回顾交通拥堵预测使用人工智能

文摘

近年来,交通拥堵预测导致了越来越多的研究领域,尤其是人工智能(AI)的机器学习。随着大数据的引入固定传感器或探测车辆数据和新的人工智能模型的发展在过去的几十年里,这一研究领域广泛扩展。交通拥堵预测,特别是短期交通拥堵预测是由评估不同交通参数。大多数研究关注历史数据预测交通堵塞。然而,几篇文章进行实时交通拥堵预测。本文系统地总结了现有研究通过应用人工智能的各种方法,特别是不同的机器学习模型。本文积累下的模型各自的人工智能的分支,和模型的力量和弱点是总结。

1。介绍

人工智能(AI)是计算机科学的最重要的分支在这个大数据的时代。人工智能诞生于50年前,很长一段路,令人鼓舞的进展,特别是在机器学习,数据挖掘、计算机视觉、专家系统、自然语言处理、机器人技术和相关的应用程序(1]。机器学习是人工智能的最受欢迎的分支。其他类的人工智能包括概率模型,深入学习,人工神经网络系统,和游戏理论。这些类是开发和应用于广泛的领域。最近,交通工程的主要研究领域,特别是在交通拥堵预测。

交通堵塞有直接和间接的影响一个国家的经济和居民的健康。根据阿里et al。2Pak Rs),交通拥堵原因。每天100万的机会成本和燃料消耗由于交通堵塞。交通拥堵影响在个体层面。时间损失,尤其是在高峰时段,精神压力,增加污染,全球变暖也有一些重要的因素由于交通堵塞造成的。

确保经济增长和道路使用者的舒适的两个条件是一个国家的发展,这是不可能的不平滑交通流。交通行业的发展通过收集交通信息,当局正在将更多的注意力集中在交通拥堵监控。交通拥堵预测为当局提供了所需的时间来计划的资源配置,让光滑的旅行者。交通拥堵预测问题探讨了可以被定义为一个参数估计与交通拥堵在短期的未来,例如,15分钟到几个小时通过应用不同的人工智能方法通过收集交通数据。通常有五个参数来评估,包括交通量、交通密度、居住、交通拥堵指数和旅游时间监测和预测交通拥挤。根据收集的数据的性质,各种人工智能方法应用于评价拥堵参数。本文系统地论述了模型和他们的优势和缺点。本文的主要动机是收集的文章只关注交通拥堵预测模型。中使用的关键字搜索过程包括“交通拥堵预测”或“交通拥堵评价”或“拥堵预测模型”或“预测交通堵塞”或“道路拥塞预测”或“交通拥堵预测。“有效的筛选,研究论文搜索是根据年使用斯高帕斯这样的搜索引擎,谷歌学者,和科学直接。在收集所有的同行评议的期刊和会议论文写在英语语言中,48文章被发现。 Any studies focusing on the cause of traffic congestion, traffic congestion control, traffic congestion impact, traffic congestion propagation, traffic congestion prevention, etc. were excluded from this manuscript.

预测方法的总体布局中提供了部分2。数据收集来源和拥塞预测模型是解释部分3- - - - - -6他们提供整体的讨论和结论。

2。总体布局

交通拥堵预测有两个数据收集和预测模型开发的基本步骤。每一步都很重要,可能会影响结果的方法如果没有正确完成。在数据收集、数据处理起着至关重要的作用准备训练和测试数据集。情况下不同为不同的研究领域。发展模式之后,它与其他基础模型和地面验证是正确的结果。图1显示交通拥堵预测研究的通用组件。这些枝子被进一步划分为更具体的支行和将在以下部分中讨论。

3所示。数据源

交通数据集用于不同的研究主要可以分为两类,包括固定和调查数据。固定数据可以进一步分为传感器数据和固定摄像机。另一方面,调查数据,研究中使用了GPS数据安装在车辆。

固定传感器不断捕捉时空数据的流量。然而,传感器操作可能随时中断。政府应该考虑这个临时故障的传感器而计划通过使用这些数据。传感器数据的优势是没有混乱对车辆的位置。最常用的数据集是性能测量系统(到聚合物),收集公路数据在所有加州的主要大城市的交通流,实时传感器入住率,旅行速度。从我的大多数研究使用数据集高速公路,在圣地亚哥,加利福尼亚,每5分钟3- - - - - -6]。其他系统包括Genetec blufaxcloud位置时系统引擎(GBTTSE) [7)和拓扑综合地理编码和引用(老虎)线图8]。

另一方面,调查数据覆盖整个道路网络的优势。网络由不同的结构化道路。因此,研究,尤其是那些认为网络广阔的区域内,使用调查数据。最常用的数据集是GPS数据采集每一秒从大约20000出租车的北京,中国。数据包括出租车数量,车辆的经度,取样时的时间戳,是否有一个乘客。这个数据集的数据更新频率是不同的从10到5分钟根据GPS设备的质量4,5,9]。其他调查数据包括低频探头车辆数据(PVD) [10)和公交GPS数据(11,12]。然而,有时调查数据显示显著的波动。此外,地图匹配通常是一个必须对调查数据。但数据可以最小化这个限制。调查收集的数据从一个城市不能直接用于建模其他城市网络。这是因为收集的数据来自北京,中国,包括车辆的经度,是独一无二的。然而,普遍模型使用调查数据可以生成不同的城市。

其他数据源,例如,数据从收费系统和交通管理局提供的数据,将添加更多的可靠的数据来源是可靠的。然而,很多时候,研究区需要调整,在大多数情况下,鸣道路信息是不可用的。跟踪手机运动没有隐私漏洞也可以是一个来源的数据。然而,车辆分布的异质性将很难确定从这个数据集,如果不是不可能的。此外,由于行人或骑自行车穿越人行道上,可能有许多局外人道路网络数据集如果造型。从调查问卷收集的数据向公众/司机可能会提供一个误导的结果[13]。

