在邻近地区交通速度预测之间的高速公路和城市高速公路:基于维护功能配置和格勒乌模型

文摘

交通堵塞公路和城市之间的高速公路相邻地区正变得越来越严重。本文提出一种基于宏观交通速度预测方法基本图(显示)和封闭的复发性单元(格勒乌)模型为旅行者提供必要的交通指南信息。首先,考虑到道路交通速度是影响宏观交通状态,高速公路和高速公路之间的邻近地区分为分区基于打码。其次,提出了时空相关系数来衡量分区之间的相关性。然后,区域交通速度数据构造的矩阵。第三,矩阵输入到格勒乌预测模型预测交通速度。该算法的预测性能验证基于GPS数据收集从北京高速公路和高速公路之间的邻近地区。

1。介绍

持续增长的中国高速公路网络的规模和交通量,城际高速公路的交通负载在一些发达城市正在增加。许多邻近地区(和外地道路网络)之间的公路和高速公路已成为城市交通道路的一部分。此外,由于交通管理措施的限制,不允许卡车进入市区在固定时间。他们只能在相邻区域之间的高速公路和城市高速公路,导致卡车积累,导致较低的道路容量和服务水平在高峰小时,严重的交通拥堵,交通事故频繁。更重要的是,天气异常也常常会导致当地交通拥堵,逐渐发展成为传播区域网络的拥塞。综上所述,有必要进行研究在交通状态预测高速公路和城市高速公路的交叉点和发布准确的交通指南信息旅行者,以缓解交通堵塞。

道路交通流的演化具有复杂的非线性特征(1),因此很难实现准确的交通流量预测。许多机器学习算法被用来研究运输2),尤其是交通流量预测。刘等人提出了一个混合道路网交通速度预测模型基于状态空间神经网络和扩展卡尔曼滤波(3]。张等人预测不同道路的交通速度考虑异质性(4]。Dhivyabharathi等人提出了一种方法来预测河流流量时间使用粒子滤波方法(5]。赵等人集成充电数据和微波检测数据预测交通速度(6]。赵等人提出了一种预测算法结合相等间距插值和Sage-Husa自适应卡尔曼滤波7]。王等人改善驾驶时间预测的可靠性方法基于GPS点速度分布计算变量速度分布系数(8]。周等人提出了一种基于递归神经网络的微观车辆模型预测流量振荡(9]。小王和Goodchild发达logit模型来确定卡车路线的影响因素和估计行驶时间(10]。Jula等人开发了一个混合组成的动态规划方法和遗传算法找到卡车的最短路径(11]。东等人提出了一个交通事故预测方法基于支持向量回归(SVR)模型(12]。玉等人提出了基于随机森林附近的邻居(RFNN)方法来预测公交出行时间(13]。谢和魏提出Elman神经网络预测卡车速度(14]。王、徐构建城市高速公路的短期交通流预测模型基于长期短期记忆(LSTM)网络深度学习(下15]。罗等人提出了一种基于深度学习短期交通流预测模型结合卷积神经网络的特点和支持向量回归分类器(16]。姚等人讨论了应用支持向量机理论预测道路旅行时间(17]。吴et al。18)提出了一个基于深层神经网络交通流预测模型(款)利用每周/每天周期性和交通流的时空特征18]。贾等人提出了一个深刻的学习方法对短期交通速度信息prediction-deep信念网络(DBN)模型(19]。由于重量问题,常用的优化算法不能调整学习速率适应性强,赵等人采用了亚当,Adadelta, Rmsprop优化重量在格勒乌模型的学习算法(20.]。王等人建立了一个基于LSTM旅行时间预测模型(长短期记忆)考虑降水数据(21]。藏等人提出了一个全天的交通速度预测方法基于深度学习的高架高速公路(22]。彭等人提出了一个三维卷积神经Network-Deep神经网络方法识别和预测交通状态从空中视频23]。作者也进行了许多研究如何提高预测精度(24- - - - - -26]。现有的机器学习算法不能完全挖出交通流的本质特征。深度学习模型,如格勒乌,可以帮助我们学习和把握内在的复杂特性有效地预测交通流量没有先验知识(27]。使用深度学习算法挖掘交通流规则成为交通状态预测的方向。

