表示的新方法预测交通与气候条件的基于集成学习的神经结构搜索(NAS)和线性回归

文摘

交通预测是至关重要的扩大智能城市和国家,因为它提高了城市规划和交通管理。这一预测是非常富有挑战性的多因子的和随机交通的性质。本研究提出了基于集成学习方法来预测城市交通拥堵根据天气条件。我们使用NAS算法,在输出基于启发式方法创建了一个优化模型对输入数据。我们有400年的数据,其中包括当天的天气的特点,包括六个特点:绝对湿度,露点,能见度、风速、云的高度,温度,最后一列是城市交通拥堵的目标。我们分析了线性回归的结果在项目;这种方法比其他的更有效的回归模型。这种方法有一个0.00002的MSE误差标准和SVR,随机森林,和延时方法,误差值为0.01033,0.00003,和0.0011,分别。根据美标准,这种方法的值为0.0039。其他方法得到的值为0.0850,0.0045,和0.027,分别,这表明,我们建议的模型比其他方法有一个小错误,已经能够超越其他模型。

1。介绍

预测和减少交通拥堵是世界上所有城市的一个关键的优先事项。最近,这个问题已经得到太多的关注从研究项目改进预测方法1]。交通预测是至关重要的扩大智能城市和国家,因为它提高了城市规划和交通管理(2]。交通预测是一个跨学科的研究领域,包括数学,计算机科学和工程。这一预测是非常富有挑战性的多因子的和随机交通的性质。这种复杂性是由于存在的局限性在交通基础设施,包括道路网络容量、交通规则,举止,本周天,天气,和事故3]。研究城市交通领域的过去是基于每个人的位置。这是一个大都市。今天,知识的流量数据,大大扩大了预测模型的使用发展。许多研究已经检查司机的行为、旅游模式,路况和天气数据的重要性。例如,在一项研究[4),降雨强度与4 - 9%减少流量。它也发现,交通拥堵强度与温度有很大的关系。然而,在这一领域的研究忽视重要的环境数据源,从而失去准确评估的交通网络5]。天气对交通的影响是不可否认的。然而,目前还没有做过任何研究量化雨雪的影响。此外,现有的研究没有区分城乡高速公路。因此,可以说,包含nontraffic输入数据集对预测地面交通参数有显著的影响。这样的研究提供了准确的预测(6,7]。

近年来,基于深度学习的方法得到了太多的关注。深度学习(DL)高级语言,自然语言处理(NLP)。深度学习的方法是高效的短期流量预测领域的(7,8]。有趣的是,社交媒体的使用数据在DL方法有助于预测交通。社交媒体如Twitter和Instagram正越来越多地用于交流,新闻报道,以及促销活动。这些媒体被迫弥补高速数据和及时的传播。例如,在Twitter数据,由于高水平的用户来说,他们已经使用了各种数据挖掘的目的,如证券交易所(9)和交通预测(10,11]。道路交通的气候变量是一个有影响力的因素。气候变量(x变量和y变量是流量补偿变量)包括绝对湿度、露点、能见度、风速、云的高度和温度。这些变量导致能见度、摩擦和道路堵塞,从而增加事故。22%的交通事故是由于天气原因,特别是降雨,在过去的十年。因此,这些变量的重要性(12]。应该牢记,下雨只有一个参数的困难的天气条件。我们将回顾研究交通预测,考虑到天气情况,使用深度学习。

在本文中,我们提出了一个基于集成学习的方法。基于这种方法,我们能够预测城市交通拥堵根据天气条件。它是基于一个深度学习方法。我们使用了神经结构搜索算法,基于启发式方法,创建了一个优化模型对输入数据。除了深学习模型中,我们使用一个线性回归模型。我们结合了两个模型基于加权平均,和预测输出是基于整体模型。结果见下一节。

2。文献综述

一个LSTM模型是研究没有调查13]。它研究了两个参数的温度和降雨量除了交通特征。这项研究的结果显示更准确的预测。尽管研究在这一领域的进步,即使是最精确的预测模型没有健壮的预测在不同寻常的情况下,具体地说,发生事故等事故,体育赛事(7]。最近,一些研究有益的社交媒体数据在预测这些事件。例如,研究[14)提出了一种线性回归方法预测道路交通。这个模型使用加州性能测量系统(到聚合物)在美国。一个类似的模式15已经使用,使用社交媒体数据来预测短期流量。这个模型使用Twitter数据预测的传入流量补偿前体育比赛的开始。这种方法已经被评估使用四种模式:ARIMA,神经网络,支持向量回归,再(事例)。短期流量预测技术主要分为两个部分:参数和非参数方法。

