交通状态演化趋势预测基于拥堵传播影响下下雨的天气

文摘

在阴雨天气,交通状态的准确预测不仅有助于道路交通管理者制定交通管理方法,而且也帮助旅行者设计旅游路线,甚至调整旅游时间。本文基于六维数据(例如,过去和现在的时空交通状况、道路网络结构、路面类型、水积累,和降雨量级),一个模糊神经网络(FNN)提出了预测交通状态预测系统。交通状态演化趋势是相关不仅对现有交通,而且新的交通需求。因此,模糊神经网络预测系统设计包括离线和在线部分使用过去的数据和天分开,避免了新的交通需求的预测。模糊c均值聚类算法应用于集群类似的阴雨天气下交通状态数据在过去形成离线初始数据集,用于训练模糊神经网络权重参数。在线使用实时检测数据和部分参数离线训练的一部分,进一步预测交通状态预测错误并返回到离线部分正确的重量参数,进一步提高预测精度。最后,验证了模糊神经网络预测系统使用真实的北京高速公路网络数据。验证结果表明,该预测系统可以有效地保证预测精度,可用于确定交通状态。

1。介绍

检测技术的发展允许道路数据,如道路平坦和水积累得到的细节。基于这些先进技术,可以充分利用道路交通管理部门数据准确地估计交通状态,进一步提高公路管理服务水平,缓解交通拥堵1]。有了更现实的道路信息,司机可以有效地计划他们的旅行路径,甚至离职时间2]。

在北京和上海这样的城市在中国,司机通常有多个路由选择到达目的地。实时交通状态和道路信息可以帮助司机可能选择一个合适的旅游路线(3]。相关的潜在合适的旅行路线不仅是当前交通状况和道路条件也与交通状况在未来(4]。因此,合理评估交通现状和准确预测未来的交通状况将扮演重要的角色在交通管理和司机旅行5]。然而,很难准确地预测交通状态进化由于各种随机因素(如降雨量的变化,道路湿滑的程度受到雨水的影响,可见性的司机,等等)(6)和拥堵传播方式(7]。因此,下雨天,基于遥感道路信息和交通信息,这是一个巨大的挑战,合理预测网络流量的进化状态(8]。

道路交通状态的演化过程不仅是道路结构相关,降雨,现有的交通流量,等等,还与潜在的交通需求(2]。因此,我们无法预测未来交通流的演化在时间步只使用交通状态数据从过去的一天,因为新的交通需求无法预测。类似地,我们不能使用类似的雨天交通状态的进化在过去预测未来交通状态的进化时间的步骤,因为每天的交通流状态的变化甚至可能会影响到某些交通设施或道路的修复。因此,模糊神经网络(FNN)预测系统两部分,在线和离线部分,提出了预测交通状态演化[9]。

我们使用模糊c均值(FCM)聚类算法进行聚类分析交通状态演化在过去类似的雨天构建离线初始数据集。这个数据集使用离线部分重量训练模糊神经网络参数。在线使用实时检测数据和部分重量训练的参数离线部分预测交通状态。此外,在线部分收益预测错误和实时数据离线部分进一步正确重量参数来提高预测精度。

本文寻求两对文学的贡献。首先,模糊预测系统,包括线下和线上部分提出。离线部分考虑新的交通需求与交通状态下进化相比过去类似的降雨天气。实时交通状态演化之间的比较,预测结果的在线部分返回到离线部分进一步正确重量参数,提高预测精度。其次,六维数据(即。,past and present spatiotemporal traffic status, road network structure, pavement type accumulation water, and rainfall levels) are used to predict the evolution of traffic status during rain. This result provides a valuable perspective for future researchers on the evolution of relevant traffic status.