道路段交通速度的预测属于微观交通流特性的研究。也受宏观的交通状态,如道路网络和周边地区。目前,很少结合宏观和microcharacteristics预测交通速度。宏观的基础图(显示)是一个模型反映道路网络的宏观交通状态。根据具体的指标,通过将复杂和大型的道路网络划分为多个独立的条件和实现适当的控制优化策略根据分区的特点。基于子区域划分结果,几路部分最相似的预测目标道路可以选择。与此同时,空间和时间之间的相关性在每个可以分析次区域交通流量。相关性强的条件可以选择构建交通流序列数据集和输入预测模型,这有利于提高预测精度。许多学者研究了分区域分工的显示和控制方法。霁和Geroliminis提出基于静态规范化削减(Ncut)条件划分方法基于交通拥挤的空间特征和最小化分区的车辆密度(28]。霁等人还提出了一个动态分区基于GPS数据描述方法针对最大连接元素(29日]。哈达德和Geroliminis提出了一个基于操作划分方法的稳定性条件(30.]。马等人用光谱方法将基于相邻路口交通区(31日]。Ncut图基于理论的分区算法来源于图像分割领域。该算法不仅考虑了相似区域内还可实现相似区域内使用区域之间的相似之处。然后,切割方案,最大限度地减少地区之间的相似之处正常化后发现。摘要Ncut算法划分交通条件。然后,每个细分的显示和次区域的稳定计算和分析来证明该部门的结果。

GPS数据覆盖范围大,能更好地反映城市道路交通流的特征(32]。更重要的是,近年来,中国加强了货运车辆的监督。要求,GPS设备被安装在大型载重卡车监测卡车的运行状态。这会产生大量的轨迹数据,特别是在高速公路和高速公路之间的邻近地区。本文基于道路平均速度和流数据从卡车中提取GPS数据,短时交通流预测方法提出了结合打码和格勒乌。使用打码的特点,道路网络区域分为亚区,和microtraffic流动特性和macrotraffic条件相结合开发交通预测方法。实际交通流数据的测试结果表明,本文提出的方法具有较低的预测错误和更高的精度比现有的预测模型。这是一个合理的和有效的方法来预测短时交通流。本文的技术框架如图1。

2。基于通过细分方法的道路网络

2.1。基于交通路网建设加权图操作相似

多功能显示存在于一个稳定的网络业务同质性的道路。大面积可分为基于操作的同质性交通条件。维护功能配置理论研究的起点之间的关系在道路网交通需求和交通供给,最大交通量可以直接反映每个路段的交通供给和整个道路网络,和交通量数据可以很容易地通过交通流检测。因此,交通量作为基本路段的交通特征。路段的最大交通量是用来定义交通操作相似性相邻的连接部分。

让交通运行的相似度之间相邻的连接部分我和j在道路网G是: 在哪里的最大交通量节吗我在道路网G和的最大交通量节吗j在道路网G。使用自然常数转换,最大交通量的不同价值之间相邻的连接部分是0 - 1的平方映射到区间。如果相似度是0,那么交通操作相似性道路部分是最少的。如果相似度是1,道路之间的交通运行相似部分是最大的。

首先基于图论,道路网”node-arc转换,“所以,相邻道路之间的相似程度的交通运行部分表示为图中弧部分的重量。拉普拉斯矩阵构造了基于交通运行的相似度,这是在图子图划分理论的基础。细节如下。

当公路段我在道路网G与道路段吗j, 。当段我是与段j, 。当我等于j, 。道路网络的加权邻接矩阵G是W和元素W是

本文采用道路部分节点V在无向图G,所以 。矩阵D是对角矩阵:

D- - - - - -W道路网络的拉普拉斯矩阵吗G,所有的行和列的总和是零。基于转换和计算,可以获得由交通路网加权操作相似性相邻的连接部分。

2.2。基于归一化的道路网络分区划分方法

Ncut是图论中的一个中子图的分区方法,这是一个宏观的子图分割方法。重点不是在图上的细节,但图上的总体特征。图的最优规范化削减问题可以表示为

它是一个np难问题解决最小值的归一化。谱聚类方法是一种广泛使用的方法,大约可以解决的np困难问题通过求解特征值和特征值向量。因此,菲德勒方法用于计算矩阵的特征值和特征向量和道路网络的划分分区。的点集V的图G分为两个子集,转换可以表达最优规范化的问题吗一个和B: 在哪里 , , ,和是一个向量的列1和−1组成。当我th节点被细分为次区域一个, ;当它被细分为次区域B, 。

因为所有的拉普拉斯矩阵的行和列的和0,矩阵总是一个特征值为0。如果图G连接,第二个小特征值是正的。相应的特征向量称为菲德勒向量,其中包含重要的信息图;也就是说,菲德勒向量中的元素的数值大小反映了相应的顶点的相关性。当道路网络划分根据菲德勒向量,相对应的顶点菲德勒向量可分为根据不同的临界值年代。有许多方法来选择年代值,其中0点是实用和简单的方法。

3所示。的显示和控制稳定性计算

通过计算稳定性的维护功能配置,可以证明次区域划分的合理性。维护功能配置稳定取决于临界状态的稳定。在临界状态时,如果平均交通量波动少在同样的道路网密度、路网交通运行将更加可控。本文指的方法(模糊c均值算法)在我们的研究中33)将测试数据集划分为三类:疏通,至关重要的和拥挤的。两个指标,区域交通量和区域密度,用于分类三种交通状态。首先,FCM(模糊c均值算法)用于把数据点的空间分布多维数据到具体类。每个数据点属于某个类在某种程度上,隶属度是用来表示的每个数据点属于某个聚类。FCM分裂向量为模糊组和计算每组的聚类中心的目标函数最小化nonsimilarity索引。然后,交通状态分为三个阶段:疏通,至关重要的和拥挤的。

道路网络流量的分散操作,也就是说,加权平均交通量道路网络的分散在临界状态时,是通过临界状态的稳定。道路网络流量的降低分散操作,更稳定的道路网络操作,通过稳定性越高。道路网络流量分散操作越高,路越不稳定的网络操作和多功能显示稳定性越低。道路网络流量的分散操作 在哪里平均交通量的测试数据。是关键的平均交通量道路网络,道路网的最大平均交通量,然后呢是不确定的参数, 。

整个道路网络的离散程度的加权平均计算每个分区的离散程度。计算结果可以作为判断指数分区部门描述整个网络的显示和稳定。如果整个道路网络分为N分区、道路网络流量的分散在分区操作我是 ,那么整个道路网络的分散交通操作 在哪里是关键的平均交通量分区我。

4所示。交通速度预测方法基于分区的时空相关性

交通的发展速度在一个特定的路段分区不仅影响交通流的演化规律的道路上部分也由空间道路部分在其他分区的影响。提出了一种交通速度预测算法,考虑了时空相关性的分区。

4.1。相关分析的分区

以下4.4.1。空间相关分析

首先,每个分区之间的空间相关性进行了分析。

在空间相关分析,有必要测量周边条件的邻接关系。这需要定量描述相邻地区的邻接关系进行空间相关性的计算统计数据。

摘要空间邻接矩阵是用来表达空间条件之间的关系。

假设有在研究区条件,空间权重矩阵 是用来表达之间的空间相关性条件: 在哪里是 维空间权重矩阵和区域之间的空间重量单位吗和 。此外,确保条件不能指定,当靠近自己 , 。当两个条件都共享一个或多个节点,它是相邻的。

空间权重的标准化公式

4.1.2。时间相关分析

皮尔森相关系数公式改进测量这两个地区的时间相关。如果两个条件研究区域的空间邻接,时间相关性可以在一定时期内通过以下公式计算: 在哪里和的交通量条件我和j在时间t;和的意思是交通量我和j;和和是差异。

根据道路网络区域研究,区域相关性计算 ,在哪里区域空间相关性的影响吗我和j和是两个领域的相关研究。

本文的数据K最相关的区域预测目标段所在地区选择构建预测模型的输入矩阵。摘要K价值观是决定如下:K(K= 0,1,……,4) are used to input the data from the most relevant regions into the GRU model, and theK值与最小预测误差。