参数模型是模型识别输入数据作为一个功能和总结数据。例如,自回归综合移动平均(ARIMA)模型的参数预测模型(16]。然而,在非参数模型,我们可以说的算法训练数据。也就是说,他们选择一个函数,再适合的数据集。基于事例()方法是一种简单的非参数方法(15]。许多研究的方法研究了交通预测(17,18]。关于预测基于虚拟社交页面数据,研究[18]表明Twitter数据的包含除了降雨和天气数据减少了梅从8到5.5,创造了一个更准确的预测模型。

一般来说,许多技术和模型介绍了时间序列预测,比如ARIMA (1),支持向量机(3),和深度非线性算法(19]。神经网络等RNNs [5],LSTMs [13),内核极端的学习(20.),和CNN的13)用于金融(9,21)和交通预测(14,15]。主要的三种主要方法深度学习在先前的研究:研究了卷积神经网络(cnn) [2网络(DBNs)[],很深的信仰22),和节约23),但最近的研究导致了算法。新一是预期并为进一步研究提供了一个机会。近年来,研究表明,多雨或暴风雨天气显著影响司机的交通行为、旅游需求、安全等等(24,25]。Mashros et al。26)发现,下雨时行驶速度降低14%。另一项研究[27)和回归分析研究了局部降雨减少1.1英里每小时操作速度,和风暴条件导致4到8英里。另一份报告显示,不良天气条件会影响交通。许多其他的研究表明,降雨强度伤害交通速度(28,29日]。识别天气供需的影响和非高峰交通为政策制定者提供了宝贵的信息。总结研究的结果测量天气条件和降雨在桌子上1。几乎所有的研究已经指出,小雨对交通几乎没有影响,即。降雨强度的参数在研究交通预测是至关重要的。温度也对交通影响不大(30.]。史密斯的研究等。31日]表明降雨强度值以中等速度的重要性。像大多数其他文章一样,他们分类没有雨,光,和沉重的。他们使用的矫正方法统计比较。尽管如此,一项研究网(32)解释说,这种方法可能不适合气候条件,因为使用一个方程的方差相等。

今天深度学习模型能够预测交通展示他们的能力。新的交通预测模型基于深度学习和结合现有方法近年来提出了。例如,双向LSTM-based模型研究[36)和深LSTM研究(37旨在预测交通。Sequence-to-sequence模型也被用来预测流量序列(38,39]。其他一些研究也多流道深度学习模型描述(40,41)更准确的预测方法,因为这些模型使用辅助数据,如事故(37和天气条件42]。一些预测模型(43)使用空间特征提取获取空间关系在交通网络,但图像成为吵了。最近的研究(44,45)尝试使用三维卷积网络提取数据。林等。46)提出了地理和时间标准从交通数据中提取特征,其次是随机森林方法因素的相关性。此外,生成对抗网络是用于生产一些新鲜的事件的例子。五种类型的测试建议是否使用框架能够处理事件检测系统的有限样本容量问题,样本不平衡问题,和及时性问题。堆叠autoencoder也是用来识别时间和地理交通流和检测事件的相关性在其他研究。同样,样本选择方法增加了检测的实时能力(47]。深度学习使用的研究,总结在表2。还有一些优化方法基于metaheuristic哈里斯鹰等算法的优化48],multiswarm鲸鱼[49),moth-flame优化器(50- - - - - -52,灰太狼53,54],果蝇[55,56),细菌觅食优化(57),提高二进制哈里斯鹰的优化器58,蚁群59,60],biogeography-based鲸鱼优化[61年),而蚱蜢优化器(62年]。此外,优化方法采用机器学习在生物研究(63年- - - - - -66年]。

3所示。研究方法

3.1。AutoML

自动机械学习或AutoML是一个自动化的方式来找到最好的数据准备、模型和hyperparameters预测建模问题。AutoML的优点之一是处理少量数据和准备模型的准确性。此外,这种方法的目的是为机器学习知识构建最优模型。

