经网络的短时交通流量预测matlab源码.md
  • 基于小波神经网络的道路交通流量实时预测模型研究
  • 为了提高交通流量控制和优化的精度,将混沌理论引入PSO对LS-SVM的核参数和惩罚系数进行优化选择,提出一种ECLS-SVM交通流量预测模型。通过基于ECLS-SVM算法的单步、3步、5步和7步预测结果和不同模型的预测时间和预测...
  • 因此,本文基于多元季节性时间序列 (SARIMAX) 原 理,建立考虑节假日效应的城市交通枢纽客流量预测模型,并以上海虹桥 2 号航站楼 站轨道交通客流量数据为基础,对该模型进行了标定和预测.标定结果显示,在春节期 间...
  • 本文提出了一种结合小波分解和重构与极限梯度提升(XGBoost)算法的交通流量预测模型,以预测短期交通流量。 首先,在训练部分,利用小波降噪算法获得目标交通流的高频和低频信息。 其次,通过阈值方法处理交通流量...
  • 交通流量预测模型得出的预测结果,需要相应的性能评价指标用以对预测结果作出评价。为了有效判断算法模型对交通流量预测的性能表现,需要结合多种指标来衡量预测模型的效果优劣,通常使用均方误差、均方根误差、平均...

    交通流量预测模型得出的预测结果,需要相应的性能评价指标用以对预测结果作出评价。为了有效判断算法模型对交通流量预测的性能表现,需要结合多种指标来衡量预测模型的效果优劣,通常使用均方误差、均方根误差、平均绝对百分误差等指标来衡量。具体误差测量公式简介如下:

    0.误差(Error):预测值减去真值。

    Error=observed_{t}-predictedt_{t}

    范围(-∞,+∞)如果预测值高于实际值,那么误差为正,若低于实际值,则误差为负。

          

    1.偏差(Bias):误差的平均值,此处N为预测值或真值的总数。偏差的缺点在于偏差为误差在所有时刻的累加,若某一时刻误差为正值可能会抵消掉另一误差为负值的时刻,因此预测模型可能会得到偏差较小,而预测精度却很低,故只使用偏差不足以对预测精度进行评估。

    Bias=\frac{1}N\sum_{t=0}^{N} (observed_{t}-predicted_{t})

     

    2.均方误差(Mean Square Error):均方误差是指参数估计值与参数真值之差平方的期望值,是预测误差平方之和的平均数,平方避免了正负误差不能相加的问题,同时对误差进行平方,也加强了数值大的误差在模型训练中的权重。相比于均方根误差少了开根号的运算,故计算速度快。

    MSE=\frac{1}{}N\sum_{t=0}^{N}(observed_{}t-predicted_{}t)^{}2

    范围[0,+∞),当预测值与真实值完全吻合时等于0,即完美模型;误差越大,该值越大。

          

    3.均方根误差(Root Mean Square Error):均方根误差是均方误差的算术平方根,具体公式如下:

     

    RMSE=\sqrt{\frac{1}{}N\sum_{t=0}^{}N(observed_{}t-predicted_{}t)^{}2}

    范围[0,+∞),当预测值与真实值完全吻合时等于0,即完美模型;误差越大,该值越大。

          

    4.平均绝对误差(Mean Absolute Error):观测值与真实值的误差绝对值的平均值。

    MAE=\frac{1}{}N\sum_{t=0}^{}N|observed_{}t-predicted_{}t|

    范围[0,+∞),当预测值与真实值完全吻合时等于0,即完美模型;误差越大,该值越大。

     

    5.平均绝对百分比误差(Mean Absolute Percentage Error):

    MAPE=\frac{1}{N}\sum_{t=0}^{N}|\frac{observed_{}t-predicted_{}t}{observed_{}t}|

    范围[0,+∞),数值越小,表示模型预测性能越好。

    注意:当真实值有数据等于0时,存在分母0除问题,该公式不可用。

     

    6.对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error):

    SMAPE=\frac{1}{N}\sum_{t=0}^{N}\frac{|observed_{}t-predicted_{}t|}{(|observed_{}t|+|predicted_{}t|)/2}