一个输入样本的学习算法 在哪里步伐,是部分道路区域中包含的数量吗 ,和表示目标部分。

4.2。GRU-Based交通速度的预测算法

RNN(递归神经网络)是一种深层神经网络设计过程序列数据,扮演着一个重要的角色在序列挖掘的领域。

格勒乌模型改进的递归神经网络,这是近年来深度学习的热门技术。有别于传统的递归神经网络,格勒乌的隐藏层节点的内部结构不使用一个单一的激活函数。

格勒乌的具体计算步骤如下:首先,输入当前状态和前面的时间输出输入更新门,然后可以输出值在0和1之间,其中0表示完全丢弃,1代表完整的保留信息的信息,和计算公式见公式(12)。其次,和进入重置门乙状结肠层输出值在0和1之间。与此同时,层将创建一个新的候选值向量 ,和计算公式方程所示(13)和(14)。第三,更新门作为权向量和向量和输出向量的候选人在最后一刻是加权平均获得的输出格勒乌细胞。计算公式见方程(15): 在哪里代表更新门向量;代表了重置门向量;代表偏差向量;代表输入重量;表示循环的体重;代表输入向量t时间;和代表输出向量t时间。

正则化通常定义为学习算法的修改,和我们的目标是降低泛化误差而不是训练误差。常见的正则化方法包括L1和L2参数模式点球,辍学,多任务学习,和提前终止,这是常见的,处罚条款L2和L1可以表示为参数的标准形式 在哪里可以表示为体重的倒数吗每一层的,这表明,层与体重过高,其更新程度应该降低。相反,与体重过低的节点层中所学习到的,应该改进它的更新程度达到掩盖了所有权价值的目标层。

总之,中风的流动速度预测算法提出了如图2。输入是一个三维向量组成的特性,时间步长和样品。这个三维张量与辍学格勒乌模型的输入层和完全连接层的旅行时间的预测结果。一列的矩阵方程(11)对应的输入一个时间步的格勒乌模型。

5。算法验证

5.1。道路网络分区的显示和控制部门和稳定性计算

本文使用卡车GPS数据作为算法验证的基础。如图3摘要,实验区域选择位于北京的东南部。北京的高速公路和主干道,包括5^th和6^th环道路,故将、京沪、京哈高速公路,被选中来验证算法的准确性。面积约110平方公里。道路在道路网络的总长度约为131公里。根据分析,所选地区更多的事故和GPS数据的卡车。

数据的时间范围用于验证是5月1日,2018年,2018年7月31日。

地图匹配的方法,异常数据处理和交通速度时间序列提取卡车GPS数据摘要从文献[20.]。本文收集到的卡车GPS数据被组织成时间序列的形式的交通速度一段5分钟的路段。然后,根据所选的K值,它被组织成方程(11)。l需要12;即预测是由使用前一小时的数据。

样本大小是一个关键的问题在使用探测车辆收集实时交通信息,它是必要的,以确定所需探测车辆交通状态估计的数量。本文所需的样本量的信心水平的不同组合与参考方法确定研究区域(34]。

5月和6月的平均速度数据用作格勒乌模型训练数据集训练。其余的数据作为测试集的算法。本文研究区域的路网抽象成道路网络图,如图4,有32路部分和21个节点。

区域划分情况下当事人的图所示5。交通在分区的色散和整个道路网络表所示1。当网络分为5个分区,整个道路网络的交通离散程度是最小的,0.05673。网络被分成更小的区域。如果继续,离散程度的整个道路网络的变化不是太大。然而,对于速度的预测,数据输入到模型的维数会增加。因此,预测难度将会增加。所以,以五为区域划分的最优方案。

每个分区的显示如图6。交通状态分类结果基于FCM算法对分区1如图7。聚类中心如表所示2。

5.2。交通速度预测

两个索引,日军和RMSE,选择评估模型的预测精度。日军的计算方法和RMSE如下公式所示: 在哪里预测交通速度时间吗t,是实际的交通速度的时间吗t,预测周期的总数。