3.2。神经结构搜索

NAS是AutoML方法之一,我们尽量选择神经网络的架构的方式是适合我们的数据,提高工作的准确性。在这些方法中,工作是基于分组如下:(我)搜索空间,包括神经网络我们可以构建的类型(2)搜索策略包括实现目标,定义目标函数和搜索的方法(3)性能估算策略描述的方法估计性能的神经网络模型被定义和后获得

该方法被用于不同的领域不同的问题。王et al .,例如,在一篇文章中使用NAS方法优化深U-Net网络分割医学图像和其他模型。图1显示了NAS递归的控制器。在这个控制器,每一层数的数量过滤器,过滤器的高度,过滤宽度,大步宽度,和步幅高度落后;每一个预测是通过SoftMax也作为下一个步骤的输入。

这个方法没有被使用在城市交通和回归的检测数据。因此,在这项工作中,我们使用一个NAS的方法为我们深入学习模型和优化这个模型基于“我们的可用数据”给相比其他深度学习模型精度高。

3.3。整体学习

据文章和实验证据,一些线性回归方法比深度学习方法更精确的回归问题。在一个小的数据量,这些方法可以很容易地适应他们的图表数据的问题,和他们的问题,在这种情况下,是次要的。因此,我们使用了集成学习方法这一问题,试图用两个专家预测交通堵塞。在集成学习方法,几个专家学习算法用于提高预测精度与专家的预测。图2显示了一个图模型的方法。

在分类中,投票方法是这个主题的标准技术之一。然而,在回归方法,平均或加权平均方法可以使用。

3.4。建议的方法

我们第一次试图找到最好的架构的深度学习我们的数据拟合的方法,在这种方法中。首先,我们把NAS模块开始,NAS算法选择最佳的架构。在下一步中,我们训练这个架构与训练数据和构建我们的深度学习模型。这个模型在图给出3根据我们的工作培训。在模型分析中,我们得出的结论是,一个复杂的模型并不是必要的,因为低的数据量。NAS算法作为最好的模型输出在密集的两层模型。同时,ReLUx激活函数给出每一层,和提供了一个标准化层增加精度,防止过度拟合。

3.5。线性回归方法作为第二个专家

自回归线性回归方法有很高的精度问题,第二个专家在我们的整体学习模块是线性回归方法。这种方法给一个线性回归模型的训练数据训练和使用该模型进行测试。在我们的测试方法和预测数据,工作是类似于图的一般形式4。

在整体模块部分,我们使用了加权平均的两个部分,深刻学习和线性回归,和测试不同的数字0和1之间的权重,它达到了0.7和0.3的数量(算法1)。

4所示。结果和模拟

4.1。数据收集

评估城市交通是最关键的问题之一在帮助城市控制交通在大城市。由于这个原因,这个问题已经研究了许多文章,并尝试了通过机器学习的方法来解决这个问题。在这个问题上,一些城市交通流基于六个变量的数据是可用的。这六个变量如下:绝对湿度,露点,能见度、风速、云的高度和温度。在最后一列,城市交通堵塞每天与上述变量的值的条件。这项工作提出了一个基于深度学习的方法和回归估计城市交通拥堵与六个相关变量。在本文中,我们设计了一个深刻的学习模式对城市交通控制系统。模型预测交通堵塞,它可以防止交通拥挤。在这项工作中,我们使用Python编程构建模型和最终的估计。Python库也被用于构建网络和回归模型,包括Keras,NumPy,sklearn,scipy。

4.2。描述性统计的数据

交通流是由传感器记录每三十秒,这些数据被收集在60分钟。我们的数据库已经收集了三十多天与不同类型的变量。模式的形状表示这个交通流基于变量及其变化。这些变量包括气象信息可用,包括绝对湿度、露点、能见度、风速、云的高度和温度。交通流的详细统计数据表,包括变量的平均值和标准偏差和数据和交通流预测的变量,。交通流的数量每辆车号码是表示在10秒(见表3)。

4.3。该方法的实现

在本文中,假设气候特征是密切相关的交通流。因此,我们提出了一种基于神经网络和回归模型,我们在前一节中详细解释。本节显示了建筑从方法和比较我们的方法与获得著名的回归方法。图5显示了图的气象变量。