3.1。聚类算法

一些研究使用集群之前获得的数据应用的主要拥堵模型预测。这种混合建模技术应用于调整输入值和使用它们的训练阶段。图2给出了常用的人工智能聚类模型的研究在这个领域。本节简要描述的模型。

模糊c均值(FCM)是一个受欢迎的不确定的聚类技术在数据挖掘。在交通工程研究、交通模式识别中起着重要的作用。除此之外,这些研究往往面临缺失或不完整的数据的限制。处理这些限制,FCM已经成为一个普遍应用聚类技术。这种方法的优点是,与原始c均值聚类方法,它可以克服的问题陷入局部最优的(14]。然而,FCM需要设置一个预定义的集群数量,这并不总是可能的在处理大量数据时没有任何先验知识数据的维度。此外,这个模型变得增量计算昂贵的数据大小。不同的研究已经成功地应用FCM通过改善其局限性。一些研究改变了模糊索引值为每个FCM算法执行(15),一些计算Davies-Bouldin (DB)指数(10),而其他应用k - means聚类算法(16,17]。

k - means聚类算法是一种有效且相对灵活的算法在处理大型数据集。这是一个流行的无监督的机器学习算法。根据特征,集群不同数量从两个(18]50 [19- - - - - -21]。像FCM, K - means聚类需要一个预定义的集群数量和选择K原始集群中心。差距(22和WEKA工具箱23)被用来定义价值。大型数据集的样本分布未知时,在一开始,它并不总是能满足这两个需求。一些研究利用k -均值聚类克服的局限性和利用自适应模式使用主成分分析(PCA) (24,25]。

DBSCAN是一般聚集在机器学习和数据挖掘中的应用。该方法克服了FCM的预定义集群数量的限制。它可以自动生成任意形状包围集群不同的特点,可以很容易地识别异常值。然而,它需要两个参数预置。一个合适的参数测定方法,如试错法(8和人类的判断26)使模型计算昂贵,要求的数据集有一个清晰的理解。

从上面的讨论,得出的结论是,只有16个48研究已经做过集群应用预测模型。多个时间序列模型和浅机器学习(SML)算法使用聚类的方法。然而,深入学习算法可以处理在不同的层模型的输入数据,因此可能不需要事先集群。

4所示。应用方法

交通流是一个复杂的异构融合交通舰队。因此,交通模式预测模型可以是一个简单和有效的拥塞预测方法。然而,根据数据特点和质量,不同类型的人工智能应用于各种研究。图3展示了主要的branches-probabilistic推理和机器学习(ML)。机器学习由浅及深的学习算法。然而,本文的研究进展,这些部分被分为详细算法。

认为交通拥堵预测研究使用不同的模型并不直接。所有的文章的共同因素包括研究区、数据收集,预测参数,预测时间间隔,和验证过程。大多数文章都研究了走廊段为研究区域(5,27- - - - - -30.]。其他研究领域包括交通网络(31日,32),环城公路(9),和公路干线33]。数据采集层变化从2年34不到一天,35)的研究。拥堵估计完成预测交通流参数,例如,交通速度(4)、密度、速度(5),和拥堵指数(31日),提到一些。拥堵指数(CI)方法适用于监控拥堵水平不断在时空的维度。研究这些比较他们的结果与地面真值或与其他模型使用的平均绝对误差(MAE)(方程(1)),对称平均绝对百分误差(sMAPE)(方程(1)),日军的均方根误差(RMSE)(方程(3)),假阳性率(玻璃钢)(方程(4)),检出率(博士)(方程(5))。许多研究使用相扑来验证他们的模型: 在哪里 。 FP, TN、FN和TP代表了假阳性,真正的负面,假阴性,分别和真正的积极。

本节的其余部分将讨论作者的方法已经应用于研究。

4.1。概率推理

概率推理是人工智能的一个重要部分。它应用于处理不确定的领域知识和推理。各种各样的这些算法中常用的交通拥堵预测研究。本研究讨论概率推理图所示4。

以下4.4.1。模糊逻辑

德是一个常见的应用模型在动态交通拥堵预测因为它允许模糊而不是二进制的结果。在这种方法中,几个成员函数开发那些代表真理的程度。浩瀚的随着时间的推移,交通数据变得复杂和非线性。由于它能够处理数据集的不确定性,模糊逻辑在交通拥堵已经成为流行预测研究。

模糊系统由几个模糊集,建立隶属度函数。通常有三个编纂形状选择隶属度函数(MFs)的输入:三角形、梯形、高斯函数。基于规则的模糊系统(美联储)是最常见的模糊逻辑系统在交通工程研究。它由几个if - then规则,逻辑上相关的输入变量与输出。它能有效地处理复杂造成实际的交通情况下,代表他们简单的规则。这些规则将不同交通状态检测之间的关系所产生的交通条件(36]。然而,随着数据的增长复杂性,规则的总数也增加,减少整个系统的准确性,从而使其计算昂贵。为了更好地管理这个问题,两种类型的模糊逻辑控制应用。在分层控制(HFRBS),根据意义,输入变量是命令和MFs是雇佣。图5显示了一个简单的HFRBS结构。MFs优化通过应用不同的算法,例如遗传算法(GA) [30.)、混合遗传算法(GA)和叉(CE) [28,37)相比的性能进化的规则学习(ECRL)和进化模糊规则学习(EFRL)道路交通拥堵预测。是看到ECRL模型优于EFRL的平均精度和没有规则,但计算昂贵。

Takagi-Sugeno-Kang(啧啧)(美联储)模型是一种简单的模糊模型由于其数学可处理性。加权平均计算该模型的输出。另一个简单的美联储模型是Mamdani-type模型。这个模型的输出是一个模糊集,需要去模糊化,这是耗时的。由于其良好的可解释性,它可以提高模型模糊语言的准确性。曹和王3]应用这个模型显示,拥堵程度变化道路等级。一些研究使用这种方法融合异构参数(7,13]。啧啧模型适用于改善一个精确的模糊模型的可解释性。啧啧适用于其快速计算特征(37]。