本文选择节点17 - 18(部分1)和9到10 (第二节)属于不同区域的实验验证部分。算法验证的准确性在四个不同的场景。预测结果与格勒乌基于单个时间序列预测算法的部分。这个格勒乌模型具有相同的参数设置为本文提出的模型。

第一步是确定区域的数量K格勒乌模型的输入,输入的数量之间的关系和模型的预测精度进行了分析。表3显示了预测的准确性第一节为不同的K值。表4显示了预测的准确性第二节为不同的K值。从表3,可以看出K的道路第一节取1。从表4可以看出,K的道路第二节取1。

5.2.1。工作日

(1)第一节。的预测结果第一节7月2日(工作日)如图8。在图所示的错误9。可以看出,7月2日,上午高峰时段的平均速度和中午高峰部分很低,在一个拥挤的国家,路段是在晚上平稳流动的状态。本文提出的算法可以实现可接受的预测结果。错误的结果评价指标日军和RMSE如表所示5。日军为2.30%,3.05%,分别和RMSE为1.34和1.68。

(2)第二节。的预测结果第二节7月2日(工作日)如图10。在图所示的错误11。本文提出的算法可以实现可接受的预测结果。错误的结果评价指标日军和RMSE如表所示6。日军为1.42%,2.53%,分别和RMSE为1.05和1.79。

5.2.2。周末

(1)第一节。的预测结果第一节7月1日(周末)如图12。在图所示的错误13。本文提出的算法可以实现可接受的预测结果。错误的结果评价指标日军和RMSE如表所示5。日军为3.93%,4.25%,分别和RMSE为2.17和2.31。

(2)第二节。的预测结果第二节7月1日(周末)如图14。在图所示的错误15。本文提出的算法可以实现可接受的预测结果。错误的结果评价指标日军和RMSE如表所示6。日军为2.46%,3.93%,分别和RMSE为1.89和2.18。

5.2.3。雨天

(1)第一节。的预测结果第一节7月5日(雨天)如图16。在图所示的错误17。本文提出的算法可以实现可接受的预测结果。错误的结果评价指标日军和RMSE如表所示5。日军为2.86%,3.23%,和RMSE分别为1.65和1.86,分别。

(2)第二节。的预测结果第二节7月5日(雨天)如图18。在图所示的错误19。本文提出的算法可以实现可接受的预测结果。错误的结果评价指标日军和RMSE如表所示6。日军为1.49%和2.55%,分别和RMSE为1.03和1.82。

5.2.4。事故

的预测结果第二节7月11日在图所示20.。在图所示的错误21。有一个交通事故的凌晨。日军和RMSE的结果如表所示6。日军为7.35%和8.94%,分别和RMSE为5.05和5.83。

从上面的数据和表可以看出,与传统的基于单段时间序列预测方法,该算法的预测精度得到了改善。当没有事故发生,日军增加了约0.5%,在事故发生的那一天,日军增加了约1.5%。RMSE也改善了更多意外的一天,而不是偶然的日子。

6。结论

高速公路和高速公路之间的邻近地区的交通速度已逐渐成为重要的信息关注高速公路管理者和旅游者。提出了一种道路交通速度的预测方法,认为微观交通流特征和宏观交通状态基于路段平均速度和流从GPS数据中提取数据。

基于维护功能配置、道路网络分区划分和评估。首先,Ncut算法用于道路网的部门。其次,以确保稳定的分区划分的打码,道路网的定义的离散程度。交通状态划分结合FCM后得到最好的条件划分方案的计算离散程度的整个网络。

提出了时空相关系数来衡量分区之间的相关性。然后,交通速度时间序列研究的分区和相关的区域是用来构建一个矩阵的交通速度。地区交通速度矩阵数据输入到格勒乌模型,和输出结果的预测交通速度研究地区。