我们使用Python 3.6来实现这个项目。我们使用谷歌Colaboratory使用适当的GPU和Jupyter笔记本硬件和写代码。400可用数据由于缺乏数据深度学习,我们只有50个数据用于测试。此外,在下一步中,我们实现了NAS的方法。在这种方法中,以下我们的面板数据,30个不同的模型是基于可用的搜索空间,如层数,类型的激活函数,神经元的数量,和归一化层的存在与否,每个模型教授30时代。在这个培训,共有350个训练数据,20%的数据被用来验证数据来评估模型的性能。这个模型的结果从0.0003的平均绝对误差,与其他方法相比是最优的。图6是选择的体系结构的概述NAS训练数据的方法。

获得最优结构之后,我们训练这个架构与250年时代在所有训练数据模型和改进的基于训练和测试数据(见图7)。我们还策划相应的损失和MSE,图中可以看到。训练过程模型减少了错误的MSE准则与时代的进步,显示正确的深度学习训练过程。

此外,我们的培训是平行于轴的地平线,这表明最优的模型,这可能是过度拟合训练过程和时代不断增加。最后,训练和测试数据的损失行匹配,表明模型的实际表现在两个类别(见图8)。

组装后深度学习与回归模型(在前一节中解释),我们准备的一般模型来处理测试数据。我们给这个模型的测试数据评估。在我们的模型中丢失的数据量几乎是零。这一趋势图中可以看到9,所有预计标签接近的主流数据符合,说明模型的优越性。在这个图中,蓝线是安装线的预测数据,接近45度角,这表明我们的目标是预测精度高。结果也与交通流量趋势图。根据图10我们越接近红线,模型的精度就越高。我们的模型几乎是红线。这个数字说明了这个概念,我们的模型预测几乎所有测试数据与同等精度等于数据标签,这条线的趋势是一样的,实际的标签。

同时,与交通流量趋势的教育数据比较结果如图11所示。我们越接近红线,更精确的模型。我们的模型是几乎完全训练数据的红线。此图显示了我们的模型预测的概念几乎所有训练数据与同等精度等于数据标签,和这条线的趋势是一样的趋势实际标签。比较和评估我们的方法,我们评估了支持向量回归方法。我们训练该模型与我们相同的训练数据训练NAS模式。

此外,我们验证了这个模型在相同的测试数据,我们使用的方法。数据丢失的速度在这个模型是高于我们的模型。在图中,可以看出,模型预测的项目所需的线不符合得很好。在这个图中,有红圈45°远离我们的线,应安装线的测试数据。这条线的距离,这些圈也可以直接关系到绝对误差的关系,一般是这个项目的评估点之一。图11显示了火车的图表数据,模型训练数据的估计。在这种方法中,红线蓝线不适合,这是底线,应该预测。

它表明,SVR模型还没有在我们的训练数据训练有素。结果也与SVR模型的交通流的趋势。由于这个形状,我们越接近红线,模型的精度就越高。这个模型没有一个合理的估计点比我们的模型并没有很好地放在红线。在这个图中,模型的某些部分,数据值预计要比原来的价值,或多或少的测试数据趋势线是不符合我们的预测趋势线。图12显示了训练数据的加工图,不匹配的蓝线橙色线条,显示了SVR模型的弱点在训练数据回归训练。

另外,表4比较了该方法与我们得到的MSE的数量与SVR方法。我们的方法可以超过SVR方法这一标准。MSE准则计算由以下方程:

在这方面,括号中的表达式的预测值和中央目标值测试数据。我们的模型已经达到0.00002 MSE准则而言,这是一个绝对优势在SVR方法,这方面的MSE的值为0.01033。同时,随机森林回归和MLP方法获得值MSE的0.00003和0.0011,分别,这是有关我们的方法克服了这一标准。

5。结论

本研究提出了基于集成学习方法来预测城市交通拥堵根据天气条件。它是基于深度学习方法中,我们使用NAS算法,在输出基于启发式方法创建一个有关输入数据的优化模型。我们有400年的数据,其中包括当天的天气的特点,包括六个特点:绝对湿度,露点,能见度、风速、云的高度,温度,最后一列是城市交通拥堵作为目标。我们训练有素的深度学习模型的训练数据,通过NAS的方法。这些数据包含87.5%的数据。最后,对于训练和测试数据丢失在这个模型中重叠,这表明网络完全拟合数据。除了深度学习模型中,我们使用了一个线性回归模型和基于加权平均两种模型相结合,和预测输出是基于整体模型。线性回归模型也与训练数据训练。我们的分析是,由于问题的神经网络回归问题,结合深度学习模型与神经网络模型增加我们的准确性和问题并且降低了MSE误差。最好的和最简单的回归模型是线性回归模型用于这项工作和整体学习方法。

