一个Multifeatures Spatial-Temporal-Based卡车流量预测神经网络模型

文摘

大多数道路交通流预测的研究主要集中在交通流乘用车或流作为一个整体,忽视卡车的重大影响与不同尺寸和操作特征对交通流的效率。因此,在本文中,我们专注于卡车交通流和提出一个Multifeatures Spatial-Temporal-Based神经网络模型(M-BiCNNGRU)来提高其预测。该模型不仅包括传统的时间特征和空间关系,还包括一系列multifeatures。这些multifeatures包括政策限制,最佳时间延迟,道路阻力,交通拥堵状态。上游和下游的影响道路部分在空间关系被认为是通过使用一个卷积神经网络(CNN)。双向封闭的复发性单元(Bi-GRU)被用来占时间特征。评估拟议的模型中,交通流数据收集从一个主要高速公路在北京和结果与来自现有的模型。结果表明,BiCNNGRU模型的预测精度,具有时空特征,和M-BiGRU模型,multifeatures和时间,分别是4.13%和2.15%比Bi-GRU模型,与时间特征。拟议中的M-BiCNNGRU模型的预测精度为92.86%,大于7.12%的Bi-GRU模型和大于13.83%的支持向量回归(SVR)模型。一般来说,因此,提出M-BiCNNGRU模型,结合multifeatures、时间特征、空间关系,可以显著改善卡车交通流预测的准确性。

1。介绍

人们普遍承认,现代供应链的高效运作在很大程度上依赖于卡车的使用。在中国尤其如此,增长超过40%的卡车道路交通在过去的十年里(1]。增加运输的依赖就是钢筋卡车的重要性而且,鉴于其动态性能和大尺寸的净效应增加卡车交通更拥堵的问题和整体通行能力减弱2]。因此,这个问题已经引起学术界的注意,特别是关于发展的一个精确的卡车交通流预测模型,旨在找到解决方案,可以减少交通堵塞,造成主要由越来越多的卡车在公路上。

尽管增加卡车造成的拥堵问题,目前,大多数研究相关的交通拥堵与汽车(3),主要依赖于历史交通数据流量预测和寻找规则从时间特征4- - - - - -7]。李等人。8)提出了一个基于集成经验模态分解模型和随机向量功能链接网络在混合交通流预测旅行时间。有卡车流的影响的研究相对较少,即使它是一个整体道路交通的重要组成部分。几个研究预测交通流的时间特征和空间关系和获得更好的预测结果,表明增加空间关系将有利于预测精度(9- - - - - -11]。与普通客车相比,然而,卡车有一系列的操作特性或约束。例如,有政策限制卡车操作在特定道路部分和时间段。这样的政策,因此,建议有必要分析这种影响卡车交通流特性,探索这些功能是否能有效地提高卡车交通流预测的效率。

目前的交通流预测模型使用可以分为参数模型和非参数模型(12]。参数主要包括ARIMA模型、ARIMA子集和卡尔曼滤波13- - - - - -18]。然而,参数模型的一个主要缺点是无法反映非线性交通流数据具有较强的随机性,导致交通流量预测不准确。解决这一问题,以提高预测精度,提出了非参数模型更善于捕捉的交通流的非线性特征。非参数模型包括再(资讯),支持向量回归(SVR),反向传播神经网络(症)和模糊神经网络(16,19- - - - - -22]。

近年来,随着计算机性能的改进,深度学习领域发展迅速。特殊的意义,深刻的学习方法可以捕捉非线性流量数据的特点和取得优秀的成果。然而,每个深度学习模型有其领域和特点。例如,卷积神经网络(CNN)已经在处理空间数据,一个优秀的表现和递归神经网络(RNN)的优势在捕获时间特性23]。也已经发现,历史上的时间数据和道路网络空间关系对交通流的影响,这样的发现导致了联合深学习模型结合时空优势应用于交通流预测(24]。Asadi和里根25)提出了一个CNN-LSTM深度学习时空预测问题的框架。LSTM(长期短期记忆)是一个RNN的变体26),解决问题的梯度爆炸和消失,RNN通过添加内存模块,并取得了积极的性能在时间序列预测27,28]。基于时空特性,李et al。29日)结合先进的多目标粒子群优化算法和深度信念网络交通流预测在接下来的一天。杨et al。28)提出了一个混合深度学习模型预测交通流,LSTM和CNN组件应用的学习时间和空间特性,分别。程CNN-LSTM模型提出的et al。30.)来捕获在一个交通网络交通流演化。CNN层应用于下游和上游采矿道路部分空间特点,其次是LSTM层的结合。值得注意的是,LSTM方法的预测性能取决于大量的参数和训练数据由计算机和它的计算能力是有限的带宽和内存。封闭的复发性单元(格勒乌)提出了解决LSTM的缺陷,和它的参数数量相对较小,更容易获得融合解决方案(31日]。傅et al。3]格勒乌法应用于汽车交通流预测第一次表现得比ARIMA模型。考虑格勒乌和CNN的优势捕获时间和空间特性,它们可以结合捕获卡车交通流的时间和空间特征,提高预测精度。