本文以北京的高速公路和高速公路之间的邻近地区作为一个例子来验证算法。北京的东南角落选择道路网络为研究区域。该地区由两个环高速公路和三个高速公路,总面积约110平方公里。卡车从这个地区GPS数据是本研究的基础。验证了该算法的准确性在工作日,周末,雨天,事故场景。结果表明,相比之下,传统的基于单段时间序列预测方法,该算法的预测精度提高。这将提高交通信息服务水平之间的邻近地区的高速公路和城市高速公路和缓解交通堵塞。

数据可用性

使用的数据来支持本研究的发现没有提供,因为作者签署了保密协议与数据提供者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家重点研发项目(没有。2018 yfb1600900)和中国国家自然科学基金(71871011,71890972/71890970,71621001)。

引用

1. l .彭z, c . Wang和t . Sarkodie-Gyan”评价道路时空旅行的速度估计使用映射低频AVL调查数据,”测量文章ID 108150卷,165年,2020年。视图:出版商的网站|谷歌学术搜索
2. 瞿x, y、m .周C.-T。林,x王”,共同抑制交通振动和改善与电气的能源消耗,连接和自动车辆:一个基于强化学习的方法,”应用能源文章ID 114030卷,257年,2020年。视图:出版商的网站|谷歌学术搜索
3. 张k h . Liu, j . z . Henk“短期旅行时间预测城市网络,”《交通运输系统工程与信息技术,7卷,不。3、118 - 124年,2007页。视图:谷歌学术搜索
4. c . d . Zhang欧阳,w . Wu”立项的邻居道路网络车辆旅行时间估计模型中,“中国电子杂志,43卷,不。12日,第2496 - 2491页,2015年。视图:谷歌学术搜索
5. b . Dhivyabharathi e . s .修玛,l . Vanajakshi”流旅行时间预测使用粒子滤波方法,”交通信,10卷,不。9日,1 - 8,2016页。视图:出版商的网站|谷歌学术搜索
6. j .赵f .徐,张k和j·巴姨,“公路旅行时间预测基于多源数据融合,“《交通运输系统工程与信息技术,16卷,不。1,52-57,2016页。视图:谷歌学术搜索
7. j .赵h . Wang和w·刘”的公路旅行时间预测自适应卡尔曼滤波,”华南理工大学学报(自然科学版),卷2014,不。2、109 - 115年,2014页。视图:谷歌学术搜索
8. z, a Goodchild e·麦考马克,“测量卡车旅行时间可靠性使用卡车探针GPS数据,”智能交通系统杂志》上,20卷,不。2、103 - 112年,2016页。视图:出版商的网站|谷歌学术搜索
9. m .周,x, x,“一个基于递归神经网络的微观汽车模型来预测流量振荡后,“交通研究部分C:新兴技术卷,84年,第264 - 245页,2017年。视图:出版商的网站|谷歌学术搜索
10. 王z和a . v . Goodchild”GPS数据分析的影响收费卡车速度和路由,”交通研究记录:《交通研究委员会,卷2411,不。1,第119 - 112页,2014。视图:出版商的网站|谷歌学术搜索
11. h . Jula m . Dessouky p Ioannouc, a . Chassiakosd”集装箱卡车在都市网络运动:建模和优化,“交通研究E部分第41卷。。3、235 - 259年,2011页。视图:谷歌学术搜索
12. c .董k .谢x太阳,m .律和h .曰,“道路交通事故预测状态空间模型使用一个基于支持向量回归的方法,”《公共科学图书馆•综合》,14卷,不。4篇文章ID e0214866 2019。视图:出版商的网站|谷歌学术搜索
13. 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
14. 谢和l .魏”应用程序elman神经网络预测卡车的操作速度,”先进材料的研究,卷2013,不。4、694 - 697年,2013页。视图:谷歌学术搜索
15. 王x和l .徐”,研究短期交通流预测基于深度学习,”《交通运输系统工程与信息技术,18卷,不。1,第88 - 81页,2018。视图:谷歌学术搜索
16. 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技术,卷2017,不。5,68 - 74年,2017页。视图:谷歌学术搜索