    注意:当真实值有数据等于0时,存在分母0除问题,该公式不可用。

     

    7.均方对数误差(Mean Square Log Error):

    MSLE=\frac{1}{}N\sum_{t=0}^{}N)[log(1+observed_{}t)-log(1+predicted_{}t)]^{}2

     

    8.中位数绝对误差(Median Absolute Error):通过取预测值与实际值之间的所有绝对差值的中值来计算损失。

    MedAE=median(|observed_{}0-predicted_{}0|...|observed_{}n-predicted_{}n|)

     

    9.R方值(R2-Score):即决定系数,反映的是自变量对因变量变化的解释程度。

    R_{}2=1-\frac{\sum_{t=0}^{N}(observed_{}t-predicted_{}t)^{}2}{\sum_{t=0}^{N}(observed_{}t-mean)^{}2}=\frac{ESS}{TSS}=1-\frac{RSS}{TSS}

    其中,

    TSS(Total Sum of Squares)=\sum_{t=0}^{N}(observed_{}t-mean)^{}2

           表示观测值的离散程度,正比于方差。

          RSS(Residual Sum of Squares)=\sum_{t=0}^{N}(observed_{}t-predicted_{}t)^{}2

    表示预测值与观测值的残差。

    ESS(Explained Sum of Squares)=\sum_{t=0}^{N}(predicted_{}t-mean)^{}2

    观测值与样本平均值的离差平方和。

     

    在衡量二分类问题的机器学习或深度学习模型性能时,还可查全率(Recall)、查准率(Precision)和F1-score,以及在此基础上混淆矩阵(Confusion Matrix)、受试者工作特征曲线(Receiver Operating Characteristic)等性能度量指标。但交通流量预测并不是传统意义上的二分类问题,并不能将预测结果强行分为正负类,故查全率和查准率等性能度量指标并不适用于交通流量预测模型的评价。

    展开全文
  • 基于深度卷积神经网络的交通流量预测数学模型设计.pdf
  • 交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在...本文利用SVM(supportvectormachine)构建了短时交通流量预测模型,并利用遗传算法(geneticalgorithm)对SVM的惩罚参数C和核参数。进行优化,同时比较S
  • 提出一种基于“先分-独立预测-再合”思想的新型交通流量预测模型. 其应用小波变换技术, 对交通流量数据 进行分解和重构, 将得到的低频概貌信号和高频细节信号, 分别用3 次平滑指数和ARIMA 进行拟合, 并应用逐步...
  • 为解决卡尔曼滤波模型预测交通流量存在的时间滞后性问题,在已有卡尔曼滤波短时交通流量预测模型基础上,结合城市道路交通流日相似性特点,对已有卡尔曼滤波预测模型进行改进,并通过模糊逻辑方法对改进模型中的参数...
  • 采用基于混沌动力系统的相空间重构和非线性系统的Volterra级数展开式,构建了交通流量的Volterra自适应预测模型。其基本思想是首先采用Lyapunov指数判定交通流时间序列存在混沌的前提下,对该时间序列进行相空间重构...
  • 而,仅将这些方法应用到具体的路网场景下的交通流量预测问题是不够合理的的,本文提出了一种优化的时空交通流量预测模型,将线图转换到道路交通拓扑结构的建造过程,并利用GCN实现了更有效的路网空间特征提取能力,...
  • 船舶交通流量预测的灰色神经网络模型.pdf
  • 为此,提出基于组合模型的交通流量预测方法,该方法将历史趋势模型和多元回归模型加权组合以建立组合预测模型,并利用加权平均的方法,对较精确的预测值赋予较大的权重,从而提高模型预测的精度。通过对2009年上海城市...
  • 模糊综合模型采用模糊方法来综合这两个单项模型的输出,并把它的输出作为整个组合模型的最终交通流量预测值.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...
  • 为了提高短时交通流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种粒子群优化神经网络的短时交通流量预测模型。将相空间重构和预测模型参数编码为粒子群的粒子,短时交通流量预测精度作为粒子群的...
  • 基于UTN模型的并行运输管理系统交通流量预测

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 4,535
精华内容 1,814
关键字:

交通流量预测模型