一个多尺度和高精度LSTM-GASVR短期交通流预测模型

文摘

短期交通流的特征复杂,多变,时效性强,等等。所以传统预测算法很难满足高实时性和精度的要求。在这篇文章中,多尺度和高精度LSTM-GASVR短期交通流预测算法。这种方法使用15分钟前16的交通流数据部分作为输入,并通过重建完成数据预处理操作,规范化,工作日因素和不断上升的维度;建立预测模型的基础上,长期和短期记忆网络(LSTM)和逆规范化;并提出GA-SVR模型优化的预测结果,从而实现交通流的实时高精度预测。进行预测实验是根据收费站的收费数据在西安,陕西省,从2018年5月到2019年5月。各种算法的比较和分析表明,本文提出的预测算法是20%高于LSTM,格勒乌,CNN, SAE, ARIMA和SVRR²可以达到0.982,解释的方差0.982,日军是0.118。提出的交通流预测算法为交通管理者提供了强有力的支持,判断道路网络的状态来控制交通流流量和指南。

1。介绍

高精度和短期交通流预测显示未来交通发展趋势(1]。智能交通管理、道路网规划提供了未来的交通流数据(2]。不仅有助于缓解交通拥堵,但同样重要的自主车辆(3]。交通流预测是指预测交通流在未来时期基于几位历史交通流数据4]。预测一个提前几个小时通常被称为一个短期预测5,6]。作为智能交通的一个热门主题(7- - - - - -9),有很多相关的研究对短期交通流预测。王等人。10)提出了一个混合短期交通速度预测框架基于经验模式分解(EMD)和自回归综合移动平均(ARIMA)和实现短期交通流预测高速公路在不同的场景中,但在预测效果有着极大的差异为不同类型的车辆。Vasantha Kumar和Vanajakshi11)开发了一种SARIMA短期交通流预测模型约束下的数据。模型需要高稳定的数据和弱在泛化。基于随机微分方程的一个两步预测方法(SDE)是实现文献[12),可以改善一个周期数据的预测精度,但忽略了周期性的交通流的预测效果。Salamanis et al。13]研究了density-based聚类方法可以准确地预测交通流在正常和异常条件。预测效果好,但是时间复杂度高和可行性略低。Neuhold et al。14)建立了一个模型来预测交通流和一个算法来优化车道分配在奥地利收费广场的前面。预测模型和优化算法不是站点特定的和可以应用到不同的收费广场或高速公路瓶颈(如公路工程、交通和公路路口)。但是一天或一小时区间交通流数据,该模型不能完全满足智能交通管理的需求。预测模型基于递归神经网络(RNN)深设计文献[15]。在预测效果更好,有巨大的差异在一个周期的预测效果的数据。瞿et al。16)使用历史交通流数据和环境因子数据来预测全天的基于深层神经网络交通流,使用多层监督学习算法训练预测,挖掘潜在的交通流数据和主要相关因素之间的关系,减少训练时间的间歇训练法。但较小的交通流数据的预测效果很差。在[17],基于BP神经网络预测高速公路交通流模型的激励功能得到了改进,并在某种程度上,预测效果有所改善,但它并不适合所有高速公路,限制是伟大的。在文献[18),交通流信息采集技术和组合模型的视频图像分析应用于交通流预测来减少错误和时间建立。但预测效果影响数据采集的准确性和波动很大。罗等。7)实施了CNN-SVR(卷积神经网络支持向量回归)短期交通流预测模型。亚当优化算法被用来确保时空流动特性的完整性,减少外部因素的干扰,能有效地预测交通流量。然而,因为数据相对单一,模型的泛化能力不强。在文献[19),提出了一种静止的短时交通流量预测方法。支持向量机预测交通流数据固定后,解决了影响数据的非对称分布的预测效果,但造成了坏的极端点的预测效果。王等人。20.)提出了一种改进的BP神经网络模型基于思维进化算法。预测模型的准确性提高交通流时间序列的相空间重建使用混沌理论。然而,由于模型使用的数据较少,缺乏可信度,并没有考虑节假日等特殊时间段的预测效果,这不是普遍的。交通流预测模型基于卷积神经网络实现文献[21],本文认为是区域交通流的时空相关性,这提高了模型的预测精度和稳定性。只有出租车交通流数据进行了研究,不能完全反映国家的必经之路。以前使用值神经网络模型从之前的几天或几周作为输入来预测未来的交通流数据(22,23),和实时差,存在梯度消失的问题。为了解决这个问题,LSTM(长短期记忆)神经网络用于预测交通流量(24- - - - - -27),但上下班交通流的影响没有考虑城市交通状态。