剩下的纸是组织如下:部分2简要讨论了有关预测和聚类方法;模糊神经网络模糊预测系统,包括在线和离线部分详细介绍部分3;部分4通过实例测试相应的预测系统;最后,我们总结本文并提出相关建议部分扩张5。

2。文献综述

2.1。聚类算法

聚类分析起着至关重要的作用在交通领域的分类地位。聚类分析在一个类对象的相似性最大化和最小化不同阶层之间的相似的对象。在交通数据挖掘常用的聚类算法包括而基于分区的k - means算法(10,11),层次聚类算法(12],density-based应用程序与噪声的空间聚类算法(13,14),和FCM聚类算法15- - - - - -17]。

k - means算法聚类速度快,但是它要求分类合理估计的数量,和选择的初始类中心和噪声对聚类结果有很大的影响(10]。层次聚类算法包括两种方法:分裂法和凝聚法(12]。分割方法最初是指所有样本分类到集群,然后逐渐把采样点根据一定标准,直到某个条件或类别的设置数量。凝聚方法最初是指将每个样本点作为一个簇,然后合并这些初始集群根据一定标准,直到某个条件或达到设定的分类。然而,层次聚类算法通常用于一维数据的自动分组。

density-based空间聚类的应用程序与噪声算法也有聚类速度快。该算法可以有效地处理嘈杂的数据找到空间任意形状的簇,不需要在聚类过程中进入集群的数量(13]。然而,当空间聚类的密度不均匀,集群的间距很大,density-based空间聚类的聚类结果的应用程序与噪声算法很穷。FCM聚类算法是一种基于目标的模糊聚类算法,它使用会员来确定采样点的相似性。道路交通状态划分具有一定的模糊性。因此,选择FCM聚类算法对交通状态进行分类根据不同的降雨和积水。

2.2。交通状态预测算法

在过去的几十年里,许多学者努力致力于改善交通状态预测的准确性和有效性。交通状态预测研究中使用的模型可以概括为三大类:参数模型、nonparameter模型和混合模型(18]。基于参数模型的预测算法使用数理统计处理历史交通数据。基于一定的理论假设模型预设,然后使用历史数据估计模型参数。典型的参数模型预测算法用于交通预测是自回归综合移动平均算法(18,19)和卡尔曼滤波算法(20.]。参数预测模型是相对简单和快速计算的优势。然而,这个参数模型预测算法大大地受到交通量的波动的影响。因此,该参数模型预测算法只适用于道路交通稳定状态和低精度的要求。在雨天,低洼地区倾向于当地的交通拥堵。因此,参数模型预测算法不适合等预测交通状态下异常天气下雨的天气。

为了弥补参数预测模型的缺点,一些非参数模型,可以分析提出了交通状态的非线性特征。非参数模型大致分为小波分析模型(21,22)、混沌理论模型(23,24),和智能预测模型。尽管非参数模型可以预测交通状态与时间序列特征,模型结构很复杂,计算量大,模型参数的确定是很困难的。作为数据驱动的非参数算法,智能预测模型使用人工智能算法进行预测和广泛应用领域的交通状态预测。人工智能预测算法主要包括机器学习模型,如再邻居算法(25,26),贝叶斯网络(27),和支持向量机(28,29日),如最小二乘支持向量机(30.- - - - - -32),神经网络(33)和深度学习模型,如反向传播神经网络(34),多空词记忆(35,36),深层信念网络(37),和生成对抗网络(38,39]。

混合预测算法是指使用两种或两种以上的交通状态预测模型预测。混合预测模型利用多种预测模型的同时,通常比使用单一预测模型更准确。混合预测算法目前常用的交通状态预测(40- - - - - -43]。基于经验模态分解和组合模型融合,一种新颖的短期交通流预测方法可以用来预测交通状态(44,45]。下雨天,变量,如程度的湿滑的道路和积水,有不确定的特点。快速和准确的交通状态预测有助于交通管理部门来控制交通和帮助旅游者选择旅游暴跌和旅行时间更合理。因此,本文使用了一个混合预测算法预测交通状态。