与轿车相比,卡车必须坚持特殊的运营政策,主要的驾驶时间和空间。例如,交通部规定,禁止卡车传递某些城市道路在24小时内或禁止卡车通过某些领域从7:00-8:30 16:30-18:30高峰在乘用车。交通状况,路上的阻抗,和卡车的混流率会影响交通效率但有相对较少的影响研究这些因素对卡车交通流量预测;大多数而不是依赖单一的使用历史交通流的数据记录。

一般来说,要提高卡车交通流的预测精度,其他因素影响这样的流将从政策的角度分析,交通状况和道路阻抗。在这种方法中,多种因素被定义为变量形成多个特性,和输入变量,因此,改变了从一维交通流数据的多维特性数据。最后,上游和下游之间的空间关系道路部分添加到形成一个multifeatures spatial-temporal-based联合卡车深度学习模型来预测交通流量和评估预测的结果。本研究的总体目标和主要贡献总结如下:(1)这项研究的主要目标是提高卡车交通流的预测精度。虽然乘用车交通流预测被广泛研究,卡车和客车的特点是不同的,这不是可行的预测方法为乘用车开发应用于卡车。由于这个原因,有必要把卡车到卡车交通流预测方法的特点。(2)一个Multifeatures Spatial-Temporal-Based神经网络模型(M-BiCNNGRU)本研究提出了提高卡车交通流的预测精度。在提出的模型中,三种类型的因素考虑,即“空间关系”,“时间系列”和“路操作。“此外,上游和下游的影响道路部分被认为是在使用一个CNN的空间关系。双向封闭的复发性单元(Bi-GRU)被用来占时间特征。包括一系列multifeatures路操作因素。这些multifeatures包括”政策限制”、“最佳时间延迟,”“道路阻力,”和“交通拥堵状态。“这些multifeatures也通过CNN模型探索卡车流量和multifeatures之间的关系。(3)M-BiCNNGRU模型的预测性能探索。还几个基线模型训练和预测,包括(i) BiCNNGRU模型,认为空间关系和时间特征;(2)M-BiGRU模型,认为multifeatures和时间特征;(3)Bi-GRU模型,只考虑时间特征;再次(iv) SVR模型,只考虑时间特征;(v)最后,ARIMA模型,同样只考虑时态特点。”

本文组织如下。部分2介绍了方法的multifeatures spatial-temporal-based卡车交通流量预测方法。节3介绍了道路部分的属性,与道路相关的空间关系和拥堵系数部分进行了分析。该模型的结果分析了部分4。部分5讨论了预测性能和低峰值高峰期间。部分6总结了结论。

2。方法

在以前的模型、交通流量预测与乘用车只有从历史交通流数据推断。然而,除了历史交通流,有多个其他影响卡车交通流的特性,如当前路况、道路阻力、交通拥堵指数和流量限制政策。考虑这些额外的特性,本文提出一个Multifeatures Spatial-Temporal-Based神经网络预测方法对卡车交通流,这称为M-BiCNNGRU。CNN模型用于学习和Bi-GRU multifeatures和空间特征模型是用于时序特征的学习。拟议中的M-BiCNNGRU模型结构如图1。