潮汐交通流现象的一个重要因素导致的收费站拥堵。准确、实时的预测短期交通流量为交通管理部门提供强有力的支持来指导交通流。它扮演着一个重要的角色在信息通信系统(28]。摘要提出了一种多尺度和高精度LSTM-GASVR(长短期记忆遗传算法支持向量回归)短期交通流预测算法。数据预处理是利用过滤、规范化和重建数据,提高数据维度的工作日旗帜,这有效地提高了收敛速度和预测精度的模型;建立预测模型基于输出LSTM,长期短期记忆网络,GA-SVR模型预测结果提出了优化实现实时、高精度的短期交通流量的预测。提出的交通流预测算法提高了预测精度和稳定性,提高了通用性和交通流预测模型的可行性。

2。短期交通流数据预处理

为了获得适当的数据量和所需的数据格式,交通流数据需要预处理数据合并,扩大的数据量和数据重采样来获得时间交通量。短期交通流数据的预处理是分为以下步骤,如图1:(我)数据归一化的数据模型训练有更好的收敛性(2)考虑到偶尔的和暴力的周末和假日潮汐交通流,有必要加强数据维度(3)数据重建的目标是获得一个特定的数据格式第一步:提取数据并将数据合并n连续几个月来扩展数据集。步骤2:根据需要重新取样数据。表1显示了陕西省收费站的收费数据2018年8月;“开始时间”是计算机启动时;“ENTRYLANE”入口车道数量;“ENTRYTIME”表明入境时间的车辆;和“VECHILETYPE”类型的车辆;0、1和2,分别表示不确定的车辆类型,客车,货车;“VECHILELICENSE”代表了车牌号。提取表的“ENTRYTIME”专栏1,我们认为一行数据是一个车辆进入车站。这些数据是根据15分钟重新取样,和数据表所示2得到了。“价值”代表交通量在15分钟的起始时间“日期”。第三步:数据标准化。更好的预测结果的收敛性和更好的结果,这些数据是最大和最小值标准化、规范化的假设是一段时间的交通量,并规范如下: 后的值正常化,从0到1,方程的最小和最大(1)在数据集的最小值和最大值。步骤4:维推广。上下班的通勤带来的交通需求是城市道路交通的重要组成部分体积。由于城市规划的问题,交通流的通勤者对城市交通状态具有明显的影响。工作日因素分为三类根据“星期”“周末”和“节日”。第五步:数据重建。这些数据是根据需要重建,分为数据米+ 2行和n+ 1列,第一米+ 1排每一列输入,最后一行是与预测价值真正的价值。最终的数据结构如表所示3。代表样本的交通量在期j。样本代表了工作日因素j。代表了工作日因素,b是1、2或3, , ,和 。

3所示。时间序列分析预测评估指标

时间序列的预测结果需要评估每个预测模型通过指标和调整参数,以确定高精度短期交通流预测模型。方程(2)- (9)评价指标的时间序列预测2]。代表样本的预测价值我,代表样本的实际价值我,代表真实数据的平均值,n是样本容量。①美(平均绝对误差): ②MSE(均方误差是一种最常用的绩效指标回归任务): ③RMSE(根均方误差): ④日军(平均绝对百分误差)经常用来测量预测精度: ⑤解释方差:解释的方差表示的程度回归模型解释因变量的变化的方差(即。回归模型的拟合效果,真正价值),这是一个共同的评价指标的回归模型: 解释的方差在[0,1]之间,接近1表明更好的预测效果。⑥R²(R平方):R²残差平方和的比值是总偏差平方的总和,表示程度回归方程可以解释因变量的变化,然后呢R²回归方程的拟合效果的真正价值。