2.3。交通拥堵传播

大量的交通拥堵传播规律的研究是通过复杂的网络。通过分析道路交通网络的拓扑结构和交通状态的统计特性,使用传播动力学模型理论来获取交通拥堵传播规律。这项研究在46)描述交通拥堵与受感染的扩散模式恢复模型的复杂网络。这项研究在47]研究了网络拓扑结构对交通拥堵的影响通过一种改进的宏观交通流模型,并提出了一个算法来有效地消除交通拥挤。这项研究在48)提出了一个理想化的复杂网络模型来分析和预测经常在城市道路交通拥堵节点。这项研究在49)使用复杂的模型定义道路网络中的每个节点的吸引力。的交通状态是分发给其他节点,每个节点,这样拥堵传播路径是事先决定的。

3所示。模糊神经网络预测系统

的框架,详细讨论了模糊神经网络预测系统部分3.1。随后,FCM聚类算法用于过滤部分中讨论的训练数据集3.2。输入变量和输出变量部分中讨论3.3和3.4,分别。

3.1。模糊神经网络预测系统的框架

模糊逻辑具有较强的结构性知识表达能力,但通常没有学习能力。模糊逻辑只能主观地学习隶属度函数和模糊规则。神经网络具有很强的自学习能力和非线性处理能力。因此,本文结合模糊逻辑理论与模糊神经网络算法的神经网络算法预测时空在雨天交通状况拥堵传播效果。模糊神经网络预测系统的总体框架如图1。

本文提出的模糊神经网络预测系统分为两部分:在线预测和离线校正。因为新的交通需求的预测是困难的,错误的预测交通状态仅基于过去的数据一天大的时间步长。因此,离线部分设计训练模糊神经网络算法基于数据从天雨在过去获得训练参数,输入作为最初训练参数的在线预测的部分。在不同的天气,交通状态演化是不同的。因此,为了获得合适的脱机输入数据,本文集群历史数据的FCM聚类算法(见部分3.2基于降雨和积水。然后,根据预测日的降雨和积水,选择适当的数据集训练离线部分参数。基于离线部分的训练参数,实时检测的在线部分可以更好地利用信息来预测交通状态。然后在线部分转移预测错误和实时信息再次离线部分调整训练参数来提高预测精度。根据预测结果和其他拥塞指示,交通管理部门了解拥堵的传播范围和影响程度提前做出相应的决策来缓解交通堵塞。

3.2。FCM聚类算法

由于道路拥堵程度的模糊性,应用最广泛的FCM聚类算法在许多应用模糊聚类算法(15]。通过优化目标函数,FCM聚类算法可以获得每个采样点的隶属度到所有集群中心,以便确定采样点的类型,实现自动分类的样本数据。摘要降雨和积水中提取数据特征属性。

对于一个给定的数据集 , 代表样品的总数,代表一个样本,代表样本的数量(例如, )。每个样本 包括特点, 。在本文中,每个样本包含两个特征(例如, ):降雨和水的积累 。标准化降雨和水的积累被定义为 在哪里 , , ,和 。

目标函数最小化 CL是集群的数量。代表的隶属度样本属于类别与体重指数 。 表示类别的中心范畴 。然后,求解方程(4)和(5),我们可以使用迭代方法来更新类别中心和会员的程度的类别在th迭代:

FCM算法的聚类图所示2,在那里代表终止错误的FCM聚类算法。

3.3。输入变量的模糊神经网络预测系统

摘要六个变量(例如,静态网络结构,过去和现在的交通状况、路面类型、水积累,和降雨量级)选择从不同的信息渠道了解是否拥塞发生并计算传播范围的交通拥堵。输入数据详细解释如下。

3.3.1。静态路网结构

静态网络结构中的节点,连接长度,和链接的数量是很重要的指标,影响道路网络的连接性能。我们简化了道路网络转化为一个有向图 如图3,在那里是一组节点,代表十字路口,是边的集合代表路链接。通过有向图 ,我们可以区分上游和下游的流量,可以确定道路网的拓扑。