此外,我们分析了他们在项目中获得的结果;这种方法比其他的更有效的回归模型。这种方法有一个0.00002的MSE误差标准和SVR,随机森林,和延时方法,误差值为0.01033,0.00003,和0.0011,分别。根据美标准,这种方法的值为0.0039。其他方法得到的值为0.0850,0.0045,和0.027,分别,这表明,我们建议的模型比其他方法更小错误,可以超过其他模型。这个问题与这些数据却失败了。未来的研究表明,NAS方法可以修改,也可以优化基于卷积的方法,还可以像照片和描述数据使用的图像。同时,深度学习方法和机器学习的结合是一个合适的方法,可以使用其他几个专家在工作和作出预测。收集更多的数据在这个领域可以未来的作品之一的这个项目,因为这个项目中的数据很小,和更多的数据,深度学习模型更好地工作。

数据可用性

从文献[提取的数据70年)交通流量预测。

信息披露

资金来源没有参与研究设计、收集、分析和解释数据,撰写的手稿,或决定提交出版的手稿。

的利益冲突

作者宣称没有利益冲突。

引用

1. 拉娜,j . Del Ser m·维依Vlahogianni,“道路交通预测:最新进展和新的挑战,”IEEE智能交通系统杂志,10卷,不。2、93 - 109年,2018页。视图:出版商的网站|谷歌学术搜索
2. y郑,l·卡普拉、o·沃尔夫森和h·杨,“城市计算”,ACM智能交易系统和技术,5卷,不。3,1-55,2014页。视图:出版商的网站|谷歌学术搜索
3. a .大肠埃辛Petrounias,佩德罗,和s桑帕约”Deep-PRESIMM:集成深度学习与微观交通预测,”学报2019年IEEE国际会议系统,人与控制论(SMC)IEEE,页4257 - 4262年,2019年。视图:谷歌学术搜索
4. 答:埃辛,即Petrounias、p .桑帕约和s .桑帕约”降雨和温度对峰的影响和非高峰的城市交通,“在计算机科学的课堂讲稿,卷11030信号,399 - 407年,2018页。视图:出版商的网站|谷歌学术搜索
5. m·阿加瓦尔和r . r . Souleyrette天气对城市高速公路交通流特性的影响和设备能力,”学报2005期价交通研究研讨会美国IA,艾姆斯,2005年8月。视图:谷歌学术搜索
6. 答:埃辛,即Petrounias、p .桑帕约和s .桑帕约“改善城市交通速度预测使用数据源融合和深度学习,”学报2019年IEEE大数据和智能计算国际会议(BigComp)2019年3月,京都,日本。视图:出版商的网站|谷歌学术搜索
7. 答:埃辛、g . Chukwkelu和c . Giannetti”一个可伸缩的深卷积LSTM大规模的城市交通流预测神经网络使用递归式的情节,“2019年IEEE AFRICON学报》上2020年10月,阿克拉,加纳,。视图:谷歌学术搜索
8. 答:埃辛和c Giannetti“深度学习的框架使用卷积LSTM堆叠autoencoders单变量时间序列预测,”《2019年IEEE国际研讨会上创新智能系统和应用程序(INISTA)2020年10月,保加利亚索非亚。视图:谷歌学术搜索
9. m·艾哈迈迪,r . Taghizadeh基因表达式编程模型使用知识经济指标:经济增长比较GEP模型和ARDL边界测试方法,”造型在管理杂志》上,2019年。视图:谷歌学术搜索
10. g .吴作栋、j . Koh和y张“Twitter-informed人群流动预测,”学报2018年IEEE国际会议数据挖掘研讨会(ICDMW)2020年10月,新加坡,。视图:谷歌学术搜索
11. Wongcharoen和t . Senivongse“Twitter分析道路交通拥堵严重的估计,”学报2016年13日国际联合会议上计算机科学和软件工程(JCSSE)2013年10月,泰国孔敬省。视图:出版商的网站|谷歌学术搜索
12. s Manoharan“短期交通流预测使用深度学习方法,”2016年,博士羞辱。爱尔兰国立大学、都柏林,爱尔兰。视图:谷歌学术搜索
13. 答:埃辛,即Petrounias、p .桑帕约和s .桑帕约“改善城市交通速度预测使用数据源融合和深度学习,”学报2019年IEEE大数据和智能计算国际会议(BigComp)2020年10月,韩国釜山。视图:出版商的网站|谷歌学术搜索
14. j .他w .沈、p . Divakaruni和l . Wynter”与推特语义,改善交通预测”二十三学报》国际联合会议上人工智能2020年10月,北京,中国。视图:谷歌学术搜索