2.1。Multifeatures

五个特性进行了分析和整合到模型来提高卡车交通流的预测性能。考虑功能的解释和定义如下:(1)卡车交通流:卡车交通流的自相关,这意味着历史卡车交通流量会影响未来的卡车交通。卡车交通流指的是卡车经过路段的数量在一定的时间间隔,也定义为连续变量。卡车的定义是,主要用于运送货物的设计和技术特点,包括专用车辆,其主要目的是运送货物(GA 802 - 2014)。在本文中,作者认为所有卡车类型卡车交通流量预测的研究对象。统一不同的卡车类型,作者转换每个卡车类型的交通流的乘用车(PCE)。卡车类型和PCE转换因子的分类如表所示1。(2)政策限制:对不同道路部分和不同时期,卡车操作将受政策限制,这将导致卡车交通流的变化。政策限制变量被定义为一个离散变量。如果允许卡车运行期间,它被定义为1;如果不是这样,它被定义为0。(3)最优时间延迟:本文的路段交通流预测称为目标部分。情况在卡车流“上游”目标部分的变化,前一段时间发生交通信息可以传播到目标部分。因此,有必要找到一个时间延迟的差异 ,代表上游和下游部分所花费的时间将卡车流动特性。最优时间延迟指的是延迟提供两个路段之间的最佳匹配。上游和下游的延时图部分如图2。被定义为卡车流量时间序列的数量。摘要皮尔逊相关系数(PCC)用于计算系列卡车流的相关性在不同的时间延迟 ,时间延迟的最大下PCC是最佳的时间延迟吗 。此外,是一个离散变量,它的值等于最优延时值。(4)道路阻力:在以前的模型,BPR函数通常被用来计算道路阻力的乘用车。然而,对于卡车交通,传统的BPR函数是不充分,导致一种改进的卡车的发展道路阻力函数(1)。 在哪里路段的长度吗在时间 。 代表了卡车的速度当路段的交通流在时间为零t。 代表了卡车交通流路段 。 代表了卡车的系数转换成等价的乘用车;各自的值是1.5,2和3为小型,中型和重型卡车。代表卡车在整个交通流的比例。代表路段的通行能力 。对于改善汽车道路阻力函数,路段的长度,当前的卡车交通流,混合交通流的卡车交通流率,和卡车等效考虑表达的道路更准确地操作。(5)交通拥堵系数:目前,拥堵指标测量的标准并不统一。由于复杂和多样的城市道路交通运营环境,交通运行状态的分类通常是不够准确和有一定程度的模糊性(32,33]。出于这个原因,模糊评价方法用于判断交通状态。本文适用于卡车交通流模糊综合评价方法来计算路段上的交通拥堵系数。交通拥堵的功能系数(CC)

当达到设计流量限制,路段处于严重的拥塞状态,CC = 10;然而,当= 0,路段在一个清晰的状态,CC接近0。

模糊综合评价方法,根据拥堵阈值范围程度需要首先定义。CC,其值越大越拥挤的路段。道路网的CC降序排名,按照一定比例分成五个层次。本文得到拥塞的定义参照北京“城市道路交通运行评价指标体系”(EISU) 4月28日出版,2011年。EISU提出推荐的转换关系(RNOL)和交通道路网络操作水平性能指标(TPI)。当TPI值(0,2)之间(2、4)(4、6)[6 8],[8 10],RNOL被定义为“疏通”,“基本平稳,”“光拥堵,”“温和的拥堵,”和“严重拥堵,”。此外,各自变量与这些RNOL相关定义1,2,3,4,5。可以找到更多细节上面的变量定义在表2。统一离散变量和连续变量的类型,作者执行一个炎热的离散变量的编码。

2.2。构造特征向量

研究表明,上游和下游部分的交通状况在目标部分流动产生影响。然而,目标路段可能有多个上游路部分以及多个下游道路部分,如图3。

特征变量的上游部分,下游部分,部分被定义为目标 , ,和 ,分别在哪里= ( , , , , ),= ( , , , , ),而= ( , , , ]。输入特征向量因此,所提出的模型是构造,如方程所示(3)。

如果目标路段只有一个上游和一个下游路段,如图2(一个),它相对容易组成输入特征向量。然而,目标路段经常有多个上游路部分和多个下游路部分,如图3 (b)。此外,如果多个道路部分的特性变量都是简单地应用于输入特征向量,将会有不一致的输入特征向量的维度。但是,如果其中一个多个上游部分仅仅是选择为代表的上游部分,因为上游代表部分可能不准确显示卡车交通流状态的上游部分,也可能引入错误。应该注意的是,讨论多个场景连接目标与上游和下游路段道路部分在之前的论文往往被忽视。