3.3.2。过去和现在的动态交通状态

道路交通提出了动态特性。大量的数据处理将导致推迟交通状态的评价预测系统。因此,为了预测交通状态实时模糊神经网络预测系统包括离线和在线的部分。离线部分不断调整模糊神经网络的参数根据过去的交通状态预测算法。在线部分是用来预测交通状态的演变通过实时交通状态数据和转移预测错误和实时信息再次离线部分调整训练参数来提高预测精度。

3.3.3。路面类型

道路的类型已经可以精确地检测到遥感设备。在雨天,低洼地区容易积水。小低洼地区可能会无意中影响车辆的行驶速度,而在大型低洼地区,司机可能积极减少车辆的速度,以避免洪水。(国际平整度指数IRI)可用于路面类型进行分类。IRI是路面平坦,说明路面垂直变化的数量每单位道路长度(50]。因此,根据表中1本文将路面划分为三类:小低洼路面,大型低洼路面,光滑的路面。

3.3.4。水积累和降雨水平

我们选择在北京一共有七个积水点,其中五大积水点和两个小积水点是用来测量水的数量积累。降雨水平分为三个层次:小雨、中雨、大雨。基于水积累和降雨水平,离线输入数据可以通过FCM聚类算法。通过水的数量积累,我们可以进一步研究交通拥堵的累积效应。与此同时,结合积水和降雨量的预测,选择适当的数据离线训练部分参数。

3.4。模糊神经网络预测系统的输出

一般来说,道路网的拓扑影响交通拥堵传播。然而,下雨天,水将导致积累点积累不断增加。因此,积水点可能成为特定的道路网络的关键节点和可能造成的影响的增加交通拥堵传播状态进化。本文在阴雨天气下道路拥堵水平作为判断道路运行状态的基础。车辆速度是道路拥堵水平的关键指标。在线部分预测车辆速度结合实时检测和初始训练参数的信息。摘要公路网络测试是北京的高速公路网络。因此,根据表中2,速度可以转化为道路拥堵的高速公路网络(51]。

速度性能指标定义如下(51]: 在哪里表示速度性能指标,代表链接的平均速度在km / h,和是链接的最大速度限制在km / h。

4所示。案例研究

在本节中,提出了模糊神经网络预测系统评估的准确性通过北京的高速公路网络的实际交通状态数据(见图4)。高速公路网络包括四个环道路(第二圈,第三环,第四圈,和第五圈)和15个城市表达道路。高速公路网络负责每天超过50%的汽车旅行,高速公路网络可以选择代表近似水平的北京的交通网络。道路网可以进一步分为244路链接。我们使用北京交通管理局提供的数据为2015年的三年,2016年和2017年。数据采样间隔5分钟,有22162169,22709459,和20465423基本数据在这些三年。回归模型填充方法应用于补充缺失的数据(52]。我们选择早上高峰时间(上午7点至8点)6月23日,2017年的预测。五大积水点标记为蓝色和两个小积水点用红色标识如图4被选中。

模糊神经网络模型是使用Python实现3.5.4和Pytorch 1.50深度学习框架。数据预处理是进行包NumPy和熊猫。GPS是分为三个子集的数据集在阴雨天气下交通状态预测:一个训练集,验证集和测试集。有效地使用有限的数据集和避免过度拟合训练期间,k-fold交叉验证,在训练集折叠的数量设置为9,上个月的数据集是用于验证。在这项研究中,隐藏层的数量设置为2。神经元的数量和批量大小设置为20 - 16所示。手工时代的数量设置为200,mini-batch学习方法采用批处理大小为16。会员设置为3。防止过度拟合训练集,早期停止损失时将不再减少20连续训练周期。

4.1。性能的措施

四种测量方法,平均绝对百分比误差(日军),平均绝对误差(MAE)、均方根误差(RMSE) ,用于评估车辆速度的预测精度。日军和梅可以准确地评估预测错误的大小。RMSE和是测量值和预测值之间的区别。这四种方法可以从不同的方面:评估预测的准确性 在哪里测量值的链接吗 , 是链接的预测价值 ,和是链接预测的总数。观测值和平均吗平均的预测价值。上述模型可以用来评估速度的预测结果。

