公共文化服务平台

搜索到347篇“ 短时交通流量“的相关文章

基于多数据融合的短时交通流量预测算法研究: 2025年; 针对单一模型无法分析复杂、非线性交通流数据的问题,在多平台数据融合的基础上提出了一种面向短时交通流量的组合预测算法。对于交通流数据具备的时间性和空间性特征,首先使用径向基函数(RBF)神经网络对相邻节点的空间交通流数据进行分析,然后利用ResNet对RBF神经网络效率低的缺陷加以改进,最后通过双向长短期记忆(LSTM)网络的时间序列分析能力提取交通流数据的时间特征。同时,引入了萤火虫算法对时空模型的参数进行优化。对基于公共数据集获取到的车辆、天气、高速公路等多平台信息进行了试验。相较于对比算法,所提算法的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)指标均最优,预测值与实际流量值最接近。该算法的综合性能较理想,且鲁棒性较强。; 于欣海; 关键词：径向基函数萤火虫算法交通流量预测

基于深度时序聚类的城市卡口短时交通流量预测: 2025年; 目前,基于深度学习的交通流量预测方法存在不足。首先,基于图卷积网络的预测模型使用简化的路网拓扑,忽视了实际交通组织信息,影响预测准确性。其次,基于聚类的预测模型未考虑交通流的区域和时间相似性,未能有效利用时空模式,导致聚类结果对预测提升有限。此外,过大的训练样本增加了训练和预测时间,影响实时性。为了解决上述问题,提出了基于深度聚类的城市卡口短时流量预测模型(deep temporal clustering traffic flow prediction,DTCTFP)。首先,构建包含实际交通组织信息的路网拓扑,利用图卷积网络挖掘卡口间的时空特性;其次,引入改进的动态时间规整和最短路径分析方法,将相似的交通流对象归类到同一簇,使模型充分利用流量、时间、位置等特征信息,提升预测精度;最后利用基于簇的循环神经网络进行预测,提高模型的实时性和计算效率。基于重庆大渡口交通数据进行了实验验证,结果显示,相较于最新基准模型,在MAE、RMSE、MAPE指标上,平均降低了15.02%、10.72%、10.98%,并通过消融实验证实了所提出的聚类方法能够提升14.5%的预测准确性。; 郭健郑皎凌乔少杰邓鸿耀孙吉刚李欣稼; 关键词：交通流量预测循环神经网络动态时间规整

基于卷积神经网络的短时交通流量预测与可视化分析方法设计: 2025年; 为了解决交通拥堵现象日益严重的问题,如何使用智能预测手段对交通流量进行预测并提供可视化操作的研究变得至关重要。在传统卷积神经网络的基础上做出改进,提出一种基于时空卷积网络的短时交通流量预测模型。对提出的模型性能进行检测,发现模型在进行预测到5 min时,能够取得最佳效果。随着时空卷积层数的增加,模型的MAE值、RMSE值、MAPE值均有所降低,预测性能越来越好。但当卷积层数超过3时,MAE值、RMSE值、MAPE值开始回升。因此,当模型中的时空卷积层数为3时,模型的性能最好。比较不同模型在同一数据集下的预测情况,随着预测时间的增加,该模型的MAE值和RMSE值远小于其他模型。; 张贝贝田甜; 关键词：卷积神经网络交通流量可视化分析数据预测

基于组合权重模型的短时交通流量预测: 使用交通大数据进行短时流量预测是智能交通研究中的一个重要方向,准确的短时交通流量预测,可以有效控制交通拥堵、事故的发生。本文提出一种组合权重模型,通过确定权重因子,采用融合欧式距离和余弦距离的计算方法来寻找历史交通态势相...; 骆力; 关键词：欧式距离

基于CNN-LSTM-AM的短时交通流量预测: 2024年; 短时交通流量预测对于提高实时交通数据信息的精准性及增加车辆道路行驶的效益性具有重要意义。为能准确预测未来短期交通流量情况,支持智能交通系统的应用和决策,提出一种基于CNN-LSTM-AM的短时交通流量预测模型。首先利用卷积神经网络(convolutional neural network,CNN)来对交通流序列进行信息捕捉,从而提取交通流数据的动态变化特征;其次将所提取的特征向量构成时间序列作为长短期记忆(long short-term memory,LSTM)网络的输入;最后根据注意力机制(attention mechanism,AM)来分配LSTM隐含层不同权重,增强重要特征的作用,完成交通流量预测。采用美国加利福尼亚州高速路网数据库PeMS里面的相关数据信息,通过实验与其他神经网络预测模型进行对比,结果显示,CNN-LSTM-AM模型的相对平均误差(mean absolute percentage error,MAPE)值为0.254578%,R^(2)=0.583152,预测能力优于其他对比模型。其所用方法可以对未来短时交通流量预测提供一种思路模型。; 汤泽慧赵丹王晟由; 关键词：短时交通流量预测 CNN