因此,当有多个上游路部分,本文提出了聚合多个上游部分的特性变量为一个上游部分。聚合规则如下:(1)卡车交通流变量,它是由多个上游部分总结。(2)的政策限制,设置为路段的政策水平最高的卡车交通流。(3)最优时间延迟、CC和道路阻力,他们重新计算根据和卡车交通流的多个上游部分。

下游路段的规则是一样的上面的上游部分。通过以上处理,多个场景连接目标部分与上游和下游部分聚合为一个统一的输入特征向量的维度。

2.3。空间关系

我的上游和下游部分之间的空间关系和目标部分,CNN是选择。因为CNN优势挖掘空间当地相关信息和在其他领域取得了重要的成果如自然语言处理。传统的1 d CNN应用学习空间与关键特性的位置结构的关系。CNN包含一个卷积层,激活层,和一个池层。通过执行一维卷积对输入特征向量X,第m功能的地图1 d CNN计算: 在哪里权向量的吗 - - - - - -th特性,是偏见,是非线性激活,代表卷积,表示函数。为了避免过度拟合,1 d CNN的深度设置为3。ReLU适用于非线性激活。

2.4。时间特征

卡车交通流有一个长期的时间依赖性。本文介绍了Bi-GRU学习时间与卡车交通流特征。这是因为Bi-GRU优势捕获时间特征。最近,一个LSTM方法已经应用在许多问题,一般来说,表现良好的预测精度,但与LSTM相比,Bi-GRU包含更少的参数,取得了更好的性能在自然语言领域。然而,对于卡车交通流,很少有学者研究其潜在的好处。具体地说,在Bi-GRU模型中,重置门和更新门控制的更新状态时间序列。重设门R_我和更新门U_我计算使用 在哪里从Bi-BRU是输入,这也是1 d CNN的输出,激活,和是权重向量,和是偏见,是隐层输出值。此外,Bi-GRU的结构由正向和反向序列。远期序列从开始到结束,从结束开始反向序列。

总之,Multifeatures Spatial-Temporal-Based神经网络预测方法,即M-BiCNNGRU模型,是一种新的神经网络模型。与CNN模型相比,该M-BiCNNGRU模型增加了开采时间的结构从Bi-GRU神经网络特征。据作者所知,本研究是第一个将Bi-GRU和CNN卡车交通流任务的神经网络。该模型有三个优势;首先,卡车交通流的影响在上游和下游部分目标路段可以探索使用空间的关系。因此,上游和下游的路况部分可以在该模型表示。其次,Bi-GRU神经网络能够挖掘时序特征。通过完整的连接层,输出结果的空间关系放在Bi-GRU模型然后继续探索的时间关系。第三,该模型更能够表达的卡车从交通流的特征的观点。

3所示。数据

3.1。路段的属性

6月1日到6月5日的数据,2019年,在北京的交通调查,提供的是中国,包含卡车交通流以及乘用车交通流信息。手工收集的数据计算方法。北京交通研究所提供的数据,邀请专业的调查公司进行数据收集工作,总共30调查人员参与这项工作。卡车交通流的时间间隔一个小时,和CSV格式的数据的大小是3.48 GB。作为北京西北货运走廊的重要组成部分,选择六环高速公路为研究对象,分为1293路部分和相应的编号。考虑不同的场景,6路部分(S1-S6)随机选择作为目标道路部分,如图4。

从图4,可以看出S3下游和上游S6有三个部分和一个部分,而S1, S2, S4和S5下游各有一个上游部分和一个部分。平均每日卡车交通流所选的目标部分如图65。众所周知,日常卡车交通流的每小时分布不同于早晚高峰的分布乘用车。卡车的高峰小时交通流量是11:00-23:00和低峰值期间0:00-11:00期间。

六选定目标区域的属性如表所示3。在这种情况下,是指的是卡车交通流1小时。性病是指平均标准偏差。混合比是指卡车的整体交通流的速率。峰值平均值和峰值性病指的意思是卡车在高峰时段交通流量和标准偏差(11:00-23:00)。低峰值均值和低峰值性病指的意思是卡车交通流和标准偏差在高峰时间(0:00-10:00)。

