德是一个常见的应用模型在动态交通拥堵预测因为它允许模糊而不是二进制的结果。在这种方法中,几个成员函数开发那些代表真理的程度。浩瀚的随着时间的推移,交通数据变得复杂和非线性。由于它能够处理数据集的不确定性,模糊逻辑在交通拥堵已经成为流行预测研究。

模糊系统由几个模糊集,建立隶属度函数。通常有三个编纂形状选择隶属度函数(MFs)的输入:三角形、梯形、高斯函数。基于规则的模糊系统(美联储)是最常见的模糊逻辑系统在交通工程研究。它由几个if - then规则,逻辑上相关的输入变量与输出。它能有效地处理复杂造成实际的交通情况下,代表他们简单的规则。这些规则将不同交通状态检测之间的关系所产生的交通条件( 36]。然而,随着数据的增长复杂性,规则的总数也增加,减少整个系统的准确性,从而使其计算昂贵。为了更好地管理这个问题,两种类型的模糊逻辑控制应用。在分层控制(HFRBS),根据意义,输入变量是命令和MFs是雇佣。图 5显示了一个简单的HFRBS结构。MFs优化通过应用不同的算法,例如遗传算法(GA) [ 30.)、混合遗传算法(GA)和叉(CE) [ 28, 37)相比的性能进化的规则学习(ECRL)和进化模糊规则学习(EFRL)道路交通拥堵预测。是看到ECRL模型优于EFRL的平均精度和没有规则,但计算昂贵。

Takagi-Sugeno-Kang(啧啧)(美联储)模型是一种简单的模糊模型由于其数学可处理性。加权平均计算该模型的输出。另一个简单的美联储模型是Mamdani-type模型。这个模型的输出是一个模糊集,需要去模糊化,这是耗时的。由于其良好的可解释性,它可以提高模型模糊语言的准确性。曹和王 3]应用这个模型显示,拥堵程度变化道路等级。一些研究使用这种方法融合异构参数( 7, 13]。啧啧模型适用于改善一个精确的模糊模型的可解释性。啧啧适用于其快速计算特征( 37]。

模糊综合评价(FCE)利用模糊变换原理和最大隶属度。这个模型由几层,这是一个有用的客观评价方法,评估所有相关因素。层的数量取决于客观的复杂性和数量的因素。香港et al。 4和杨et al。 5]应用FCE考试的重量和省内各地的模糊矩阵是根据估计交通拥堵的交通流状态。自适应控制调整基于判断矩阵的权重系数。一定的权重分配计算参数的隶属度( 35]。

除了遗传算法和算法、蚁群优化(ACO)算法还引入了Daissaoui et al。 38在模糊逻辑系统。他们提供了一个智能城市的理论,每个车辆GPS数据信息素,一致的概念。未来的目标是预测交通堵塞一分钟从过去提供的信息(信息素)的汽车。然而,这篇文章并不给任何结果支持模型。

正如之前所讨论的,用优化算法的发展,优化模糊逻辑系统的隶属度函数变得多样化。随着时间的推移,FRBS-TSK已成为流行的最简单形式由于其良好的可解释性。一些其它行业的运输,模糊逻辑模型是流行的包括红绿灯/信号控制( 39, 40),交通流预测(张你们 41预测[]),交通事故 42),和修改张高速公路旅行时间估计的模糊逻辑(和通用电气 43])。

模糊逻辑系统是唯一的概率推理模型,可以有一个结果超过拥挤/ noncongested状态的交通状态。这是其中的一个主要优点,使得这种方法受欢迎。然而,没有研究已经提供了任何合理的逻辑选择隶属函数,模糊逻辑模型的一个重要限制。

隐马尔科夫模型(HMM)相结合的马尔可夫过程的随机特征和离散马尔可夫链的特征。这是一个随机时间序列事件识别技术。一些研究应用马尔可夫链模型对交通模式识别在交通拥堵预测( 21, 25, 44]。皮尔森相关系数(PCC)期间通常应用在参数模式建设。扎基et al。 32]嗯应用选择适当的预测模型从几个模型他们开发了应用自适应neurofuzzy推理系统(简称ANFIS)。他们获得了最佳状态转换四个处理步骤:初始化、递归、终止和回溯。最后一步分析前一步骤来确定当前状态的概率通过维特比算法。基于对数似初始模型的参数,定义为期望最大化(EM)算法,嗯的交通模式,选择合适的拥塞模型预测。Mishra et al。 23]应用discretised多个符号嗯(MS-HMM)预测模型命名的未来状态的预测(FSP)。他们评估不同路段模型适应性。生成一个标签包含隐藏MS-HMM、和输出用于FSP导致下一个隐藏的状态标签。