模糊综合评价(FCE)利用模糊变换原理和最大隶属度。这个模型由几层,这是一个有用的客观评价方法,评估所有相关因素。层的数量取决于客观的复杂性和数量的因素。香港et al。4和杨et al。5]应用FCE考试的重量和省内各地的模糊矩阵是根据估计交通拥堵的交通流状态。自适应控制调整基于判断矩阵的权重系数。一定的权重分配计算参数的隶属度(35]。

除了遗传算法和算法、蚁群优化(ACO)算法还引入了Daissaoui et al。38在模糊逻辑系统。他们提供了一个智能城市的理论,每个车辆GPS数据信息素,一致的概念。未来的目标是预测交通堵塞一分钟从过去提供的信息(信息素)的汽车。然而,这篇文章并不给任何结果支持模型。

正如之前所讨论的,用优化算法的发展,优化模糊逻辑系统的隶属度函数变得多样化。随着时间的推移,FRBS-TSK已成为流行的最简单形式由于其良好的可解释性。一些其它行业的运输,模糊逻辑模型是流行的包括红绿灯/信号控制(39,40),交通流预测(张你们41预测[]),交通事故42),和修改张高速公路旅行时间估计的模糊逻辑(和通用电气43])。

模糊逻辑系统是唯一的概率推理模型,可以有一个结果超过拥挤/ noncongested状态的交通状态。这是其中的一个主要优点,使得这种方法受欢迎。然而,没有研究已经提供了任何合理的逻辑选择隶属函数,模糊逻辑模型的一个重要限制。

4.1.2。隐马尔可夫模型

隐马尔科夫模型(HMM)相结合的马尔可夫过程的随机特征和离散马尔可夫链的特征。这是一个随机时间序列事件识别技术。一些研究应用马尔可夫链模型对交通模式识别在交通拥堵预测(21,25,44]。皮尔森相关系数(PCC)期间通常应用在参数模式建设。扎基et al。32]嗯应用选择适当的预测模型从几个模型他们开发了应用自适应neurofuzzy推理系统(简称ANFIS)。他们获得了最佳状态转换四个处理步骤:初始化、递归、终止和回溯。最后一步分析前一步骤来确定当前状态的概率通过维特比算法。基于对数似初始模型的参数,定义为期望最大化(EM)算法,嗯的交通模式,选择合适的拥塞模型预测。Mishra et al。23]应用discretised多个符号嗯(MS-HMM)预测模型命名的未来状态的预测(FSP)。他们评估不同路段模型适应性。生成一个标签包含隐藏MS-HMM、和输出用于FSP导致下一个隐藏的状态标签。

在交通工程,特别是在利用探测车辆数据,嗯在匹配是非常有用的。太阳et al。45]嗯申请映射观察GPS点的轨迹附近的道路。这些候选点被作为嗯的隐状态。候选点接近观测点观测概率较高。转移概率两个相邻的候选人也被认为是为了避免误导结果产生突然的交通情况。

嗯显示精度在选择一个交通模式或流量点。它的优点是可以处理数据和异常值。然而,与短点采样间隔似乎匹配好,和长时间间隔和更高的类似调查数据降低了模型的精度。研究发现一个重要的长期不匹配采样间隔的数据集和类似的公路网络。

GPS跟踪系统得到了广泛的开发在这个卫星的时代。因此,使嗯造型目前更相关的地图匹配。其他部门的运输嗯应用包括交通预测[46),修改嗯速度预测(47),和交通流状态转换48)等。

4.1.3。高斯分布

高斯过程回归问题已被证明是一个成功的工具。形式上,高斯过程是一个随机变量的集合,任何有限数量的遵循联合高斯先验分布。回归,估计的函数被认为是由一个无限维的高斯分布,并观察到的输出是由加性高斯噪声污染。

杨(29日交通拥堵预测]应用高斯分布在他们的研究。本研究分为三个部分。排名第一,传感器是根据应用的体积质量完成的p测试。在第二部分的研究中,乐此不疲的拥塞发生概率确定方法。在这一部分的学习阶段,两个高斯概率模型由两个数据集的每一个点的利息。在决策阶段,模型输入交通量的价值评估,并预测分数呈现拥堵状态决定从两个模型的比率。最后,拥堵发生的概率的兴趣被发现通过组合和排序预测分数排名的传感器。朱et al。49]给出了交通状态的概率分布。高斯分布的均值和方差参数的选择是一个重要的步骤。在这项研究中,应用EM算法。第一步生成的参数的对数似期望,而最后一步最大化。太阳et al。45近似的GPS定位误差与高斯分布在路上,意思是0。从实际的GPS点误差计算,路段上的匹配点,GPS测量误差的标准差。

从上述研究中,看到的是高斯分布模型有一个有用的应用程序在减少特征数量在不影响预测结果的质量或位置在使用GPS数据误差估计。高斯分布也应用于交通量预测(50),交通安全(51),和交通速度分布变化52]。

4.1.4。贝叶斯网络

一个贝叶斯网络(BN),也称为因果模型,是一个有向图形化模型代表一组随机变量之间的条件独立性。这是概率理论和图论的结合提供了一种自然的工具来处理出现的两个问题通过应用数学和engineering-uncertainty和复杂性(53]。

Asencio-Cortes et al。54七)应用一个机器学习算法来计算交通拥堵预测。这种方法已经开发成一个二元分类问题应用HIOCC算法。机器学习算法应用于本研究再邻居的事例),C4.5决策树(C4.5),人工神经网络(ANN)的反向传播技术,随机梯度下降优化(SGD),模糊无序规则归纳算法(FURIA),贝叶斯网络(BN)和支持向量机(SVM)。三种算法(C4.5、FURIA和BN)可以产生可判断的可视的模型知识。一组集成学习算法被应用于改善这些预测模型的结果。整体算法组包括装袋,增加(演M1),堆垛,概率阈值选择器(PTS)。作者发现显著改善精度BN在应用集成算法。另一方面,金和王34应用BN)来确定影响因素拥堵初始化道路上不同的部分。本研究的发展模式做了一个框架来评估不同的场景中排名和优先级。