3.2。空间关系

表明上游和下游部分空间关系,PCC通常应用于研究之间的交互部分。新闻申诉委员会的定义是协方差和标准偏差的商两路卡车交通流量之间的部分。PCC的价值是在−1和1之间。它更接近于1时,表明部分之间存在着正相关道路。新闻申诉委员会的上游和下游部分如图六选定目标部分6。

从图可以看出6PCC值接近1,表明有一种强烈的上游和下游部分之间的空间相关性和目标部分。因此,有一定的基础,提高预测的准确性卡车交通通过上游和下游部分之间的空间关系。

3.3。CC

使用模糊综合评价方法,TPI得到如图6路部分7。

上游和下游的拥堵情况将影响目标路段的流动。然而,通过计算CC,操作状态的路段可以成为很好理解,这有利于卡车流的预测。同样,CCs的六个部分的上游和下游部分也计算。

3.4。评价

分析该模型的性能,模型训练和评估的卡车交通六部分进行选择道路。第一个四天的数据用于训练目的,和最后一天的数据是用于验证,在平均绝对误差(MAE)、平均绝对百分误差(日军)和均方根误差(RMSE)应用作为评价参数。

4所示。结果

探索M-BiCNNGRU模型的预测性能,还有几个基线模型训练和预测中使用卡车交通流量。这些模型包括以下:(我)BiCNNGRU认为空间关系和时间特性。(2)M-BiGRU认为multifeatures和时序特征。(3)Bi-GRU认为时态特点。(iv)SVR认为时态特点。(v)ARIMA认为时态特点。深入学习算法,几个superparameters影响该模型的性能需要讨论;这些superparameters包括批量大小、隐藏的单元大小,隐层数,时间步骤,和时代。日军的评价参数的值时,美,和RMSE达到最低,superparameters选为最优参数。学习速率的研究被设置为0.001;批处理大小设置为20。时代是100、230、130、240、160年和210年,分别为六个部分的S1、S2、S3、S4, S5, S6,决定从多个迭代的训练找到最优参数。(1)培训环境,Keras TensorFlow提供了深度学习包,Python 3.6被用作通用的编程语言。这些都是托管在一个台式电脑,包括英特尔至强(R)e5 - 2640 2.5 GHz CPU和32 GB内存。(2)选择最佳的隐藏单元,不同隐藏单位的评估价值是比较。首先,隐藏的单位从[5、10、15、30、50、100]进行测试,分别。结果表明,最佳的参数发生的5。然后隐藏的单位(1、2、3、4、5)被用于进一步的测试,发现各自的日军值为每个隐藏单元路段S1是8.32%,9.31%,8.59%,7.62%,9.65%。隐藏单元四的价值由日军的最小值(7.62%),因此,隐藏的单元的最优参数。(3)对于不同的时间步骤,提出M-BiCNNGRU模型表现有不同的评价。日军的评估值、美和RMSE不同时间步长(4、8、12、16、20、24)进行了测试,和相应的评价分布如图8。

从图8,可以看出,当时间步长逐渐从4个增加至24日,日军的分布,美,和RMSE道路部分S1、S2、S3、S4, S5, S6都显示一个逐渐增加的趋势。当时间步长是4,日军的错误值,美,和RMSE处于最低水平,表明该模型具有最佳性能,第四步是最优参数。也就是说,最好的模型适合通过学习获得的流动的第一个4小时预测流五小时。上面的六个模型的评价结果如表所示4,图9。

表中可以看到4和图9结合multifeatures M-BiCNNGRU模式,空间关系,执行和时间特征比基线模型。的平均日军六个部分为7.14,预测精度是92.86%,2.99%,4.97%,7.12%,13.83%,和13.14%低于BiCNNGRU, M-BiGRU, Bi-GRU, SVR和ARIMA分别。M-BiCNNGRU提出的改进的性能预测精度的模型表明,空间关系、时间特征、和操作因素multifeatures明显有助于准确预测卡车交通流。进一步分析multifeatures、空间关系和时间精度提升的贡献的特性,作者设计了几个模型,没有单一因素评价预测性能。