15. m .倪,他问:“使用社交媒体来预测交通流在特殊事件情况下,”美国交通运输研究委员会第93届会议美国,华盛顿特区,2020年10月。视图:谷歌学术搜索
16. b·l·史密斯、b·m·威廉姆斯和r·k·奥斯瓦尔德”比较参数和非参数模型的交通流预测”。视图:谷歌学术搜索
17. x王,k, l .唐短期预测高速公路退出卷基于支持向量机和资讯爱思唯尔,荷兰阿姆斯特丹,2015年。
18. l .张、刘问:和w·杨,一种改进的再短期交通流预测模型爱思唯尔,荷兰阿姆斯特丹,2013年。
19. m·艾哈迈迪”计算方法来揭示经济增长因素,”计算经济学,1-26,2020页。视图:出版商的网站|谷歌学术搜索
20. 张y”,对增强内核极端学习破产预测模型:算法行为和综合分析,“Neurocomputing卷,430年,第212 - 185页,2021年。视图:出版商的网站|谷歌学术搜索
21. m·艾哈迈迪s Jafarzadeh-Ghoushchi r . Taghizadeh, a··沙里夫”的一个新的混合方法预测经济增长通过人工智能的方法,”神经计算与应用没有,卷。31日。12日,第8680 - 8661页,2019年。视图:出版商的网站|谷歌学术搜索
22. z风扇,x的歌,和r . Shibasaki”CityMomentum:在线群众行为预测方法在全市层面,”《2015年ACM国际联合会议上普遍的和无处不在的计算2015年9月,日本大阪,。视图:谷歌学术搜索
23. x张歌,问:“预测人类大规模的灾后应急行为和他们的机动性,”20 ACM SIGKDD国际会议的程序知识发现和数据挖掘美国,纽约,纽约,2020年10月。视图:谷歌学术搜索
24. s . c . Hillmer和g . c .挑“ARIMA-model-based季节性调整方法,“美国统计协会杂志》上,卷77,不。377年,第70 - 63页,1982年。视图:出版商的网站|谷歌学术搜索
25. c .吴邦国委员长和j . Ho走时与支持向量回归预测,“IEEE智能交通系统,5卷,不。4、276 - 281年,2004页。视图:谷歌学术搜索
26. n . Mashros j . Ben-Edigbe s a·哈桑n .阿卜杜勒·哈桑和n z穆罕默德尤努斯”降雨条件对交通流的影响和速度:一个案例研究在柔佛和terengganu,”Jurnal各种,卷70,不。4、2014。视图:出版商的网站|谷歌学术搜索
27. m . l .天使,t . Sando d . Chimba诉Kwigizile,“雨对佛罗里达高速公路上交通运营的影响,“交通研究记录:《交通研究委员会,卷2440,不。1,2014。视图:谷歌学术搜索
28. j .安德烈“长期趋势在事故与天气有关的风险,”交通地理杂志,18卷,不。2、247 - 258年,2010页。视图:出版商的网站|谷歌学术搜索
29. a . m .阿里和k·威利•“创伤工作负载的影响天气怎么样?系统回顾文献,”受伤,46卷,不。6,945 - 953年,2015页。视图:出版商的网站|谷歌学术搜索
30. Datla和s·沙玛,”冷温度和降雪的变化的影响及其相互作用对交通量,”交通研究记录:《交通研究委员会,卷2169,不。1,第115 - 107页,2010。视图:出版商的网站|谷歌学术搜索
31. b·史密斯、k·g·伯恩和r·b·普曼“调查降雨对高速公路交通流的影响,”美国交通运输研究委员会第83届会议美国,华盛顿特区,2004年。视图:谷歌学术搜索
32. 净和w•沃瑟曼应用线性统计模型理查德·d·欧文第1版,1974年,美国。
33. m . Kyte z哈提卜,p·香农,厨师,“天气对隧洞的影响速度,”交通研究记录:《交通研究委员会,卷1776,不。1、60 - 68、2001页。视图:出版商的网站|谷歌学术搜索
34. r·杆“多级评估降雨的影响在司机的行为:标准化的方法和实证分析”,交通研究记录,卷2107,不。1,第142 - 134页,2009。视图:谷歌学术搜索
35. 即Tsapakis和t . Cheng天气条件对宏观城市旅行时间的影响爱思唯尔,荷兰阿姆斯特丹,2013年。