残差平方和:

总偏差平方的总和:

的价值R²是在0和1之间。越接近R²1,更精确的模型和回归预测的效果就越好。人们普遍认为该模型适合当R高²超过0.8。

因为①②③使用平均误差,对异常值平均误差比较敏感,如果有一个大区别一定回归值拟合的回归量和真正的价值,它将导致一个巨大的平均误差,这将最终评估值有很大的影响,也就是说,平均值不健壮。根据表4的价值,发现①②③增加而增加的y,所以可靠性低。通过比较和分析数据的曲线拟合效果2- - - - - -13的值,结合评价指标表4- - - - - -6,发现的评估价值④⑤⑥更符合曲线拟合的效果。通过分析和比较上述评价指标,④⑤⑥交通流预测和评价的主要评价指标,①③作为辅助指标。

4所示。基于LSTM-GASVR短期交通流预测算法

4.1。基于GA-SVR优化模型

遗传算法(GA)用于优化参数 在SVR模型,是惩罚系数,是核函数系数,是不敏感系数,它主要有以下步骤:(1)构建染色体组合 和制定遗传算法的适应度计算函数(2)确定的参数选择,交叉,变异,在GA等等,设置算法的迭代终止条件(3)遗传算法初始化,生成初始化种群(4)计算单个染色体人群的健康(5)代的下一代染色体通过选择、交叉、变异等。(6)如果算法的迭代终止条件是否满足,跳转到(4)。(7)终止迭代确定最优参数 。图14显示了遗传算法解决SVR的流程图最优参数 。

4.2。染色体编码

基因的方法是基于染色体编码、选择、交叉和变异等操作,算法的有效在某种程度上取决于染色体编码方法。考虑到SVR模型参数选择本身是一个受限的问题,我们通过实数代码SVR模型参数。这是每一个染色体的基因包括三个十进制浮点数。

4.3。种群初始化

人口数量是一个重要的参数,它影响了算法的效率和收敛。摘要人口规模pop_size设置为50,人口在解空间初始化状态是均匀分布的。和 , ,和 。

4.4。适应度函数的选择

遗传算法被用来找到最好的SVR模型的参数,所以适应度函数选为平均相对误差预测结果和实际值之间的比例,和适应度函数可以设计如下:

其中,日军之间的平均相对误差百分比是算法的预测结果和实际值。是训练数据的初始时间,代表道路的实际行驶速度 ,和时间的预测结果 是 。

4.5。选择操作

本文中使用的选择操作是轮盘赌和精英的组合策略。轮盘赌选择法的关键是产生后代人口通过计算每个出现在后代的概率,也就是说,当适应个体的选择概率越大价值较高。个别出现的概率如表所示7。轮盘赌选择算法指的是随机数的生成在区间[0,1),在一定概率区间表所示7,对应于个体遗传给下一代。例如,生成的随机数是0.3, ,对应于个人2,所以个人2是遗传给下一代。这种方法的缺点是,它很容易陷入局部最优时的适应价值区间范围很小。

精英策略是保持更好的个人最后一代人口和增加的数量以保证更好的个人全球最佳,但很容易落入局部最优时更好的个人很大的比例。精英保留策略更好的个人更好的个人复制到下一代或者交叉和变异更好的个人在人群中,我们选择后一种方法。

因此,本文采用轮盘赌和精英策略保持更好的人口数量在精英策略比例动态,以获得解决方案的人口数量,见以下方程:

的在方程(11)是保持更好的个体的数量,代表人口的数量,k是父母和子女的总和在每一个算法的运行时间,是当前算法的运行的数量,然后呢提前的最大迭代数设置的算法。方程(11)提供相应的保证效率和优化性能。