BiCNNGRU模型是由考虑设计空间关系和时间特性的因素;其目的是探索的路操作因素是否multifeatures发挥积极作用在提高卡车交通流的预测精度。日军的平均价值BiCNNGRU卡车交通流预测模型考虑空间和时间因素是10.13,2.99高于该M-BiCNNGRU模型。然而,没有multifeatures的路操作因素,预测精度降低2.99%;因此,结果表明,multifeatures的操作因素对提高卡车流的预测精度是有效的。

关于M-BiGRU模型,它是由考虑时间因素的设计特点和道路multifeatures操作因素;其目的是探索空间关系是否上游和下游部分发挥积极作用在提高预测准确性。平均日军BiCNNGRU模型的价值是12.11,4.97高于该M-BiCNNGRU模型。结果表明,没有空间关系的因素,预测精度降低4.97%。4.97%的精度不考虑空间关系高于不考虑multifeatures减少2.99%的准确性。这个结果表明,与multifeatures相比,考虑空间关系有更高精度的贡献。

Bi-GRU模型设计只考虑时态特征的因素。这是一个深度学习模型,该模型已被广泛研究和应用由于其良好的性能在矿业的特点。然而,这些良好的性能也适用于卡车交通流预测?增加多少卡车流量预测精度可以通过使用Bi-GRU模型相比我的时态特征参数类型模型ARIMA和机器学习模型SVR吗?

日军Bi-GRU模型平均为14.26,6.71和6.02是低于SVR模型和ARIMA模型,分别显示Bi-GRU模型本文选择捕获时间特征具有良好的预测性能和执行比参数类型模型和机器学习模型。也表明Bi-GRU模型可以发挥根本性作用获得M-BiCNNGRU构造模型预测精度高。

此外,平均日军M-BiGRU模型考虑multifeatures和时间特性是12.11,也就是2.14低于Bi-GRU模型只考虑时间特征。它还表明multifeatures有助于提高卡车的操作因素流预测精度,预测精度的提高和价值是2.14%。的平均日军BiCNNGRU模型考虑到空间关系和时间特性是4.13低于Bi-GRU模型只考虑时间特征。它还表明,空间关系的因素是有利于提高卡车流预测精度,和改进预测精度值是4.13%,高于2.14%的multifeatures改进预测精度值。结果表明,空间关系的贡献提高预测准确性因素大于multifeatures的操作因素。

总之,该M-BiCNNGRU模型,考虑三个类型因素的空间关系,时间特征,和道路操作multifeatures,优于其他模型在预测卡车交通流。除此之外,对提高预测精度,时间特征是最大的,其次是空间关系然后multifeatures的路操作因素。

5。讨论

进一步讨论M-BiCNNGRU的性能模型,原车交通流与卡车交通流预测的值相比较。同时,本文将一天划分为两个时期,低高峰期(4:00-10:00)和高峰期(11:00-22:00),并比较卡车交通流的预测结果在两个时期。对比结果如图10。

卡车的一种改进的定量分析交通流预测模型在这两个峰值和较低的高峰时期,美,日军和RMSE索引也用于评估。结果如表所示5。

从图可以看出10和表4的总体平均日军卡车流量高峰期是2.27低于低高峰期。的日军价值S1, S3、S4, S5,高峰期和S6道路部分是6.18,1.42,5.59,和0.94,分别。这意味着,预测结果更准确在高峰时期比在较低的高峰时期。六个部分的评价参数的比较在高峰和低峰值期如图11。