36. 崔z, k . Henrickson r·柯和y王,“流量图卷积递归神经网络:深度学习框架network-scale交通学习和预测,“IEEE智能交通系统,21卷,不。11日,第4894 - 4883页,2020年。视图:出版商的网站|谷歌学术搜索
37. 李y, r . Yu, c . Shahabi Demiryurek,和y . Liu“深度学习:交通预测极端条件,一个通用的方法”学报2017年暹罗国际会议数据挖掘,页777 - 785,休斯顿,德克萨斯州,美国,2017年4月。视图:出版商的网站|谷歌学术搜索
38. c . r . y . Li Yu Shahabi, y . Liu”扩散卷积递归神经网络:数据驱动的交通预测,“机器学习,2017,https://arxiv.org/abs/1707.01926。视图:谷歌学术搜索
39. 崔y, z, y, m .学生h . Chen和y王,“深生成对抗网络范围的时空架构交通状态估计,“交通研究记录,卷2672,不。45岁,87 - 105年,2018页。视图:谷歌学术搜索
40. l . h . y . Wu Tan秦,跑,基于混合深度学习的交通流预测方法及其理解爱思唯尔,荷兰阿姆斯特丹,2018年。
41. 张c和p·佩特雷,“长期移动流量预测使用神经网络时空深处,”学报十八ACM国际研讨会上移动Ad Hoc网络和计算2017年7月,钦奈,印度。视图:谷歌学术搜索
42. d . Zhang和m . r . Kabuka”结合天气条件数据预测交通流:一个格勒乌基础深度学习方法,“专业智能运输系统,12卷,不。7,578 - 585年,2018页。视图:出版商的网站|谷歌学术搜索
43. 吴w·金,y, z, h . Wan”时空轮回卷积网络全市短期人群流动预测,”第二届ACM国际会议上计算和数据Analysis-ICCDA 2018页28-35迪卡尔布,2018年3月,美国。视图:出版商的网站|谷歌学术搜索
44. s . g . Teo k . c . Chen Li和g·陈,“利用时空相关性与多个3 d为全市车辆流卷积神经网络预测,”数据挖掘学报2018年IEEE国际会议(ICDM),新加坡,2018年11月。视图:谷歌学术搜索
45. 林郭,y, s·李,z,“深度时空三维卷积神经网络流量数据预测,“IEEE智能交通系统,20卷,不。10日,3913 - 3926年,2019页。视图:出版商的网站|谷歌学术搜索
46. h . y . Lin l . Li Jing, b, d太阳,“自动化交通事件检测与一个较小的数据集的基础上生成对抗的网络,”事故分析和预防文章ID 105628卷,144年,2020年。视图:出版商的网站|谷歌学术搜索
47. l . Li林y, b . Du f·杨和b跑,“实时交通事件检测基于混合深度学习模型,”Transportmetrica:运输科学,21,2020页。视图:出版商的网站|谷歌学术搜索
48. 答:a . h . Chen Heidari对伊朗伊斯兰共和国通讯社表示,h·陈,m . Wang z, a . h . Gandomi,“Multi-population微分evolution-assisted哈里斯鹰优化:框架和案例研究,“未来一代计算机系统卷,111年,第198 - 175页,2020年。视图:出版商的网站|谷歌学术搜索
49. 王m和h·陈,“混沌multi-swarm鲸鱼优化器提高了支持向量机用于医学诊断,”应用软计算文章ID 105946卷,88年,2020年。视图:出版商的网站|谷歌学术搜索
50. y, h·陈,j .罗问:张娇,x张,“增强Moth-flame与突变的全局优化策略,优化器”信息科学卷,492年,第203 - 181页,2019年。视图:出版商的网站|谷歌学术搜索
51. 张赵x, x, z Cai et al .,“混乱增强灰太狼优化包装榆树paraquat-poisoned病人的诊断,“计算生物学和化学卷,78年,第490 - 481页,2019年。视图:出版商的网站|谷歌学术搜索
52. c . Yu”SGOA: annealing-behaved蚱蜢全球任务,优化器”与计算机工程,2021年。视图:出版商的网站|谷歌学术搜索
53. b . h . m . Wang Chen Yang et al .,“向最优内核极端的学习机器使用混乱moth-flame优化策略应用在医学诊断,”Neurocomputing卷,267年,第84 - 69页,2017年。视图:出版商的网站|谷歌学术搜索