4.6。遗传算子的设计

遗传算子主要包括交叉算子和变异算子。交叉操作的主要业务之一的后代遗传算法的创新。通过模拟染色体的交叉遗传重量,个体按照一定的概率交换基因。染色体的变异操作是模拟过程编译和重组改变某些基因在个体按照一定的概率。交叉算子和变异算子是一种创新。

4.6.1。交叉算子

在自然生物的进化,生物遗传基因的重组是非常重要的,在GA和交叉操作符不能被取代。选择算术交叉算子,如方程所示(12)。一个在方程(12)代表0和1之间的随机数交叉概率的值。和代表基因值和交叉算子,我和我+1基因的位置:

4.6.2。变异算子

变异算子的操作改变单个基因的值在染色体的人口,如方程所示(13)。一个随机函数 用于生成一个随机数,然后呢和是基因的上限和下限。和一个基因位置j在染色体组随机函数生成的值:

4.7。停车标志

停止标志的最大迭代次数设置实验和实验值设置为200。

在GA培训如图15,蓝色框表示的最优值上升和最优值增加到0.86后30个迭代。图中红色曲线代表了最优参数的准确性SVR预测模型。因为精英保留策略,绿色曲线逐渐趋于红色,也就是说,平均精度往往最优值。最后的GA的SVR模型参数的调优参数 (276.7,0.05998,0.001595)。

4.8。基于GA-SVR LSTM短时交通流量预测的优化

根据各种算法的研究和分析,发现LSTM模型预测评价指标R²之间的拟合程度较高,也就是说,预测数据和实际交通流数据较高,哪个更符合真实的数据趋势,预测结果更可靠。GA-SVR预测模型评价指标日军越小,模型预测的值更接近实际交通流数据数值,误差更小。平衡短期交通流预测的拟合程度和误差模型,神经网络模型LSTM结合SVR由GA优化,并基于LSTM-GASVR短期交通流预测模型。

LSTM-GASVR图所示的结构16。神经网络在一定程度上是由输入层,两层LSTM,辍学层,连接层。神经网络的输出由SVR处理得到输出结果。下一刻的工作日旗帜h^米输入第一层包含64 LSTM网络和得到64的特性。64年的特性和 ,0的交通量时期组建一个新的向量,然后输入到第二层的网络和得到64的特性。这些特征和交通流数据的下一个时间步构成一个新的向量输入到64 LSTM网络和得到64 LSTM特征。等等,第一个LSTM层输出(米+ 1)64年的数据作为输入第二LSTM层。上次的输出第二步LSTM辍学的输入层;最后,将输出结果的致密层模型。的平均结果和前一时刻的交通流量输入SVR模型,然后输出最后结果。“在图16”如图17,它是LSTM单元结构。C_t−1细胞状态,h_t−1是最后的输出LSTM,X_t是LSTM的输入。f_t,我_t,o_t是忘记门的输出,输入通道和输出通道。σ和褐色h是激活函数。C_t是新细胞状态,h_tLSTM的输出。t−1意味着最后一刻,t是当前的时刻。

LSTM-GASVR预测过程如图18。使用MinMaxScaler规范化输入交通数据预处理。根据目前短期交通流数据之前的影响米数据和工作日国旗,数组是重建(米+ 1:1)。数据分为训练集和测试集,训练集用于训练模型和测试集是用来测试模型的预测效果。数据输入到神经网络由LSTM、辍学,和密度,然后训练神经网络。和测试数据输入神经网络作了初步预测。预测结果重整,数据重置LSTM模型的平均预测结果和以前的交通流时间。然后平均输入SVR模型GA优化模型的参数。训练之后,SVR模型是根据最优参数。最后,输入测试数据到LSTM-GASVR模型预测和输出预测结果。

LSTM-GASVR模型的预测效果如图19模型的时间间隔15分钟,时间步长是16。图中绿线代表真正的交通流量,和红色的线条代表LSTM-GASVR模型预测价值。可以看出LSTM-GASVR模型的预测结果非常接近真实值,它显示了较高的错误预测结果在高峰,但误差很小。R²是0.982,解释的方差是0.982,日军是0.118,这是模型的评价指标。