6。结论

本文提出了一种Multifeatures Spatial-Temporal-Based模型(M-BiCNNGRU)卡车交通流量的准确预测。multifeatures包括卡车操作策略等因素,道路阻力,卡车交通流量、交通拥堵状态和最佳时间延迟都纳入模型。模型的新颖性在于它包括multifeatures的影响因素,以及时间特征和空间关系。模型训练使用数据从6路部分主要高速公路网络在中国收集在为期五天的时期,在最后一天的数据被排除在训练,但不是用于验证模型的性能。获得进一步洞察M-BiCNNGRU模型的预测结果,五个基线模型,即BiCNNGRU, M-BiGRU, Bi-GRU, SVR, ARIMA也被应用。结果表明,BiCNNGRU模型的预测精度为89.87%,4.13%,10.84%,和10.15%高于Bi-GRU, SVR, ARIMA模型。这表明卡车交通流的预测性能可以提高通过增加上游和下游部分之间的空间关系。M-BiGRU模型的预测精度为87.89%,2.15%,8.86%,和8.17%高于Bi-GRU, SVR, ARIMA模型。这表明multifeatures的合并可以提高预测精度。M-BiCNNGRU的预测精度为92.86%,13.83%和13.14%高于SVR和ARIMA模型与单一的时间特征。 In summary, the proposed model based on multifeatures, temporal characteristics, and spatial relationships outperforms baseline algorithms as demonstrated in this paper. However, in this paper, the contributions of each individual feature to the overall prediction effectiveness were not specifically analyzed but it is suggested that this could form part of a future study to determine the influence of each feature in terms of weighting factors.

数据可用性

在研究过程中使用一些数据和代码存储库中的可用依照资助者数据保留策略(https://github.com/uubest/-LSTM-and-GRU)。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

作者证实对论文的贡献如下:Chunfu邵和王Shengyou概念化和设计研究;郑阎执行数据收集;Shengyou王、宋和Yajiao翟执行结果的分析和解释;王Shengyou和Yajiao翟准备了原稿。所有作者回顾了结果,批准了最终版本的手稿。

确认

这项研究是由基础研究基金提供的资金支持中央大学(批准号2019 rc027)和中国国家重点研发项目(批准号2019 yff0301403)。作者要感谢Chunjiaodong从北京交通大学教授和博士Chaoying阴从南京林业大学为他们的援助在编辑文章和提供数据。