4.2。预测精度评估

为了评估车辆速度的预测精度,我们选择八个地区密集的水点作为评价对象(参见图5)。与不同的输入变量(见表6例3)测试。平均速度的详细预测结果如图所示6。从日军的预测错误6例,RMSE, ,和梅图所示7。

从图6,我们可以发现,当所有的变量被认为是,提高预测的准确性。我和案件二世,不考虑道路网结构,有最大的预测错误。我和案件II的预测结果是相似的。当更多的积水点都包含在预测领域,预测误差增加。随着积水点数量的预测面积减少,提高预测精度。案件的结果III, IV, V和案例相似,因为路面结构,降雨积水,可以更好地反映降雨对交通状况的影响。从图7,我们可以清楚地发现,所有地区,VI是最高的预测精度,预测精度的情况下,我是最低的。此外,二世和案件的结果我很相似,表明道路静态网络结构有更大影响的预测车辆的速度。

4.3。比较不同的预测算法

在本节中,为了与本文中使用的模糊神经网络算法相比,其他两个预测算法,卷积神经网络(CNN)和人工神经网络(ANN),用来预测交通状态。为了简单起见,所有的测试都是基于VI见表3。CNN是基于time-space-time Yu和朱提出的结构53]。所有的CNN卷积核的数量是1。的输入通道中的第一个time-gated卷积网络时空卷积块1,输出通道是32,GLU激发函数。输入通道的数量的空间图像卷积神经网络是32,输出通道的数量是32,ReLU激发函数。的输入通道数第二time-gated卷积网络是32,输出通道的数量是64,ReLU激发函数。RMSprop用于最小化均方误差50轮训练模型,批量大小是50,最初的学习速率是0.001。安,本文使用一个隐藏层和九个隐藏层单元。四个预测误差评价方法应用于评价预测结果,结果如图所示8。的结果,我们发现,与其他两种预测算法相比,本文中使用的模糊神经网络预测算法在一些地区可以得到好的预测结果。

4.4。道路交通状态预测

对于交通状态的预测,我们预测车辆速度,然后将它转换成速度性能指标表2道路拥堵水平。预测结果如图9。一般来说,随着降雨量的增加,总体道路拥堵水平继续下降,尤其是在大型积水点的附近。随后,我们选择一个小型积水点呈现在图14构建一个三维道路拥堵水平演化图。进化图如图10。从图10,我们可以发现积水点更容易大规模拥堵在周围地区。积水点导致大量的司机有意识地减少车辆的速度,所以很容易形成一个更长的队列长度和走走停停拥堵。

5。结论

在阴雨天气,交通状况的预测不仅有助于交通管理者制定交通管理方法,而且也帮助旅行者选择合适的旅游路线和出发时间。预测未来的交通状态时间步骤仅基于过去的历史数据的时间步天不能考虑旅游需求的变化,特别是新的交通需求。然而,预测交通状态的进化基础上的数据在过去类似的阴雨天气将导致预测精度的下降。因此,本文提出一种模糊神经网络预测系统组成的在线和离线部分。离线部分使用数据过滤的FCM聚类算法训练模糊神经网络的权重参数预测算法。输入该参数作为初始重量参数在线部分。然后在线部分使用实时检测数据预测交通状态。在线部分返回错误预测和实际之间的交通状态离线部分进一步正确重量参数,进一步提高预测精度。模糊神经网络预测系统应用于高速公路网络交通状态预测在北京。

摘要在线和离线部分只使用模糊神经网络预测算法预测交通状态的演变。因此,机器学习等其他预测算法和深度将进一步学习算法用于提高预测精度。本文中使用的水积累数据是基于测量。当有许多积累水点和降雨时间长,是不现实的实时测量累积水量,因此值得进一步研究基于图像的数据处理算法。