5。LSTM预测模型参数的决心

批处理大小是64,时代是200,损失函数是“rmsprop”量化的训练LSTM模型。模型的最优性能在不同采样时间间隔时间和步骤进行了分析,以确定最优采样间隔时间和步骤。

5.1。LSTM预测模型采样间隔的决心

LSTM网络模型预测短期交通流数据和不同的时间间隔将采样;然后,我们比较和分析训练速度,损失函数值,预测结果的性能在不同的采样间隔确定最合适的采样间隔下LSTM网络模型。

LSTM,训练5分钟将采样数据,如图2(一个)。的损失函数达到一个稳定值0.002 25时代。如图2 (b),红框标记的部分更大的预测差异的一部分。从图2很快,5分钟LSTM模型训练,但预测结果的误差很大。

训练的LSTM 10分钟将采样数据如图3(一个)。的损失函数达到一个稳定值50 0.002时代。如图3 (b),预测的区别主要是在红框标记。从图3,我们可以看到LSTM模型训练10分钟数据的速度是缓慢的,有一些偏离预测的结果。

分析15分钟将采样数据的LSTM培训如图4(一)的损失函数达到一个稳定值50 0.002时代。如图4 (b),红框标记的部分是一个更大的预测差异的一部分。从图可以看出,15分钟LSTM模型训练速度快,预测结果一般好,峰和波动更大的错误。

20分钟将采样数据的LSTM训练进行了分析。如图5(一个)时代是75,损失函数是稳定在0.003。如图5 (b),预测的区别主要是在红色的盒子里。从图5,20分钟LSTM模型训练速度更好,损失函数的值略高,普遍预测结果,预测误差在高峰和波动很大。

LSTM模型从培训获得25分钟将采样数据如图6(一)。损失函数的稳定值是0.003 75时代。如图6 (b),红框标记的部分更大的预测差异的一部分。从图625分钟LSTM模型训练速度略慢,损失函数的值略高,总体预测结果,预测误差很大的峰值和波动。

LSTM,训练30分钟将采样数据,如图7(一)。损失函数达到一个稳定值为0.003 75时代。如图7 (b)红框表明,预测结果显示,略大的错误。从图,30分钟LSTM模型训练数据的速度稍慢,损失函数值较高,总体预测结果,预测结果误差较大的峰值和波动。

自不同判断拟合曲线是困难的,LSTM网络模型的预测结果与不同的采样间隔又比较和分析了不同的评价指标。如表所示4的数据,模型评价训练15分钟是最好的。

5.2。LSTM预测模型时间步的决心

LSTM模型预测短期交通流数据与不同时间15分钟将采样步骤n(当前时刻之前的影响n时刻)。选择最合适的时间步通过分析训练过程的稳定性,损失函数的值,曲线拟合程度的预测结果的实际价值。

LSTM模型训练15分钟间隔应承担的4次将采样数据的步骤。其损失函数图像如图8(一个),损失函数是稳定在0.002 50时代。预测结果如图8 (b)。红框标注一个大预测的区别。LSTM模型的训练速度随着时间4步骤略慢,损失函数值较高,总体预测结果,预测结果误差在高峰是非常高的。

15分钟的分析将采样数据训练LSTM 8次步骤,如图9(一个)损失函数是稳定在0.003在75时代。如图9 (b)在红框显示,部分明显预测的区别很大。LSTM模型的训练速度随着时间8步骤是缓慢的,损失函数值略大,总体预测结果,预测结果在高峰和波动明显差。

将采样数据的LSTM模型训练12次步骤和损失函数如图10 ()的损失函数达到一个稳定值0.002 50时代,预测结果如图10 (b)和预测的区别主要是在红色的盒子里。从图可以看出,LSTM模型步骤12次训练速度快,准确的预测结果,但一个大峰值的预测结果和误差大的波动。