引用

1. 中国国家统计局(National Bureau of Statistics)(相关),2020年,https://data.stats.gov.cn/easyquery.htm?cn=C016。
2. k .金格里奇,h .他和w·安德森。,“Classifying the purpose of stopped truck events: an application of entropy to GPS data,”交通研究部分C:新兴技术卷。64年,17-27,2014页。视图:谷歌学术搜索
3. r·傅>,l·李,“使用LSTM和格勒乌神经网络交通流预测方法,”学报》31日青年学术年会的中国自动化协会(YAC)武汉,页324 - 328年,中国,2016年11月。视图:谷歌学术搜索
4. g·米格尔·m·卡洛斯·杰瑞德和m . Eric”测量行程时间可靠性的公路运输使用GPS数据:货物流动性的方法,”交通研究部分:政策和实践卷,130年,第288 - 240页,2019年。视图: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. w·黄g .歌曲,h .香港,k .谢”架构交通流预测:深深相信网络在多任务学习,”IEEE智能交通系统,15卷,不。5,2191 - 2201年,2014页。视图:出版商的网站|谷歌学术搜索
7. n . g . Polson v . o .武器,“对短期交通流预测的深度学习,”交通研究部分C:新兴技术卷。79年,1卷,2017页。视图:出版商的网站|谷歌学术搜索
8. l·李,x, j . Zhang h·李和b跑,“旅行时间预测高速公路网络基于集成经验模态分解和随机向量功能链接网络,”应用软计算卷,73年,第932 - 921页,2018年。视图:出版商的网站|谷歌学术搜索
9. 谢z,郭j . y .秦,l .贾和y王,“短期异常的客流预测基于SVR的融合和LSTM,”IEEE访问7卷,第42955 - 42946页,2019年。视图:出版商的网站|谷歌学术搜索
10. 林z, m . Li x, y,和f .他,“多步速度预测交通网络:深度学习的方法考虑时空相关性,”交通研究部分C:新兴技术卷,105年,第322 - 297页,2019年。视图:出版商的网站|谷歌学术搜索
11. x罗·d·李,杨y, y,“时空交通流预测资讯和LSTM”《先进的交通工具,1卷,不。1、1 - 10,2019页。视图:出版商的网站|谷歌学术搜索
12. l .赵,y的歌,c . Zhang y刘et al .,“T-GCN:时序图卷积网络流量预测,”2019年,https://arxiv.org/abs/1811.05320。视图:谷歌学术搜索
13. 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,2015页。视图:出版商的网站|谷歌学术搜索
14. b·m·威廉姆斯和洛杉矶Hoel”,作为一个季节性ARIMA建模和预测交通流过程:理论基础和实证结果,“交通运输工程学报,卷129,不。6,664 - 672年,2003页。视图:出版商的网站|谷歌学术搜索
15. 你们谢y, y,和z,“短期交通量预测离散小波分解,用卡尔曼滤波”计算机辅助土木与基础设施工程,22卷,不。5,326 - 334年,2007页。视图:出版商的网站|谷歌学术搜索
16. c, h·r·斯蒂芬·杨,和c .邵”相结合的统计模型和启发式模型预测流量,”交通运输工程学报,卷140,不。10篇文章ID 6014001, 2014。视图:出版商的网站|谷歌学术搜索
17. j .郭、w·黄和m .比利,“自适应卡尔曼滤波方法随机短期交通流量预测和量化不确定性,”交通研究部分C:新兴技术,43卷,50 - 64年,2014页。视图:出版商的网站|谷歌学术搜索
18. 周t . d .江z,林,g .汉x,和j .秦”混合双卡尔曼滤波模型对短期交通流预测,“专业智能运输系统,13卷,不。6,1023 - 1032年,2019页。视图:出版商的网站|谷歌学术搜索
19. 李郭,y林,美国et al .,“深度时空三维卷积神经网络流量数据预测,“IEEE智能交通系统卷,99年,页1 - 14,2019。视图:谷歌学术搜索
20. c . x Wang邵,c .阴c .诸葛和w·李,“应用贝叶斯多级模型使用中国中小型的城市:长春的情况下,“可持续性,10卷,不。2、2018。视图:出版商的网站|谷歌学术搜索
21. w·张,y, y气,f,和y王,“短期交通流预测基于时空分析和CNN深度学习,”Transportmetrica答:运输科学,15卷,不。2、1688 - 1711年,2019页。视图:出版商的网站|谷歌学术搜索
22. l . x Wang徐,k·陈,“数据驱动的短期预测城市道路网络流量数据处理和LSTM-RNN基础上,“阿拉伯科学与工程》杂志上,4卷,不。44岁,3043 - 3060年,2018页。视图:谷歌学术搜索
23. 美国白、j . z科特勒和v . t . c . n . Koltun“实证评价通用卷积序列建模和复发性网络,”学报(ICLR)学习国际会议上表示温哥华,加拿大,2018年4月。视图:谷歌学术搜索
24. t·博尔加特公元Masegosa j . s . Angarita-Zapata et al .,”图CNN-LSTM长期和短期流量预测神经网络基于轨迹数据,”交通研究部分C:新兴技术,卷112,不。3、62 - 77年,2020页。视图:出版商的网站|谷歌学术搜索
25. r . Asadi和A·里根”基于时空分解深层神经网络时间序列预测,“应用软计算,87卷,2020年。视图:出版商的网站|谷歌学术搜索
26. x y田,k, j . Li林,和b·杨“LSTM-based交通流量预测与缺失的数据,”Neurocomputing27卷,第305 - 297页,2018年。视图:出版商的网站|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. d·杨m . n, k . r . Chen和x c .赵“城市轨道交通客流预测基于LSTM增强长期特性,”专业智能运输系统,13卷,不。10日,1475 - 1482年,2019页。视图:出版商的网站|谷歌学术搜索
29. l, l .秦x作为,j . Zhang y, 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
30. r . x Cheng张、周j .和w·徐“深运输:学习时空依赖交通状态预测,”国际神经网络联合会议学报》上,页1 - 8,里约热内卢,巴西,2018年8月。视图:谷歌学术搜索
31. d . Zhang和m . r . Kabuka”结合天气条件数据预测交通流:GRU-based深度学习的方法,”专业智能运输系统,12卷,不。7,578年,页2018。视图:出版商的网站|谷歌学术搜索
32. z Cheng w . Wang陆j . et al .,“城市高速公路交通状态分类:机器学习方法,“交通研究部分政策和实践卷,137年,第428 - 411页,2018年。视图:谷歌学术搜索
33. d .徐魏,p .彭问:宣,h . g .如敞开式。A . n .郭”,小说深度学习道路交通状态估计的框架,“交通研究部分C:新兴技术,117卷,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021王Shengyou 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。