基于连续时间卷积网络的短时交通流量预测: 2024年; 针对智能交通系统中的实时交通流量预测问题,传统的时间卷积网络虽然能够通过扩张卷积技术捕捉时间序列数据中的长期依赖关系,但其在处理任意长度的流量序列时存在局限性。为解决这一问题,笔者采用连续函数表示卷积核,并通过多层感知网络进行参数化,从而扩展了模型的感受野,使其能够并行处理任意长度的交通流量序列,而不依赖于递归结构。此外,该模型还综合考虑了交通流的内在特性和外部环境因素,通过数据预处理进行特征提取和选择,构建了适用于短时交通流量预测的模型。基于真实世界交通流量数据集上的实验结果表明,所提出的连续时间卷积网络模型在预测精度上显著优于传统时间卷积网络,平均绝对误差有显著降低,验证了该模型的有效性和优越性。; 陈涛殷仕山; 关键词：交通流预测

基于图注意力网络的短时交通流量预测: 2024年; 交通流量预测是时间序列分析中的一个重要问题,由于道路网络中存在复杂的动态时空依赖性,实现高精度交通流量预测具有挑战性。为了准确捕捉交通流量的时空动态特性,提出了一种时空注意力模型STBiPGAT。该模型将邻接矩阵和利用节点交通流提取的相关系数矩阵,分别与交通流量特征矩阵送入图注意力网络中,以并行方式提取空间局部动态特征与空间隐藏关系,且进行特征融合。考虑到节点空间特征向量在时间维度的上下文信息和周期性特性,构造双向GRU组件以提取交通流量的前后时间特征。引入自注意力机制解决不同时刻输入特征影响的差异,通过全连接层生成预测结果。在两个真实交通数据集上的实验评估结果表明,STBiPGAT预测误差低于对比模型预测误差,显著提升了预测精度,证明了其有效性。; 贺佳佳黄德启王东伟张阳婷; 关键词：交通流量预测

基于Bayes-ARIMA的景区公路短时交通流量预测: 2024年; 为方便景区公路交通组织及资源调度,提出了一种基于贝叶斯估计和ARIMA(Auto Regressive Integrated Moving Average model,差分自回归移动平均模型)的短时交通流量预测模型Bayes-ARIMA。通过ARIMA模型捕捉车流量时间序列特征,再通过贝叶斯方法引入其他时空因素的影响,充分利用2种模型的优势对车流量进行联合预测。结果表明:贝叶斯方法能够拟合交通流量的整体趋势,但在细节波动上的拟合精度明显不足,部分有用的细节信息丢失在残差序列中。ARIMA模型可以有效提取并还原贝叶斯预测残差序列中的有用信息,修正贝叶斯预测结果。与贝叶斯估计或ARIMA单独使用时相比,Bayes-ARIMA模型的均方根误差和绝对平均误差均有显著下降,表明Bayes-ARIMA组合模型的综合性能优于贝叶斯估计和ARIMA单一模型。; 王代君李明鹿守山; 关键词：短时交通流量贝叶斯 ARIMA

基于PSO-LSTM的短时交通流量预测网站设计被引量：1: 2024年; 短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。; 王宁成利敏甄景涛段晓霞; 关键词：智能交通系统短时交通流量预测 PSO算法

高速公路短时交通流量预测方法设计与实现: 2024年; 高速公路交通流量受到多个因素的影响,模式复杂多变,难以准确获取短时交通流动特征。为此,引入动态时空神经网络对高速公路短时交通流量进行预测。利用交通流量阈值,计算超出道路通行能力的车辆,根据数据样本之间的欧氏距离,修复交通流量数据。构建基于动态时空神经网络的高速公路短时交通流量预测模型,采用多层三维卷积捕捉短时交通流动特性,获取高速公路短时交通流量预测结果。实验结果表明,所提方法能够较好地拟合真实的交通情况,确定系数高达0.94,预测延误最高仅为0.009 ms。; 刘文疆; 关键词：高速公路短时交通流量交通流量预测

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