17. z z姚明,c . Shao,熊,”研究使用支持向量机预测链接旅行时间,“高速公路和交通研究期刊》的研究和发展,24卷,不。9日,第99 - 96页,2007年。视图:谷歌学术搜索
18. h . y . Wu Tan l .秦跑,和江z,“基于混合深度学习的交通流预测方法及其理解,“交通研究部分C:新兴技术,卷90,不。90年,第180 - 166页,2018年。视图:出版商的网站|谷歌学术搜索
19. y, y Du, j . Wu”交通速度预测使用深度学习方法,“IEEE国际会议上智能交通系统,卷2016,不。11日,1 - 4,2016页。视图:谷歌学术搜索
20. 杨j .赵y高,z . et al .,“卡车交通速度预测下临时堵塞:基于优化的深入学习算法和GPS数据,”IEEE访问,7卷,不。7,9116 - 9127年,2019页。视图:出版商的网站|谷歌学术搜索
21. z . Wang d·李,崔x”旅行时间预测基于LSTM神经网络在降水、”《交通运输系统工程与信息技术,20卷,不。1,第144 - 137页,2020。视图:谷歌学术搜索
22. k·d·藏j .凌j . Cheng Tang和李x”与不对称的内核使用卷积神经网络预测速度的高架公路,”学报》国际会议离子源,第221 - 212页,上海,中国,2017年10月。视图:谷歌学术搜索
23. 彭,居。唐,x Cai, j .谢张y, y王,“3 dcnn-dnn基于交通状态预测从空中视频,”《交通运输系统工程与信息技术,20卷,不。3,39-46,2020页。视图:谷歌学术搜索
24. l . j .赵y高,j . Tang朱,和j·马,“公路旅行时间预测使用稀疏的张量完成战术和再模式匹配方法,”《先进的交通工具卷,2018篇文章ID 5721058, 2018。视图:谷歌学术搜索
25. j .赵y高、郭y和z呗,”旅行时间预测高速公路基于多维数据和粒子群optimization-autoregressive移动平均与外源输入模型中,“机械工程的发展,10卷,不。2、硕士论文,2018页。视图:出版商的网站|谷歌学术搜索
26. 高j .赵y, y, h .阴y . Liu和h的太阳,“旅行时间预测:基于封闭的复发性单元方法和数据融合,“IEEE访问》第六卷,没有。6,70463 - 70472年,2018页。视图:出版商的网站|谷歌学术搜索
27. m·周和瞿x, y Yu”发展的一个有效的连接和自动驾驶战略信号交叉路口的车辆:强化学习方法,“IEEE智能交通系统,21卷,不。1,第443 - 433页,2020。视图:出版商的网站|谷歌学术搜索
28. y霁和n . Geroliminis”城市交通网络的空间分区”,交通研究B部分:方法论,46卷,不。10日,1639 - 1656年,2012页。视图:出版商的网站|谷歌学术搜索
29. y霁,j·罗和n . Geroliminis”经验的观察拥堵传播和大规模系统的探测数据,动态分区”交通研究记录:《交通研究委员会,卷2422,不。2422年1 - 11,2014页。视图:出版商的网站|谷歌学术搜索
30. j•哈达德和n . Geroliminis”交通周边的稳定控制在双区城市城市,“交通研究B部分:方法论,46卷,不。9日,第1176 - 1159页,2012年。视图:出版商的网站|谷歌学术搜索
31. 马y、杨x和y曾庆红,“城市交通信号控制网络分区使用光谱方法,”系统工程理论与实践,30卷,不。12日,第2296 - 2290页,2010年。视图:谷歌学术搜索
32. f·杨,l .彭a腾,c .王”测量时间和空间旅行效率使用低频交通路线系统总线自动车辆位置数据,”机械工程的发展,10卷,不。10、1 - 11,2018页。视图:出版商的网站|谷歌学术搜索
33. z h·苏巴姨,l·邓她,y气,和j .赵”高速公路状态识别研究基于北斗定位和导航数据,”智能电网和电气自动化学报》国际会议上长沙,页354 - 357年,中国,2018年6月。视图:谷歌学术搜索
34. h·汉l .彭腾,c . Wang和t . z秋”评价高速公路旅行速度估计使用匿名手机调查:一个研究领域,“加拿大土木工程杂志》上,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2020元高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。