在交通工程,特别是在利用探测车辆数据,嗯在匹配是非常有用的。太阳et al。 45]嗯申请映射观察GPS点的轨迹附近的道路。这些候选点被作为嗯的隐状态。候选点接近观测点观测概率较高。转移概率两个相邻的候选人也被认为是为了避免误导结果产生突然的交通情况。

嗯显示精度在选择一个交通模式或流量点。它的优点是可以处理数据和异常值。然而,与短点采样间隔似乎匹配好,和长时间间隔和更高的类似调查数据降低了模型的精度。研究发现一个重要的长期不匹配采样间隔的数据集和类似的公路网络。

GPS跟踪系统得到了广泛的开发在这个卫星的时代。因此,使嗯造型目前更相关的地图匹配。其他部门的运输嗯应用包括交通预测[ 46),修改嗯速度预测( 47),和交通流状态转换 48)等。

高斯过程回归问题已被证明是一个成功的工具。形式上,高斯过程是一个随机变量的集合,任何有限数量的遵循联合高斯先验分布。回归,估计的函数被认为是由一个无限维的高斯分布,并观察到的输出是由加性高斯噪声污染。

杨( 29日交通拥堵预测]应用高斯分布在他们的研究。本研究分为三个部分。排名第一,传感器是根据应用的体积质量完成的 p测试。在第二部分的研究中,乐此不疲的拥塞发生概率确定方法。在这一部分的学习阶段,两个高斯概率模型由两个数据集的每一个点的利息。在决策阶段,模型输入交通量的价值评估,并预测分数呈现拥堵状态决定从两个模型的比率。最后,拥堵发生的概率的兴趣被发现通过组合和排序预测分数排名的传感器。朱et al。 49]给出了交通状态的概率分布。高斯分布的均值和方差参数的选择是一个重要的步骤。在这项研究中,应用EM算法。第一步生成的参数的对数似期望,而最后一步最大化。太阳et al。 45近似的GPS定位误差与高斯分布在路上,意思是0。从实际的GPS点误差计算,路段上的匹配点,GPS测量误差的标准差。

从上述研究中,看到的是高斯分布模型有一个有用的应用程序在减少特征数量在不影响预测结果的质量或位置在使用GPS数据误差估计。高斯分布也应用于交通量预测( 50),交通安全( 51),和交通速度分布变化 52]。

一个贝叶斯网络(BN),也称为因果模型,是一个有向图形化模型代表一组随机变量之间的条件独立性。这是概率理论和图论的结合提供了一种自然的工具来处理出现的两个问题通过应用数学和engineering-uncertainty和复杂性( 53]。

Asencio-Cortes et al。 54七)应用一个机器学习算法来计算交通拥堵预测。这种方法已经开发成一个二元分类问题应用HIOCC算法。机器学习算法应用于本研究再邻居的事例),C4.5决策树(C4.5),人工神经网络(ANN)的反向传播技术,随机梯度下降优化(SGD),模糊无序规则归纳算法(FURIA),贝叶斯网络(BN)和支持向量机(SVM)。三种算法(C4.5、FURIA和BN)可以产生可判断的可视的模型知识。一组集成学习算法被应用于改善这些预测模型的结果。整体算法组包括装袋,增加(演M1),堆垛,概率阈值选择器(PTS)。作者发现显著改善精度BN在应用集成算法。另一方面,金和王 34应用BN)来确定影响因素拥堵初始化道路上不同的部分。本研究的发展模式做了一个框架来评估不同的场景中排名和优先级。