LSTM模型,训练15分钟间隔将采样数据在16岁时间步骤,如图(11日)的损失函数达到一个稳定值50 0.003时代。如图11 (b),红框标注一个大不同的预测。LSTM模型16次步骤显示了更好的训练速度,和损失函数值很低。总的来说,预测结果准确,但稍高的错误预测结果在高峰。

将采样间隔的LSTM 15分钟训练20次的步骤。如图12(一个)损失函数在50时代是稳定在0.002左右。如图12 (b),红框部分的预测差异很大。LSTM模型的训练速度一般20次步骤,预测结果一般,和峰值误差波动,山谷底部是非常高的。

LSTM模型的训练数据采样间隔15分钟24次步骤,和损失函数如图(13日)50岁,达到一个稳定值的0.003时代。如图13 (b),红框标记的部分更大的预测差异的一部分。从图,LSTM模型的训练速度和24个步骤一般,和预测结果。预测误差很大的峰值和波动,和山谷底部的预测结果也非常高。

LSTM模型预测短期交通流数据与不同时间15分钟将采样步骤n(当前时刻之前的影响n时刻)。然后,我们根据各种评价指标的预测结果进行比较。如表所示5,发现16个时间步的预测效果是最好的。

LSTM模型的最优性能在不同采样时间间隔时间和步骤,分析了采样间隔是最后确定为16次15分钟的步骤。LSTM模型训练速度是最快的,损失函数达到稳定值25时代和损失函数值小,预测精度是最高的。

6。短时交通流预测模型的比较分析

通过LSTM格勒乌(封闭的复发性单元),美国有线电视新闻网(卷积神经网络),SAE(堆叠autoencoder), ARIMA(自动回归集成移动平均),SVR, LSTM-GASVR 15分钟短时交通量预测,本文LSTM的训练速度和损失函数,格勒乌,CNN, SAE在培训进行比较和分析,七个算法的预测结果比较符合实际价值的曲线,预测效果进行了分析。

分析LSTM模型将采样间隔15分钟的训练数据的16次步骤,如图20(一个)的损失函数达到一个稳定值0.002 25时代。如图20 (b),在红框部分明显是更大的预测差异的一部分,LSTM模型的训练速度更快,通常更准确的预测结果,预测结果的误差峰值略大。

采样的数据训练15分钟16次格勒乌模型步骤,和损失函数是稳定在0.002在75时代,如图(21日)。如图21 (b),部分预测的区别是明显的红色盒子。从图中,我们可以看到,该模型训练速度一般,总体预测精度,预测结果误差峰值非常大。

15分钟将采样数据的1 d CNN模型训练16次步骤进行了分析。如图(22日),50-epoch训练集得到一个稳定的训练集损失函数值为0.007,和验证组损失函数稳定值为0.003。如图22 (b),红框标注一个大不同的预测,模型训练速度一般,损失函数值大,预测精度不高,预测误差很大。

SAE模型训练15分钟将采样数据16次步骤进行了分析。的损失函数达到一个稳定值0.001在100时代,如图23日(一)。如图23日(b),预测的差异主要是在红框,SAE模型训练速度平均损失函数值小,预测精度不高,和预测效果很差在高峰,波动和转折点。

ARIMA模型和GASVR模型被用来预测短时交通流,15分钟。ARIMA模型的预测结果如图所示24,红框标注的很大一部分预测的差异,可以看出,峰值的预测精度较低,并且需要很长时间ARIMA模型在预测过程中,不满足短期交通流预测的实时要求。如图25GASVR模型的预测结果,红框都有很大一部分的预测作用。可以看出,峰值的预测精度略低,和GASVR模型预测曲线转移落后而真正的价值。

在图26LSTM-GASVR模型的预测结果表明,该模型有效地提高了GASVR迁移现象,提高了LSTM模型的准确性。这是一些差异的红盒子,LSTM-GASVR模型的预测精度是不够的在交通流的高峰期。但它有一点影响算法的结果,和LSTM-GASVR模型预测最准确的结果。