贝叶斯网络是与整体表现更好的算法或修改,例如,交通流预测(其他运输部门55和参数估计在个交通灯路口56,57]。

4.1.5。其他人

除了上面提到的模型,卡尔曼滤波器(KF)也是一个受欢迎的概率算法。增量的可用数据,数据融合方法越来越受欢迎。历史和实时交通数据的融合可以实现更高层次的交通拥堵预测精度。在这方面,KF普遍应用。扩展KF (EKF) KF的延伸,可用于随机筛选非线性噪声的均值和协方差估计的状态。因此,数据融合后,更新估计协方差误差通过删除离群值(7]。

温家宝et al。(8)应用遗传算法在交通拥堵预测从时空的交通环境。时序关联规则提取从交通环境应用遗传时态关联规则(GATARs)。他们提出的混合时序关联规则挖掘方法(包括HTARM) DBSCAN和GATAR方法。DBSCAN应用程序方法在本文前面讨论的。而使用GATAR编码,数量和拥堵路段被包含在染色体水平。解码是获取时序关联规则和分类根据信任和支持的价值规则池。对于模拟和真实的场景,提出HTARM方法优于GATAR时态关联规则提取和预测精度。然而,集群数量差异表现出很大的不同在两个场景。此外,道路网络复杂性的增加,预测精度降低了。

表1总结了各种研究中使用的方法和不同的参数到目前为止我们已经讨论了。

4.2。浅的机器学习

浅机器学习(SML)算法包括传统和简单的ML算法。这些算法通常包括几个,很多时候,一个隐藏层。SML算法不能从输入中提取特征,需要事先定义的特性。模型训练只能在特征提取。SML算法及其应用在交通拥堵的研究讨论了在这一节和图所示6。

4.2.1。准备人工神经网络

人工神经网络(ANN)的开发,模仿人类大脑的功能来解决不同的非线性问题。它是一个一阶的数学或计算模型,该模型由一组相互连接的处理器或神经元。图7显示了一个简单的安结构。由于其容易实现和有效的预测能力,安已经成为流行的交通拥堵预测领域的研究。Hopfield网络、前馈网络和反向传播的例子安。前馈神经网络(FNN)是最简单的神经网络,在输入数据到隐层到输出层。摘要利用反向传播神经网络由前馈和体重调整层和安是最常应用在交通管理。徐et al。31日]摘要应用于交通流预测,从而评估交通拥堵因素在他们的研究。他们提议occupancy-based堵塞因子(CRO)评价方法与其他三个评估交通拥堵因素基于里程比交通拥堵(CMRC),道路速度(CRS)和车辆密度(CVD)。他们还评估数据大小的影响道路拥堵的实时渲染。复杂的道路网互联显示高并发症在模拟和渲染。该模型的优点是,它把小处理时间对高采样数据呈现。模型可以用作不同道路网络的拥塞预测模型。一些混合神经网络用于拥塞预测。纳迪姆和Fowdur11]预测拥塞在空间空间,应用六SML算法与神经网络的结合。六SML算法包括滑动平均(MA)、自回归移动平均(ARIMA)集成,线性回归,二度和三度多项式回归,再邻居(资讯)。模型显示至少RMSE值与摘要相结合形成混合神经网络。隐藏层有7个神经元,它由试验和错误决定。然而,这是一个非常初步的工作水平。它没有显示数据增量的准确性的影响。

与以往的研究不同的是,那些专注于交通流参数进行交通拥堵预测研究;伊藤和Kaneyasu60]分析了司机的行为预测拥塞。他们表明,车辆运营商的不同在不同阶段的旅程。他们使用一个分层的摘要学习女司机的行为和提取阶段根据旅行。结果显示平均效率82%的区分旅游阶段。

安是一个有用的机器学习模型的柔性结构。层的神经元可以根据输入数据。正如上面提到的,一个通用的模型可以开发和申请不同的道路类型通过非线性安的捕获能力的优势。然而,安需要更大的数据集的概率推理模型,从而导致高复杂性。

安显示巨大的潜力在不同参数分析。安是唯一的模式,最近申请司机行为分析交通拥堵。安很流行在每个部分的运输——交通流预测61年,62年],拥塞控制[63年),司机疲劳(64年),和车辆噪声(65年,66年]。

4.2.2。回归模型

回归是一种统计监督ML算法。模型预测的实际输出值基于独立编号输入数值变量。回归模型可以进一步划分根据输入变量的数量。最简单的回归模型是线性回归与一个输入功能。当特征数量的增加,生成的多元回归模型。

Jiwan et al。27)建立了一个多元线性回归分析(MLRA)模型使用天气数据和交通拥堵数据预处理后使用Hadoop。起初,一个单一的所有变量的回归模型是三倍后使用r .还原过程,只有十个变量决定最后MLRA模型形式。张先生和钱22]做了一个有趣的方法来预测早上高峰期拥堵使用家庭用电模式。他们用套索回归关联模式特性使用线性相关的关键特征选择的优势能力。

另一方面,耆那教等。33)开发的线性和指数回归模型使用IBM SPSS软件找到相关变量。作者把异构车辆转化为乘用车单位(PCU)简化。三个独立变量被认为是基于估计叫做——(O-D)堵塞的措施。他们用PCC评价参数之间的相关性。然而,简单平均O-D节点参数可能不提供动态交通模式的实际情况。