贝叶斯网络是与整体表现更好的算法或修改,例如,交通流预测(其他运输部门 55和参数估计在个交通灯路口 56, 57]。

除了上面提到的模型,卡尔曼滤波器(KF)也是一个受欢迎的概率算法。增量的可用数据,数据融合方法越来越受欢迎。历史和实时交通数据的融合可以实现更高层次的交通拥堵预测精度。在这方面,KF普遍应用。扩展KF (EKF) KF的延伸,可用于随机筛选非线性噪声的均值和协方差估计的状态。因此,数据融合后,更新估计协方差误差通过删除离群值( 7]。

温家宝et al。( 8)应用遗传算法在交通拥堵预测从时空的交通环境。时序关联规则提取从交通环境应用遗传时态关联规则(GATARs)。他们提出的混合时序关联规则挖掘方法(包括HTARM) DBSCAN和GATAR方法。DBSCAN应用程序方法在本文前面讨论的。而使用GATAR编码,数量和拥堵路段被包含在染色体水平。解码是获取时序关联规则和分类根据信任和支持的价值规则池。对于模拟和真实的场景,提出HTARM方法优于GATAR时态关联规则提取和预测精度。然而,集群数量差异表现出很大的不同在两个场景。此外,道路网络复杂性的增加,预测精度降低了。

表 1总结了各种研究中使用的方法和不同的参数到目前为止我们已经讨论了。

人工神经网络(ANN)的开发,模仿人类大脑的功能来解决不同的非线性问题。它是一个一阶的数学或计算模型,该模型由一组相互连接的处理器或神经元。图 7显示了一个简单的安结构。由于其容易实现和有效的预测能力,安已经成为流行的交通拥堵预测领域的研究。Hopfield网络、前馈网络和反向传播的例子安。前馈神经网络(FNN)是最简单的神经网络,在输入数据到隐层到输出层。摘要利用反向传播神经网络由前馈和体重调整层和安是最常应用在交通管理。徐et al。 31日]摘要应用于交通流预测,从而评估交通拥堵因素在他们的研究。他们提议occupancy-based堵塞因子(CRO)评价方法与其他三个评估交通拥堵因素基于里程比交通拥堵(CMRC),道路速度(CRS)和车辆密度(CVD)。他们还评估数据大小的影响道路拥堵的实时渲染。复杂的道路网互联显示高并发症在模拟和渲染。该模型的优点是,它把小处理时间对高采样数据呈现。模型可以用作不同道路网络的拥塞预测模型。一些混合神经网络用于拥塞预测。纳迪姆和Fowdur 11]预测拥塞在空间空间,应用六SML算法与神经网络的结合。六SML算法包括滑动平均(MA)、自回归移动平均(ARIMA)集成,线性回归,二度和三度多项式回归,再邻居(资讯)。模型显示至少RMSE值与摘要相结合形成混合神经网络。隐藏层有7个神经元,它由试验和错误决定。然而,这是一个非常初步的工作水平。它没有显示数据增量的准确性的影响。

与以往的研究不同的是,那些专注于交通流参数进行交通拥堵预测研究;伊藤和Kaneyasu 60]分析了司机的行为预测拥塞。他们表明,车辆运营商的不同在不同阶段的旅程。他们使用一个分层的摘要学习女司机的行为和提取阶段根据旅行。结果显示平均效率82%的区分旅游阶段。

安是一个有用的机器学习模型的柔性结构。层的神经元可以根据输入数据。正如上面提到的,一个通用的模型可以开发和申请不同的道路类型通过非线性安的捕获能力的优势。然而,安需要更大的数据集的概率推理模型,从而导致高复杂性。

安显示巨大的潜力在不同参数分析。安是唯一的模式,最近申请司机行为分析交通拥堵。安很流行在每个部分的运输——交通流预测 61年, 62年],拥塞控制[ 63年),司机疲劳( 64年),和车辆噪声( 65年, 66年]。

回归是一种统计监督ML算法。模型预测的实际输出值基于独立编号输入数值变量。回归模型可以进一步划分根据输入变量的数量。最简单的回归模型是线性回归与一个输入功能。当特征数量的增加,生成的多元回归模型。