的及时性LSTM-GASVR模型是正常的与其他算法相比。模型的预测时间是0.003秒的时间比GASVR,比ARIMA短的时间是2 s。与LSTM模型相比,预测LSTM-GASVR 0.001年代的时间长于LSTM的模型。此外,相比之下,美国有线电视新闻网、SAE和格勒乌模型,LSTM-GASVR模型需要时间预测交通流量几乎是一样的。

然而,LSTM-GASVR模型的及时性是正常的与其他算法相比,精度好。根据上述算法,15分钟将采样数据预测,根据预测结果进行比较和分析各种评价指标。如表所示6,发现综合LSTM-GASVR模型的预测效果是最好的。

六LSTM预测算法,格勒乌,CNN, SAE, GASVR, LSTM-GASVR进行了分析和比较,总结了结论表8。

7所示。结论

基于充电数据从2018年5月到2019年5月在陕西省收费站,数据采用规范化和重建。和工作日标志位被添加到加强数据维度,实现短期交通流的数据预处理。比较和分析了各种时间序列的评价指标,评价指标的有效组合的短期交通流预测是建立。通过分析神经网络预测模型和其他机器学习预测模型,并使用遗传算法优化SVR模型参数,短期交通流预测模型提出了基于LSTM-GASVR。通过分析和比较不同时间间隔的多个组的实验结果,我们选择了15分钟的时间间隔,和时间步是16。该模型用于预测短期交通流量数据,和各种预测模型分析了组合索引。LSTM-GASVR模型具有正常的及时性和最好的和稳定的预测效果,R²是0.982,解释的方差是0.982,日军是0.118。下一步是优化高峰交通量的预测精度。

数据可用性

交通流数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是国家重点支持的研究和发展计划,中国yfb1600600格兰特在2018下的中国国家自然科学基金资助51278058,汽车基础设施提供商的信息传感及其“111项目”格兰特B14043下,陕西省自然科学基础研究项目资助下2019纽约- 163和2020 gy - 018联合实验室网络的车辆,Education-China部移动通信公司在授予213024170015,基础科学研究的特别基金中央大学、长安大学在中国授予300102329101和300102249101。