数据可用性

没有数据被用来支持这项研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(U1811463)。

引用

1. w . Ackaah”,探索使用先进的交通信息系统来管理交通拥堵在发展中国家,“科学的非洲文章ID e00079卷。4日,2019年。视图:出版商的网站|谷歌学术搜索
2. 美国Moridpour、大肠Mazloumi和m . Mesbah”重型车辆对周边交通的影响特征,“《先进的交通工具卷,49号4、535 - 552年,2015页。视图:出版商的网站|谷歌学术搜索
3. 马s . Wang d . Yu, x, x,“分析城市交通需求分布和交通流之间的关系,基于探测器数据和POIs的建筑环境,”欧洲交通研究回顾,10卷,不。2,1卷,2018页。视图:出版商的网站|谷歌学术搜索
4. h . g .杨y . Wang,任y,和j·谢,“短时交通状态预测基于关键路段的时空特性,”传感器,18卷,不。7,2287年,页2018。视图:出版商的网站|谷歌学术搜索
5. 马x、y . Wang h . Yu和y . Wang”大规模交通网络拥堵进化预测使用深学习理论,“《公共科学图书馆•综合》,10卷,不。第三条ID e0119044, 2015。视图:出版商的网站|谷歌学术搜索
6. f·马林、i Norros和s . Innamaa”事故风险的道路和天气条件在不同道路类型,“事故分析和预防卷,122年,第188 - 181页,2019年。视图:出版商的网站|谷歌学术搜索
7. z菅直人l . Tang M.-P。关颖珊,c . Ren,刘,李问:“交通拥堵分析在水平使用出租车GPS轨迹数据,”电脑、环境和城市系统卷,74年,第243 - 229页,2019年。视图:出版商的网站|谷歌学术搜索
8. a . r . Siems-Anderson c·l·沃克·g·维纳,w·p·马奥尼,和s e . Haupt”地面交通的自适应大数据的天气系统,”交通研究跨学科的视角卷,3篇文章ID 100071, 2019。视图:出版商的网站|谷歌学术搜索
9. c . f . Juang和y . w .曹”的自组织区间二型模糊神经网络的网络结构和参数学习,”IEEE模糊系统,16卷,不。6,1411 - 1424年,2008页。视图:出版商的网站|谷歌学术搜索
10. r . Kouhi Esfahani、f . Shahbazi和m . Akbarzadeh“三相不间断交通流的分类:k - means聚类研究,“Transportmetrica B:传输动力学,7卷,不。1,第558 - 546页,2019。视图:出版商的网站|谷歌学术搜索
11. m, d, d . Zhang, j .邹”播种的球形k - means聚类算法”,杂志的全局优化,卷76,不。4、695 - 708年,2020页。视图:出版商的网站|谷歌学术搜索
12. Murtza,阿卜杜拉·d·a .汗,m . Arif和s . m .殿下,”Cortex-inspired多层层次结构基于对象检测系统使用PHOG描述符和系综分类,“计算机视觉,33卷,不。1,第112 - 99页,2017。视图:出版商的网站|谷歌学术搜索
13. 陈x, y, y, y,“一种适应性density-based时间序列聚类算法:一个案例研究在降雨模式,”ISPRS国际信息杂志》上,5卷,不。11,205年,页2016。视图:出版商的网站|谷歌学术搜索
14. z Cai, j . Wang和k .他“自适应density-based空间大规模数据的聚类分析,“IEEE访问,8卷,第23358 - 23346页,2020年。视图:出版商的网站|谷歌学术搜索
15. b·A·皮门特尔和r . m . c . r . De Souza“广义多元可能性的模糊c均值聚类方法,”国际期刊的不确定性、模糊性和以知识为基础的系统,26卷,不。6,893 - 916年,2018页。视图:出版商的网站|谷歌学术搜索
16. k . h . Memon s Memon m·a·库雷希m . b .艾尔维d·库马尔和r·a·沙”内核可能主义的模糊c均值聚类图像分割与当地信息,“国际期刊的模糊系统,21卷,不。1,第332 - 321页,2019。视图:出版商的网站|谷歌学术搜索