Jiwan et al。 27)建立了一个多元线性回归分析(MLRA)模型使用天气数据和交通拥堵数据预处理后使用Hadoop。起初,一个单一的所有变量的回归模型是三倍后使用r .还原过程,只有十个变量决定最后MLRA模型形式。张先生和钱 22]做了一个有趣的方法来预测早上高峰期拥堵使用家庭用电模式。他们用套索回归关联模式特性使用线性相关的关键特征选择的优势能力。

另一方面,耆那教等。 33)开发的线性和指数回归模型使用IBM SPSS软件找到相关变量。作者把异构车辆转化为乘用车单位(PCU)简化。三个独立变量被认为是基于估计叫做——(O-D)堵塞的措施。他们用PCC评价参数之间的相关性。然而,简单平均O-D节点参数可能不提供动态交通模式的实际情况。

回归模型包括一些隐藏的系数,在训练阶段决定的。最应用回归模型自回归移动平均(ARIMA)集成。华宇电脑有三个参数- p、d和q。“p”汽车回归秩序是指有多少需要考虑独立变量的滞后的预测。移动平均订单“q”介绍了滞后的预测错误数字。最后,“d”用于时间序列平稳。Alghamdi et al。 67年]d为1作为一个差分模型可以使静止的。接下来,他们应用了自相关函数(ACF)和偏自相关函数(PACF)随着最小信息标准矩阵确定的值 p和 问。他们只花了时间维度考虑。然而,结果倾向与真正的模式只有一个星期,需要调整考虑预测错误。此外,这项研究并没有考虑到空间维度。

回归模型是有用的应用时间序列问题。因此,回归模型适用于交通预测问题。然而,这些模型是非线性不可靠,快速变化的多维数据集。根据预测结果需要修改错误。

然而,正如已经在这篇文章中,将讨论和进一步的研究使用不同的回归模型来验证他们的模型 6, 11, 25, 68年, 69年]。

和与之相关的数据集和复杂性的增加,回归模型在预测交通堵塞越来越受欢迎。目前,回归模型是常用的与其他机器学习算法通过修改,例如,安和内核函数。一些其他领域的回归模型应用包括在交通速度混合ARIMA预测特定的车辆类型(王et al。[ 70年],交通量预测[ 71年),和流预测应用ARIMA(修改 72年]。

决策树是一个预测模型基于多个输入变量的一个输出。有两种类型的树:分类树和回归树。当这两个树合并,新树命名分类和回归树(CART)生成的。决策树使用了整个数据集特征提取。随机森林是一个监督毫升多个决策树分类算法的平均结果。在开发决策树使用的随机特性。它使用大量的CART决策树。的投票决策树预测类随机森林模型。

王等人。 9)提出了一个概率的方法,利用信息熵的理论工具和范诺不等式来预测道路交通模式及其相关拥堵城市道路段没有先验知识的O-D车辆。他们把道路拥堵水平到时间系列车辆状态映射到交通状况。间隔的影响可预测性,最优段长度和速度被发现。然而,用更少的可用数据,增加段数增加了可预测性。另一个交通参数,旅行时间,被刘用于查找CI和吴 73年]。他们应用随机森林ML算法预测交通拥堵状态。首先,他们提取100样本集构造100使用引导决策树。功能属性的数量被确定为平方根总数的特性。陈等人。 16购物车]应用交通拥堵预测和分类的方法。作者应用莫兰的我方法分析不同道路网络交通流间的时空相关性。该模型显示与支持向量机相比,和k - means算法有效性。

决策树是一个简单的分类问题解决模型,可以申请multifeature数据,例如,刘和吴 73年)应用天气条件、道路条件、时间周期,和节日作为输入变量。这个模型的知识可以在if - then规则的形式,使它更容易解释的问题。还需要记住分类结果通常是二进制,因此,不适合在拥堵水平是必需的。运输的其他部门,决策树模型应用交通预测( 74年)和交通信号优化模糊逻辑( 75年]。

支持向量机(SVM)是统计机器学习方法。这个模型的主要思想是将非线性数据映射到一个高维线性空间数据可以线性分类超平面( 1]。因此,它可以是非常有用的交通拥堵的交通流模式识别预测。曾et al。 13)确定旅行速度预测实时交通拥堵应用SVM。他们使用Apache风暴处理大数据使用上滔滔不绝的和螺栓。交通、天气传感器,和事件从社交媒体收集近距离在一起评估的系统。他们将车速分为类和标签。前三的速度间隔被用来训练模型。然而,拥堵程度categororised从0到100不带特定的严重性级别的知识,尤其是对道路使用者。增加训练数据提高了精度和计算时间。这最终可能很难进行实时交通拥堵预测。