引用

1. c .郑研究城市道路交通流预测模型在短时间内、中国科技大学、河北,中国,2016年,在中国。
2. b . Lu, s .秦,g .妈,“短期交通流预测基于多源交通数据融合,“重庆交通大学学报(自然科学版),38卷,不。5,页13 - 19,2019年,在中国。视图:谷歌学术搜索
3. a . Miglani和n . Kumar“深度学习在自动车辆交通流预测模型:复习,解决方案,和挑战,”车辆通信,20卷,2019年。视图:出版商的网站|谷歌学术搜索
4. f·范·Wageningen-Kessels h . Van线头,k . Vuik,例如,“宗谱的交通流模型,”欧元在运输和物流》杂志上,4卷,不。4、445 - 473年,2015页。视图:出版商的网站|谷歌学术搜索
5. 依Vlahogianni、m . g . Karlaftis和j . c . Golias“短期流量预测:我们和我们,”交通研究部分C新兴技术,43卷,不。1,3-19,2014页。视图:出版商的网站|谷歌学术搜索
6. a . Ermagun d·莱文森,“时空交通预测:审查和提出方向,”运输的评论,38卷,不。6,786 - 814年,2018页。视图:出版商的网站|谷歌学术搜索
7. w·罗董,和z王,“短期交通流预测基于CNN-SVR混合深度学习模型,”交通运输系统工程与信息,17卷,不。5,页68 - 74,2017年,在中国。视图:谷歌学术搜索
8. j . Tang x, z,宗庆后,c .汉和l·李,“交通流预测基于支持向量机和数据去噪方案,“自然史答:统计力学及其应用文章ID 120642卷,534年,2019年。视图:出版商的网站|谷歌学术搜索
9. l . n . n, h·l . Vu b .问:签证官,z . Liu Phung d,“一个有效的基于时空注意的神经网络交通流预测,“交通研究C部分卷。108年,银幕上,2019页。视图:出版商的网站|谷歌学术搜索
10. z h . Wang l .刘董,钱,和h,“小说区工作短期车型具体交通速度预测模型通过混合EMD-ARIMA框架,“Transportmetrica B:传输动力学,4卷,不。3、159 - 186年,2016页。视图:出版商的网站|谷歌学术搜索
11. 美国Vasantha Kumar和l . Vanajakshi”短期交通流预测使用seasonalARIMA模型与有限的输入数据,”欧洲交通研究回顾,7卷,不。3,2015。视图:出版商的网站|谷歌学术搜索
12. y Rajabzadeh, a . h . Rezaie,他和h . Amindavar“短期交通flowprediction使用时变Vasicek模型”交通研究C部分卷,74年,第181 - 168页,2017年。视图:出版商的网站|谷歌学术搜索
13. a . Salamanis g . Margaritis d·d·Kehagias, g . MatzoulasD。Tzovaras”,在正常和异常流量条件下识别模式短期流量预测,“交通研究Procedia22卷,第674 - 665页,2017年。视图:出版商的网站|谷歌学术搜索
14. r . Neuhold f . Garolla, s·奥利弗和m . Fellendorf”预测和优化交通流在收费站。”交通研究Procedia37卷,第337 - 330页,2019年。视图:出版商的网站|谷歌学术搜索
15. f . r . Liu Hong, c . Lu和w·江“短期交通流预测基于深循环神经网络,”物理学杂志》:会议系列,卷1176,不。第三条ID 032020, 2019。视图:出版商的网站|谷歌学术搜索
16. d . w . l .瞿w . Li Li妈,和y王,“每日长期交通流预测基于深层神经网络,”专家系统与应用程序卷,121年,第312 - 304页,2019年。视图:出版商的网站|谷歌学术搜索
17. l .智研究基于BP神经网络的高速公路交通流预测、武汉科技大学、武汉,中国,2014年,在中国。
18. 李Chin-ming,研究交通流的预测技术在智能交通面临十字路口,北京邮电大学,北京,中国,2017年,在中国。
19. j .康z段,l .唐et al .,“平滑的短时交通流预测方法,”测量和控制技术,37卷,不。2 33-37页。2018年,在中国。视图:谷歌学术搜索
20. 顾y s . Wang,李濛et al .,“短期交通流预测基于混沌理论的高速公路和MEA-BPNN模型,”山东科学,32卷,不。2,页98 - 107,2019年,在中国。视图:谷歌学术搜索
21. j .雪研究和实现交通信息预测模型基于深度学习信息工程大学战略的支持力量,河南,中国,2018年,在中国。
22. x y z愣,j .高,秦,Liu和j .阴”的短期预测模型基于GRNN交通流,”25日,中国控制与决策会议的程序(CCD)IEEE,页3816 - 3820年,贵阳,中国,2013。视图:出版商的网站|谷歌学术搜索
23. y, y Du, j . Wu“交通速度预测使用深度学习方法,”《IEEE 19国际会议上智能交通系统(ITSC)IEEE,页1217 - 1222年,里约热内卢,巴西,2016。视图:出版商的网站|谷歌学术搜索
24. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”交通研究部分C:新兴技术54卷,第197 - 187页,2015年。视图:出版商的网站|谷歌学术搜索
25. y, j .吴m . Ben-Akiva r·瑟哈德里和y Du,“Rainfall-integrated交通速度预测使用深度学习方法,“专业智能运输系统,11卷,不。9日,第536 - 531页,2017年。视图:出版商的网站|谷歌学术搜索
26. 吴y和h . Tan短期交通流预测和时空相关性混合深度学习框架,”2016年,https://arxiv.org/abs/1612.01022。视图:谷歌学术搜索
27. z赵,w·陈,吴x, p . c . y . Chen和j·刘,“LSTM网络:短期流量预测,深度学习的方法”专业智能运输系统,11卷,不。2、68 - 75年,2017页。视图:出版商的网站|谷歌学术搜索
28. w·Wangyang马和h, h . Wu”汽车编码器和LSTM-based交通流量预测方法,”传感器,19卷,不。13,2946页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Jingmei周et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。