17. 美国民兵,n . Montazerin m·h·f·Zarandi和大肠哈基米,“基于广义熵可能主义的模糊c均值聚类的数据及其收敛性证明,“Neurocomputing卷,219年,第202 - 186页,2017年。视图:出版商的网站|谷歌学术搜索
18. D.-W。徐,Y.-D。王,L.-M。贾,y秦,h。盾,“实时道路交通状态预测基于ARIMA和卡尔曼滤波器,”前沿的信息技术和电子工程,18卷,不。2、287 - 302年,2017页。视图:出版商的网站|谷歌学术搜索
19. z田”,网络流量预测方法基于小波变换和多模型融合,“国际通信系统杂志》上33卷,文章ID e4415, 2020。视图:出版商的网站|谷歌学术搜索
20. a . Emami m . Sarvi, s . Asadi Bagloee,“使用卡尔曼滤波算法对短期交通流预测在连接车辆环境中,“《现代交通,27卷,不。3、222 - 232年,2019页。视图:出版商的网站|谷歌学术搜索
21. a·a·卡多佐和f·h·t·维埃拉,”哈尔小波变换参数的自适应估计应用于模糊预测网络流量,”信号处理卷,151年,第159 - 155页,2018年。视图:出版商的网站|谷歌学术搜索
22. n张x关,j .曹x Wang和h . Wu”Wavelet-HST:小波高阶时空框架,城市交通速度预测,“IEEE访问7卷,第118458 - 118446页,2019年。视图:出版商的网站|谷歌学术搜索
23. z田,“混沌特性分析网络流量时间序列在不同时间尺度,“混乱,孤波和分形文章ID 109412卷,130年,2020年。视图:出版商的网站|谷歌学术搜索
24. z田”,回声状态网络基于改进果蝇优化算法对混沌时间序列的预测,”环境智能和人性化计算杂志》上,10卷,页1 - 2020。视图:出版商的网站|谷歌学术搜索
25. w·h . b . Yu Wang山,b .姚明,“公交车行程时间预测使用基于随机森林附近的邻居,”计算机辅助土木与基础设施工程,33卷,不。4、333 - 350年,2018页。视图:出版商的网站|谷歌学术搜索
26. g p . Cai y . Wang,陈平,c .丁和j .太阳,“时空相关再模型对短期交通多步预测,“交通研究部分C:新兴技术卷。62年,还是,2016页。视图:出版商的网站|谷歌学术搜索
27. 美国太阳,c . Zhang, g . Yu”一个贝叶斯网络交通流预测方法,”IEEE智能交通系统,7卷,不。1,第132 - 124页,2006。视图:出版商的网站|谷歌学术搜索
28. b .姚明,c .陈问:曹et al .,“短期交通速度预测城市走廊。”计算机辅助土木与基础设施工程,32卷,不。2、154 - 169年,2017页。视图:出版商的网站|谷歌学术搜索
29. w·h·k . b . Yu Lam和m . l . Tam”公交车站的到达时间预测与多个航线,“交通研究部分C:新兴技术,19卷,不。6,1157 - 1170年,2011页。视图:出版商的网站|谷歌学术搜索
30. z田”,回溯搜索算法优化最小二乘支持向量机及其应用”人工智能技术的工程应用文章ID 103801卷,94年,2020年。视图:出版商的网站|谷歌学术搜索
31. z田”,核主成分分析最小二乘支持向量机的优化改进的灰太狼在动态优化算法和应用梁泵液位预测,“事务研究所的测量和控制,42卷,不。6,1135 - 1150年,2020页。视图:出版商的网站|谷歌学术搜索
32. z田”,短期风速预测基于LMD和改进FA优化LSSVM内核函数相结合,“人工智能技术的工程应用文章ID 103573卷,91年,2020年。视图:出版商的网站|谷歌学术搜索
33. 沙玛,s·库马尔,p .女子,p . Yadav,和m . i Nezhurina”基于ANN的短期交通流预测在不可分割的两车道公路,”《大数据,5卷,不。1,硕士论文,2018页。视图:出版商的网站|谷歌学术搜索
34. 问:张和s .刘”城市交通流预测模型基于BP人工神经网络在北京地区,”《离散数学科学和加密,21卷,不。4、849 - 858年,2018页。视图:出版商的网站|谷歌学术搜索