基于交通混合交通流显示不同的模式或时间。支持向量机应用于确定适当的模式。目前修改后的SVM大多也在其他领域中的应用,例如,高速公路现有交通量预测( 58),交通流预测( 76年),和交通和生态可持续发展的 77年]。

大多数的研究相比,他们的开发模型与支持向量机( 22, 78年, 79年]。深机器学习(DML)相比,支持向量机算法表现出更好的效果。表 2是指研究在本节。

卷积神经网络(CNN)是一种常见的DML算法在交通工程应用。由于性能优良的CNN在图像处理中,应用在交通预测、交通流数据转化为一个二维矩阵来处理。有五个主要部分的CNN交通结构:输入层、卷积层,池层,完整的连接层和输出层。卷积和池层提取重要特征。这两个层的深度在不同的研究有所不同。多数的研究交通流数据转换成一个二维的图像矩阵。研究由马et al。 80年和太阳等。 45),每个组件的矩阵表示平均交通速度的特定部分。在优化CNN参数中,他们选择一个卷积过滤器(3×3)和max-pooling大小尺寸(2×2)的3层根据参数设置LeNet AlexNet和测量的信息丢失。而陈et al。 68年)用一面墙卷积过滤器的大小(2×2)没有池层。作者应用新方法途径称为深层神经网络模型周期交通数据(相)。研究折叠时间序列生成输入相结合的实时和历史交通数据。捕捉相关的一个新的时间段直接过去,他们重复最后一个槽的拥堵水平矩阵。朱et al。 49应用五convolution-pooling层(3×3)以及(2×2)大小,分别。随着时间和空间数据,作者也把时间间隔数据产生一个三维输入矩阵。与这些研究不同,Zhang et al。 6)预处理的原始数据进行交通流的时空互相关分析用PCC序列数据。然后,他们采用了一种模型,命名为时空特征选择算法(STFSA)交通流序列数据选择特征子集作为输入矩阵。卷积和的双层CNN池大小一样使用了先前的研究。然而,STFSA认为启发式,偏见,和权衡,并不能保证最优。

CNN显示了良好的性能,一个大型数据集。具有优良的特性,学习能力以更少的耗时的分类能力。因此,CNN可以应用在数据集可以被转换成一个图像。CNN应用于交通速度预测( 81年),交通流预测( 6),和修改与LSTM CNN也申请交通预测( 82年]。然而,正如上面提到的,没有深度模型和参数选择策略是可用的。

递归神经网络(RNN)已经广泛使用在连续的交通数据处理通过考虑相关的邻居(图的影响 9)。长时间的短期记忆(LSTM)是RNN的一个分支。LSTM隐层中,有一个内存块,包括四层神经网络,商店和调节流量的信息。近年来,与不同的数据收集系统扩展间隔,LSTM已经成为流行。由于这一优势,赵et al。 12)开发了一个LSTM模型由三个隐藏层和十个神经元使用长间隔的数据。他们设置一个适当的目标,调整参数,直到稳定的训练模型。作者还应用交通拥堵指数和分类(CI-C)模型分类的拥堵通过计算CI LSTM输出数据。大多数研究使用CI的相等的间隔划分交通拥堵状态。本研究的结果是两个间隔的自然断点和几何间隔发现提供的最新信息从信息熵。李等人。 69年]应用4层100个神经元LSTM模型三维矩阵的输入。输入矩阵元素包含一个正常化的速度,缩短训练时间。消除依赖时,作者发现,随机分布的目标道路速度和优化矩阵的连接道路多降低了性能。为了消除时间依赖性的局限性,圆圆et al。 79年]训练他们的模型在批处理学习的方法。实例发现从测试数据集被用来训练分类模型在网上框架。一些研究引入新的层修改LSTM模型特征提取。Zhang et al。 83年)之间引入一个注意力机制层LSTM和预测层,使交通流数据序列的特征提取和捕获的交通状态的重要性。Di et al。 84年]介绍了卷积LSTM模型提供一个输入形成CPM-ConvLSTM模型。所有的研究应用在一个炎热的方法将输入参数。亚当,随机梯度下降法(SGD)和漏积分回声状态网络(LiESN)有一些优化方法应用于调整结果。