回归模型包括一些隐藏的系数,在训练阶段决定的。最应用回归模型自回归移动平均(ARIMA)集成。华宇电脑有三个参数- p、d和q。“p”汽车回归秩序是指有多少需要考虑独立变量的滞后的预测。移动平均订单“q”介绍了滞后的预测错误数字。最后,“d”用于时间序列平稳。Alghamdi et al。67年]d为1作为一个差分模型可以使静止的。接下来,他们应用了自相关函数(ACF)和偏自相关函数(PACF)随着最小信息标准矩阵确定的值p和问。他们只花了时间维度考虑。然而,结果倾向与真正的模式只有一个星期,需要调整考虑预测错误。此外,这项研究并没有考虑到空间维度。

回归模型是有用的应用时间序列问题。因此,回归模型适用于交通预测问题。然而,这些模型是非线性不可靠,快速变化的多维数据集。根据预测结果需要修改错误。

然而,正如已经在这篇文章中,将讨论和进一步的研究使用不同的回归模型来验证他们的模型6,11,25,68年,69年]。

和与之相关的数据集和复杂性的增加,回归模型在预测交通堵塞越来越受欢迎。目前,回归模型是常用的与其他机器学习算法通过修改,例如,安和内核函数。一些其他领域的回归模型应用包括在交通速度混合ARIMA预测特定的车辆类型(王et al。[70年],交通量预测[71年),和流预测应用ARIMA(修改72年]。

4.2.3。决策树

决策树是一个预测模型基于多个输入变量的一个输出。有两种类型的树:分类树和回归树。当这两个树合并,新树命名分类和回归树(CART)生成的。决策树使用了整个数据集特征提取。随机森林是一个监督毫升多个决策树分类算法的平均结果。在开发决策树使用的随机特性。它使用大量的CART决策树。的投票决策树预测类随机森林模型。

王等人。9)提出了一个概率的方法,利用信息熵的理论工具和范诺不等式来预测道路交通模式及其相关拥堵城市道路段没有先验知识的O-D车辆。他们把道路拥堵水平到时间系列车辆状态映射到交通状况。间隔的影响可预测性,最优段长度和速度被发现。然而,用更少的可用数据,增加段数增加了可预测性。另一个交通参数,旅行时间,被刘用于查找CI和吴73年]。他们应用随机森林ML算法预测交通拥堵状态。首先,他们提取100样本集构造100使用引导决策树。功能属性的数量被确定为平方根总数的特性。陈等人。16购物车]应用交通拥堵预测和分类的方法。作者应用莫兰的我方法分析不同道路网络交通流间的时空相关性。该模型显示与支持向量机相比,和k - means算法有效性。

决策树是一个简单的分类问题解决模型,可以申请multifeature数据,例如,刘和吴73年)应用天气条件、道路条件、时间周期,和节日作为输入变量。这个模型的知识可以在if - then规则的形式,使它更容易解释的问题。还需要记住分类结果通常是二进制,因此,不适合在拥堵水平是必需的。运输的其他部门,决策树模型应用交通预测(74年)和交通信号优化模糊逻辑(75年]。

4.2.4。支持向量机

支持向量机(SVM)是统计机器学习方法。这个模型的主要思想是将非线性数据映射到一个高维线性空间数据可以线性分类超平面(1]。因此,它可以是非常有用的交通拥堵的交通流模式识别预测。曾et al。13)确定旅行速度预测实时交通拥堵应用SVM。他们使用Apache风暴处理大数据使用上滔滔不绝的和螺栓。交通、天气传感器,和事件从社交媒体收集近距离在一起评估的系统。他们将车速分为类和标签。前三的速度间隔被用来训练模型。然而,拥堵程度categororised从0到100不带特定的严重性级别的知识,尤其是对道路使用者。增加训练数据提高了精度和计算时间。这最终可能很难进行实时交通拥堵预测。

基于交通混合交通流显示不同的模式或时间。支持向量机应用于确定适当的模式。目前修改后的SVM大多也在其他领域中的应用,例如,高速公路现有交通量预测(58),交通流预测(76年),和交通和生态可持续发展的77年]。

大多数的研究相比,他们的开发模型与支持向量机(22,78年,79年]。深机器学习(DML)相比,支持向量机算法表现出更好的效果。表2是指研究在本节。

4.3。机器学习深

DML算法由几个隐藏层来处理非线性问题。这些算法的最重要的优点是他们可以从输入数据中提取特征,没有任何先验知识。SML不同,特征提取和模型训练做在一起,这些算法。DML可以把巨大的连续和复杂的交通数据收集时间范围有限的模式或特征向量。从最近几年,DML交通拥堵预测研究中已变得很流行。交通堵塞的研究使用DML算法如图8而在这一节中讨论。

4.3.1。卷积神经网络

卷积神经网络(CNN)是一种常见的DML算法在交通工程应用。由于性能优良的CNN在图像处理中,应用在交通预测、交通流数据转化为一个二维矩阵来处理。有五个主要部分的CNN交通结构:输入层、卷积层,池层,完整的连接层和输出层。卷积和池层提取重要特征。这两个层的深度在不同的研究有所不同。多数的研究交通流数据转换成一个二维的图像矩阵。研究由马et al。80年和太阳等。45),每个组件的矩阵表示平均交通速度的特定部分。在优化CNN参数中,他们选择一个卷积过滤器(3×3)和max-pooling大小尺寸(2×2)的3层根据参数设置LeNet AlexNet和测量的信息丢失。而陈et al。68年)用一面墙卷积过滤器的大小(2×2)没有池层。作者应用新方法途径称为深层神经网络模型周期交通数据(相)。研究折叠时间序列生成输入相结合的实时和历史交通数据。捕捉相关的一个新的时间段直接过去,他们重复最后一个槽的拥堵水平矩阵。朱et al。49应用五convolution-pooling层(3×3)以及(2×2)大小,分别。随着时间和空间数据,作者也把时间间隔数据产生一个三维输入矩阵。与这些研究不同,Zhang et al。6)预处理的原始数据进行交通流的时空互相关分析用PCC序列数据。然后,他们采用了一种模型,命名为时空特征选择算法(STFSA)交通流序列数据选择特征子集作为输入矩阵。卷积和的双层CNN池大小一样使用了先前的研究。然而,STFSA认为启发式,偏见,和权衡,并不能保证最优。