35. 肖y, y阴混合LSTM对短期交通流预测的神经网络,”信息,10卷,不。3,p。105年,2019年。视图:出版商的网站|谷歌学术搜索
36. j·麦肯齐,j·f·罗迪克,r .鸡头”评估HTM和LSTM短期干线交通流预测,“IEEE智能交通系统,20卷,不。5,1847 - 1857年,2019页。视图:出版商的网站|谷歌学术搜索
37. 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
38. 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
39. l, l .秦瞿x, y . Wang j . Zhang和b跑,”日前交通流预测基于深度信念网络优化的多目标粒子群算法,”以知识为基础的系统卷,172年,页1 - 14,2019。视图:出版商的网站|谷歌学术搜索
40. a . Allstrom j·埃克斯特龙,d . Gundlegard et al .,“混合方法对短期交通状态和旅行时间预测在高速公路上,“交通研究记录:《交通研究委员会,卷2554,不。1、60 - 68、2016页。视图:出版商的网站|谷歌学术搜索
41. 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
42. l·李,美国他,j·张,跑,“短学期应承担的高速公路交通流预测基于混合策略考虑时空信息,“《先进的交通工具,50卷,不。8,2029 - 2040年,2016页。视图:出版商的网站|谷歌学术搜索
43. t .宏达l .江北w .竞争和美国,“基于小波变换的预测方法和混沌时间序列的多模型融合,“混沌分形孤波卷,98年,第172 - 158页,2017年。视图:谷歌学术搜索
44. z田”的方法对短期交通流预测模型融合基于经验模态分解和组合,”IEEE智能交通系统,p . 2020。视图:出版商的网站|谷歌学术搜索
45. z田,s·李和y . Wang”预测方法使用合奏经验模式decomposition-permutation熵和正规化短期风速、极端的学习机器”风能,23卷,不。7,177 - 206年,2020页。视图:谷歌学术搜索
46. j .吴高z h .太阳,“与爵士模型模拟交通拥堵,”现代物理学字母B,18卷,不。30日,第1542 - 1537页,2004年。视图:出版商的网站|谷歌学术搜索
47. y y陈和h . c .许“欧拉和拉格朗日的解决方案之间的转换为无旋站重力波,”离岸国际研讨会论文集力学和北极工程(OMAE)》第六卷,第566 - 559页,檀香山,夏威夷,2009年5月。视图:谷歌学术搜索
48. A . Sole-Ribalta s戈麦斯,A .竞技场”模型来确定城市交通拥堵在复杂网络热点,”皇家学会开放科学,3卷,不。2016年10篇文章ID 160098。视图:出版商的网站|谷歌学术搜索
49. h . g . Zhang贾,l·杨,李y和j·杨”的节点和路径选择模型研究交通网络拥堵疏散基于复杂网络理论,“IEEE访问,8卷,第7517 - 7506页,2020年。视图:出版商的网站|谷歌学术搜索
50. m . Lukman h .哈利姆z .结,“灵活的平面度水平道路基于roadroid软件perintis kemerdekaan街头孟加锡,”IOP会议系列:地球和环境科学文章ID 012008卷,419年,2020年。视图:出版商的网站|谷歌学术搜索
51. 北京交通管理局,2020年,http://jtgl.beijing.gov.cn/。
52. h . Tan j .冯冯·w·王,Y.-J。张,f·李,“tensor-based方法缺少交通数据完成,”交通研究部分C:新兴技术卷,28投,2013页。视图:出版商的网站|谷歌学术搜索
53. 黄懿慧Yu和z朱时空图卷积网络:深入学习框架交通预测,”2017年,https://arxiv.org/abs/1709.04875。视图:谷歌学术搜索

版权

版权©2020 Yongjie雪等。这是一个开放的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。