一些研究结合RNN与其他算法在处理庞大的道路网络的参数。在这方面,马等。 85年)应用RNN和限制玻耳兹曼机(RNN-RBM)模型networkwide时空拥堵预测。在这里,他们使用条件遏制建设提出深架构,旨在处理时间序列通过提供一个可见的层和隐层之间的反馈回路。从交通拥堵状态分析速度和代表在一个矩阵作为输入的二进制格式。此外,太阳et al。 45)结合RNN的三个隐藏层,另外两个变体:LSTM和封闭的复发性单元(格勒乌)。隐藏层包括LSTM内存块的特点,和细胞状态和隐藏的状态被格勒乌合并。

随着样本容量大大增加,RNN的受欢迎程度成为当前的建模方式。RNN的短期记忆。这一特点RNN有助于模型的非线性时间序列数据。RNN的训练也是直接的,类似于多层模糊神经网络。然而,这种训练可能会变得困难,由于转换在深与多层建筑的长期依赖。长期依赖问题,LSTM变得更适合应用LSTM记得很长一段时间的信息。RNN也在其他部门的运输中的应用,例如,交通客流预测( 86年),修改LSTM实时碰撞预测( 87年),和道路网交通预测( 88年]。

近年来,一种新的学习算法称为极端学习机(ELM)提出了训练单层前馈神经网络(SLFN)。在榆树,输入权重和随机分配隐藏偏见而不是详尽的调优。因此,榆树训练速度快。因此,考虑到这一优势,禁止et al。 19)应用实时交通拥堵的榆树模型预测。他们确定CI使用平均旅行速度。4倍交叉验证是为了避免噪声的原始数据。发现最佳的隐藏节点模型计算成本研究的200年。本研究的一个扩展是由沈et al。 78年和沈et al。 89年)通过应用基于semisupervised极端学习机(kernel-SSELM)模型。这个模型可以处理未标记的数据问题,榆树和异构数据的影响。运输人员的模型集成小型标记数据和未标记的大型交通数据来评估城市交通拥堵。榆树加快了处理时间,核函数优化的整个模型的准确性和鲁棒性。然而,实时标签数据收集很昂贵的人力资源和工作时间,和专家的数量应该更拥堵状态评估。另一个修改EML被翳明等应用。 20.]。他们应用不对称极端学习机器集群(S-ELM-cluster)模型对短期交通拥堵预测通过确定CI。作者划分研究区和实现子同时处理速度快。

榆树模型在处理大规模数据的优势学习在高速度。榆树标签数据更有效。标记和未标记的数据是可用的,semisupervised榆树已经显示出良好的预测精度,从研究。其他应用领域榆树包括空中交通流预测( 90年),交通流预测( 91年),和交通量区间预测 92年]。

除了模型已经讨论过,Zhang et al。 93年)提出了一种深autoencoder-based与对称的四层神经网络模型学习时间相关性的编码器和解码器的交通网络。第一个组件编码的矢量表示历史拥堵水平及其相关性。然后他们解码为未来建立拥堵水平表示。他们又用两个致密层的第二个组件;这些转换的输出解码器拥堵水平的计算一个向量表示。然而,这个过程失去信息拥塞的所有像素平均水平。这种方法需要很高的迭代,计算所有像素不管贵道路被认为是。另一项研究递归神经网络应用的普遍版本命名为递归神经网络。这两个的区别是,在复发性神经网络权重共享数据序列。而递归神经网络是一种单神经元模型; therefore, weights are shared at every node. Huang et al. [ 94年)应用递归神经网络算法叫回声状态网络(ESN)。该模型由一个输入层,储层网络,和输出层。储层结构连接的规则预测起源和预测地平线。为研究大型研究地区巨大的链接数量,他们简化了训练规则应用递归神经网络的复杂性。表 3总结了一些研究。