CNN显示了良好的性能,一个大型数据集。具有优良的特性,学习能力以更少的耗时的分类能力。因此,CNN可以应用在数据集可以被转换成一个图像。CNN应用于交通速度预测(81年),交通流预测(6),和修改与LSTM CNN也申请交通预测(82年]。然而,正如上面提到的,没有深度模型和参数选择策略是可用的。

4.3.2。递归神经网络

递归神经网络(RNN)已经广泛使用在连续的交通数据处理通过考虑相关的邻居(图的影响9)。长时间的短期记忆(LSTM)是RNN的一个分支。LSTM隐层中,有一个内存块,包括四层神经网络,商店和调节流量的信息。近年来,与不同的数据收集系统扩展间隔,LSTM已经成为流行。由于这一优势,赵et al。12)开发了一个LSTM模型由三个隐藏层和十个神经元使用长间隔的数据。他们设置一个适当的目标,调整参数,直到稳定的训练模型。作者还应用交通拥堵指数和分类(CI-C)模型分类的拥堵通过计算CI LSTM输出数据。大多数研究使用CI的相等的间隔划分交通拥堵状态。本研究的结果是两个间隔的自然断点和几何间隔发现提供的最新信息从信息熵。李等人。69年]应用4层100个神经元LSTM模型三维矩阵的输入。输入矩阵元素包含一个正常化的速度,缩短训练时间。消除依赖时,作者发现,随机分布的目标道路速度和优化矩阵的连接道路多降低了性能。为了消除时间依赖性的局限性,圆圆et al。79年]训练他们的模型在批处理学习的方法。实例发现从测试数据集被用来训练分类模型在网上框架。一些研究引入新的层修改LSTM模型特征提取。Zhang et al。83年)之间引入一个注意力机制层LSTM和预测层,使交通流数据序列的特征提取和捕获的交通状态的重要性。Di et al。84年]介绍了卷积LSTM模型提供一个输入形成CPM-ConvLSTM模型。所有的研究应用在一个炎热的方法将输入参数。亚当,随机梯度下降法(SGD)和漏积分回声状态网络(LiESN)有一些优化方法应用于调整结果。

一些研究结合RNN与其他算法在处理庞大的道路网络的参数。在这方面,马等。85年)应用RNN和限制玻耳兹曼机(RNN-RBM)模型networkwide时空拥堵预测。在这里,他们使用条件遏制建设提出深架构,旨在处理时间序列通过提供一个可见的层和隐层之间的反馈回路。从交通拥堵状态分析速度和代表在一个矩阵作为输入的二进制格式。此外,太阳et al。45)结合RNN的三个隐藏层,另外两个变体:LSTM和封闭的复发性单元(格勒乌)。隐藏层包括LSTM内存块的特点,和细胞状态和隐藏的状态被格勒乌合并。

随着样本容量大大增加,RNN的受欢迎程度成为当前的建模方式。RNN的短期记忆。这一特点RNN有助于模型的非线性时间序列数据。RNN的训练也是直接的,类似于多层模糊神经网络。然而,这种训练可能会变得困难,由于转换在深与多层建筑的长期依赖。长期依赖问题,LSTM变得更适合应用LSTM记得很长一段时间的信息。RNN也在其他部门的运输中的应用,例如,交通客流预测(86年),修改LSTM实时碰撞预测(87年),和道路网交通预测(88年]。

4.3.3。极端的学习机器

近年来,一种新的学习算法称为极端学习机(ELM)提出了训练单层前馈神经网络(SLFN)。在榆树,输入权重和随机分配隐藏偏见而不是详尽的调优。因此,榆树训练速度快。因此,考虑到这一优势,禁止et al。19)应用实时交通拥堵的榆树模型预测。他们确定CI使用平均旅行速度。4倍交叉验证是为了避免噪声的原始数据。发现最佳的隐藏节点模型计算成本研究的200年。本研究的一个扩展是由沈et al。78年和沈et al。89年)通过应用基于semisupervised极端学习机(kernel-SSELM)模型。这个模型可以处理未标记的数据问题,榆树和异构数据的影响。运输人员的模型集成小型标记数据和未标记的大型交通数据来评估城市交通拥堵。榆树加快了处理时间,核函数优化的整个模型的准确性和鲁棒性。然而,实时标签数据收集很昂贵的人力资源和工作时间,和专家的数量应该更拥堵状态评估。另一个修改EML被翳明等应用。20.]。他们应用不对称极端学习机器集群(S-ELM-cluster)模型对短期交通拥堵预测通过确定CI。作者划分研究区和实现子同时处理速度快。

榆树模型在处理大规模数据的优势学习在高速度。榆树标签数据更有效。标记和未标记的数据是可用的,semisupervised榆树已经显示出良好的预测精度,从研究。其他应用领域榆树包括空中交通流预测(90年),交通流预测(91年),和交通量区间预测92年]。

除了模型已经讨论过,Zhang et al。93年)提出了一种深autoencoder-based与对称的四层神经网络模型学习时间相关性的编码器和解码器的交通网络。第一个组件编码的矢量表示历史拥堵水平及其相关性。然后他们解码为未来建立拥堵水平表示。他们又用两个致密层的第二个组件;这些转换的输出解码器拥堵水平的计算一个向量表示。然而,这个过程失去信息拥塞的所有像素平均水平。这种方法需要很高的迭代,计算所有像素不管贵道路被认为是。另一项研究递归神经网络应用的普遍版本命名为递归神经网络。这两个的区别是,在复发性神经网络权重共享数据序列。而递归神经网络是一种单神经元模型; therefore, weights are shared at every node. Huang et al. [94年)应用递归神经网络算法叫回声状态网络(ESN)。该模型由一个输入层,储层网络,和输出层。储层结构连接的规则预测起源和预测地平线。为研究大型研究地区巨大的链接数量,他们简化了训练规则应用递归神经网络的复杂性。表3总结了一些研究。