54. j .夏·h·陈,李问:问:et al .,“Ultrasound-based分化的恶性和良性甲状腺结节:一个极端的学习机器的方法,”计算机在生物医学方法和项目卷。147年,37-49,2017页。视图:出版商的网站|谷歌学术搜索
55. H.-L。陈,g . Wang c . Ma Z.-N。Cai, W.-B。刘,S.-J。王”,一个高效的混合内核极端学习机方法早期诊断帕金森病,”Neurocomputing卷,184年,第144 - 131页,2016年。视图:出版商的网站|谷歌学术搜索
56. l . Hu g .香港j . Ma x Wang和h·陈,“一个有效的机器学习方法诊断paraquat-poisoned病人,”计算机在生物学和医学59卷,第124 - 116页,2015年。视图:出版商的网站|谷歌学术搜索
57. h . x y, r . Liu Wang Chen和c·李,“提高二进制哈里斯鹰优化和特征选择,”与计算机工程,行,2020页。视图:出版商的网站|谷歌学术搜索
58. d .赵”混沌随机备用蚁群优化、图像分割的2 d Kapur熵,”以知识为基础的系统文章ID 106510卷,216年,2020年。视图:谷歌学术搜索
59. b . x赵,d . Li Yang, c . Ma y朱、陈和h,”特征选择基于改进蚁群优化在线检测外国纤维棉、”应用软计算,24卷,第596 - 585页,2014年。视图:出版商的网站|谷歌学术搜索
60. z z l .沈h . Chen Yu et al .,“进化支持向量机使用果蝇优化医疗数据分类、”以知识为基础的系统卷,96年,第75 - 61页,2016年。视图:出版商的网站|谷歌学术搜索
61. j .你“biogeography-based鲸鱼进化优化方法与通信结构:对测量平衡,”以知识为基础的系统文章ID 106642卷,212年,2020年。视图:出版商的网站|谷歌学术搜索
62. c . Li l .侯b . y . b . Sharma et al .,“开发一个新智能系统结核性胸腔积液的诊断,“计算机在生物医学方法和项目卷,153年,第225 - 211页,2018年。视图:出版商的网站|谷歌学术搜索
63. w·山、“双自适应权重蛾火焰稳定的优化器:平衡分析,工程情况下,和医疗诊断,”以知识为基础的系统文章ID 106728卷,214年,2020年。视图:谷歌学术搜索
64. a . a . j . Hu h . Chen Heidari对伊朗伊斯兰共和国通讯社表示,“正交学习缺陷的协方差矩阵灰太狼优化器:洞察力,平衡,多样性,特征选择,”以知识为基础的系统文章ID 106684卷,213年,2021年。视图:出版商的网站|谷歌学术搜索
65. c·w·h·Yu Li Chen等人“动态高斯的果蝇优化与放弃机制:方法和分析,“与计算机工程,2020年1至29页。。视图:出版商的网站|谷歌学术搜索
66. 徐x和H.-l。陈,“自适应计算趋化性细菌觅食优化、基于领域”软计算,18卷,不。4、797 - 807年,2014页。视图:出版商的网站|谷歌学术搜索
67. 任y, y, t . Cheng”图深度学习量短期流量预测方法在大型公路网络,”计算机辅助土木与基础设施工程,34卷,不。10日,877 - 896年,2019页。视图:出版商的网站|谷歌学术搜索
68. d·h·Lu黄,y的歌,江d, t·周和j .秦”ST-TrafficNet:时空深度学习网络流量预测,“电子产品,9卷,不。9,1474年,页2020。视图:出版商的网站|谷歌学术搜索
69. y y, t . Cheng任,k .谢”小说残余图卷积深度学习短期基于网络流量预测模型,”国际地理信息科学杂志》上,34卷,不。5,969 - 995年,2020页。视图:出版商的网站|谷歌学术搜索
70. d . x z刁,Wang, y . Liu k .谢和他,“动态时空图卷积神经网络交通预测,“美国第33 AAAI会议上人工智能33卷,第897 - 890页,2019年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Javad阿廷等。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。