5。讨论和研究空白

研究交通拥堵预测呈几何倍数增长。在两个来源,大多数研究使用固定传感器/相机数据。尽管传感器数据无法捕捉的动态流量的变化,频繁的变化源使它复杂的评估模式探测数据流(95年]。数据采集层在交通拥堵的研究中是一个重要因素。几天的小层(3)不能捕获堵塞交通的实际情况是动态的。其他的研究使用了几个月的数据显示季节性的限制(22,67年]。

周围的状况交通拥堵的一个重要因素。一些研究关注于这些因素。两项研究认为社会媒体的贡献在输入参数7,13),和五个考虑天气条件(12,13,27,34,73年]。事件,例如,国家事件,学校假期,和流行的体育赛事,在交通堵塞中扮演着重要的作用。例如,澳大利亚的墨尔本,有两个公共假日之前和期间的两个最受欢迎的体育赛事。当局关闭一些交通路线来解决交通和游行,造成交通拥堵。因此,在包括这些因素必须重视预测。

处理缺失数据在数据处理是一个挑战。完全排除各自的数据(29日),其他应用不同的方法来检索数据(59,85年),和一些替换为其他数据(45]。缺失的数据归责可以在交通工程是一个有用的研究范围。

机器学习算法,特别是DML模型,开发时间。这显示了一个明确影响实施的崛起在交通拥堵预测(图10)。

概率推理算法大多申请了预测模型的一部分,例如,地图匹配和最优特征选择数量。模糊逻辑是应用最广泛的算法在这类算法。从其他分支,安和RNN的主要应用模式。大部分的研究,应用混合或整体模型属于概率和肤浅的学习课程。只有两个研究应用混合深度学习模型在预测networkwide拥堵。表4,5- - - - - -6总结算法的优点和缺点不同的分支。

在所有DML模型,RNN更适合时间序列预测。在一些研究中,RNN表现好于CNN在不同类别交通速度之间的差距是非常小的(12,69年]。然而,由于交通拥堵领域的研究,很多新的ML算法尚未应用。

SML模型显示更好的结果比DML虽然在短期内预测交通堵塞,SML可以高效处理线性和线性在短期交通流特性有更多的贡献。所有的短期预测研究本文中讨论应用SML显示出可喜的成果。同时,DML模型显示良好的准确性,因为这些模型可以有效地处理线性和非线性特性。此外,实时交通拥堵预测承受不起高计算时间。因此,模型计算时间短在这种情况下更有效。

6。未来的方向

交通拥堵是一种很有前途的研究领域。因此,在未来有多个方向进行研究。

许多预测模型已经应用于道路交通拥堵预测。然而,新开发的预测模型,有更多范围拥堵预测更加精确。同时,在这个信息的时代,使用可用的交通数据增加了应用新开发的预测模型可以提高预测精度。

EML的semisupervised模型仅适用于模型。其他机器学习算法应该探索使用标记和未标记的数据更高的预测精度。同时,有限的研究专注于实时交通拥堵预测。在未来,研究实时交通拥堵评价应注意的问题。

另一个未来的方向可以专注于交通拥堵的程度。一些研究已经把交通拥堵分为几个州。然而,对于更好的交通管理,了解交通拥堵的年级是至关重要的。因此,未来的研究应该关注这一点。除此之外,大多数研究集中在只有一个拥堵的交通参数预测拥塞预测。这可以成为一个优秀的未来方向注意多个参数,结合结果在拥塞预测预报更可靠。

7所示。结论

交通拥堵预测从过去的几十年里获得更多的关注。随着基础设施的发展,每个国家都面临着交通拥挤的问题。因此,预测交通拥堵可以让当局计划和采取必要的措施来避免它。人工智能的发展和大数据的可用性使研究人员应用不同的模型。本文分为三个分类的方法。虽然概率模型是简单的在一般情况下,他们变得复杂而不同因素影响交通拥堵,例如,天气,社会媒体,和事件,被认为是。机器学习,特别是深入学习,在这种情况下有好处。因此,深入学习算法随着时间的推移越来越受欢迎,因为他们可以评估一个大型数据集。然而,各种各样的机器学习算法尚未应用。因此,一个巨大的机会研究领域的交通拥堵预测仍然盛行。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢皇家墨尔本理工大学和澳大利亚政府研究培训项目(RTP)财政支持。

引用

1. z史,先进的人工智能,世界科学,新加坡,2011年。
2. m . s .阿里,m . Adnan s·m·诺曼和s . f . a . Baqueri”交通拥堵成本估计的案例研究的一个主要动脉在卡拉奇,”Procedia工程卷。77年,37-44,2014页。视图:出版商的网站|谷歌学术搜索
3. w·曹和j·王”,研究交通流拥塞Mamdani模糊系统的基础上,“航会议论文集,2073卷,2019年。视图:出版商的网站|谷歌学术搜索
4. x, z, g .沈问:杨,j . Wang和张,“城市交通拥堵估计和预测基于浮动车轨迹数据,”未来一代计算机系统卷,61年,第107 - 97页,2016年。视图:出版商的网站|谷歌学术搜索
5. 问:杨,j . Wang x的歌,x, z,和张,“城市交通拥堵预测使用浮动车轨迹数据,”学报》国际会议为并行处理算法和体系结构,18 - 30页,施普林格,张家界,中国,2015年11月。视图:谷歌学术搜索
6. 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
7. t . Adetiloye和a . Awasthi”多通道大交通拥堵预测数据融合。”多通道分析下一代大数据技术和应用程序施普林格,柏林,德国,2019年。视图:出版商的网站|谷歌学术搜索
8. f, g, l .太阳x, x徐,“混合时态关联规则挖掘方法,交通拥堵预测,“计算机与工业工程卷,130年,第787 - 779页,2019年。视图:出版商的网站|谷歌学术搜索
9. j . Wang毛y, z Xiong, j . Li W.-X。王”,道路交通的可预测性和拥挤在城市地区,”《公共科学图书馆•综合》,10卷,不。4篇文章ID e0121825 2015。视图:出版商的网站|谷歌学术搜索
10. z, g .气、l . Lu和y . Chen”进行识别turn-level路口拥堵只使用低频探测车辆数据,”交通研究部分C:新兴技术卷,108年,第339 - 320页,2019年。视图:出版商的网站|谷歌学术搜索
11. k·m·纳迪姆和t . p . Fowdur实时自适应预测算法的性能分析交通拥堵,“信息和通信技术杂志》上,17卷,不。3、493 - 511年,2018页。视图:出版商的网站|谷歌学术搜索
12. h .赵x Jizhe, l .风扇l .甄和l .清泉”高峰交通拥堵预测方法基于总线驱动时间”熵,21卷,不。7,709年,页2019。视图:出版商的网站|谷歌学术搜索
13. F.-H。曾,黄永发。松林,C.-W。曾,Y.-T。杨,H.-C。曹国伟,L.-D。周”,与大数据实时高速公路交通拥堵预测,“IEEE访问》第六卷,第57323 - 57311页,2018年。视图:出版商的网站|谷歌学术搜索
14. j . d . Li Deogun、w·丁和b . Shuart”对缺失的数据归责:模糊k - means聚类方法的研究”粗糙集,计算当前的趋势美国Tsumoto, r . Słowiński j·科莫罗夫斯基,和j·w·Grzymała-Busse Eds。施普林格,页573 - 579年,柏林,德国,2004年。视图:谷歌学术搜索
15. 崔y, z, j .吴g . Zhang和x西安,“模糊c均值聚类和反对为交通拥堵识别、强化学习”信息与计算科学杂志》上,9卷,不。9日,第2450 - 2441页,2012年。视图:谷歌学术搜索
16. y z . Chen江、d .太阳和x Liu“歧视和预测城市道路网络的交通拥堵状态的时空相关性的基础上,“IEEE访问,8卷,第3342 - 3330页,2020年。视图:出版商的网站|谷歌学术搜索
17. y郭、杨l . s .,和j·高,“城市交通拥堵预警动态识别社区在异构网络中,“自然史答:统计力学及其应用卷,522年,第111 - 98页,2019年。视图:出版商的网站|谷歌学术搜索
18. a . Elfar a . Talebpour和h s Mahmassani“机器学习方法短期交通拥堵预测在连接环境中,“交通研究记录:《交通研究委员会,卷2672,不。45岁,185 - 195年,2018页。视图:出版商的网站|谷歌学术搜索
19. x禁令、郭c和g·李,“极端的学习机器的应用在大规模的交通拥堵预测,“榆树学报- 20151卷,第305 - 293页,2016年。视图:出版商的网站|谷歌学术搜索
20. x翳明,小娟,l .徐和美国,“大规模的交通拥堵预测基于对称的极端的学习机器集群快速学习方法,“对称,11卷,不。6,730年,页2019。视图:出版商的网站|谷歌学术搜索
21. 李y, y郑,C.-M。孟,z, m高,“实时预测和导航交通拥挤模型与平衡马尔可夫链,”国际期刊的分布式传感器网络,14卷,不。4、文章ID 155014771876978, 2018。视图:出版商的网站|谷歌学术搜索
22. 张平和z .钱,“以用户为中心的相互依存的城市系统:使用时段用电量的数据预测早上交通拥挤,”交通研究部分C:新兴技术卷,92年,第411 - 392页,2018年。视图:出版商的网站|谷歌学术搜索
23. p . Mishra r . Hadfi t .伊藤,“交通拥堵预测,自适应模型”学报》国际会议产业、工程和应用智能系统的其他应用程序卷,9799年,页782 - 793,盛冈,日本,2016年。视图:谷歌学术搜索
24. j . f . Li锣、y .梁和j .周“实时交通拥堵城市干道使用自适应预测数据驱动方法,”多媒体工具和应用程序,卷75,不。24日,第17592 - 17573页,2016年。视图:出版商的网站|谷歌学术搜索
25. j·f·海岬,a . Ali-Eldin s e·侯赛因s . f . Saraya和f f是“交通拥堵预测基于隐马尔可夫模型和对比衡量,“Ain Shams工程杂志,11卷,不。3,p。535年,2020年。视图:出版商的网站|谷歌学术搜索
26. 崔l . p .江l . Liu, h·李和y史,“城市交通拥堵预测采用SRBDP,”学报2017年IEEE国际研讨会上并行计算和分布式处理与应用程序和2017年IEEE国际会议上无处不在的计算和通信(当前/ IUCC)IEEE,页1099 - 1106年,广州,中国,2017。视图:谷歌学术搜索
27. l . Jiwan h . Bonghee l . Kyungmin, j . Yang-Ja”交通拥堵的预测模型使用天气数据,”学报2015年IEEE国际会议数据科学与数据密集型系统,页81 - 88年,悉尼新南威尔士,澳大利亚,2015年12月。视图:谷歌学术搜索
28. e . Onieva·洛佩斯-加西亚公元Masegosa, e . Osaba和A . Perallos”比较研究进化模糊和清晰的表现在拥塞预测基于规则的分类方法,”交通研究Procedia,14卷,第4467 - 4458页,2016年。视图:出版商的网站|谷歌学术搜索
29. 美国杨”,交通拥堵预测特征选择。”交通研究部分C:新兴技术26卷,第169 - 160页,2013年。视图:出版商的网站|谷歌学术搜索
30. x张e . Onieva a . Perallos e . Osaba和v c . s . Lee”层次与遗传算法优化模糊规则系统短期交通拥堵预测,“交通研究部分C:新兴技术,43卷,第142 - 127页,2014年。视图:出版商的网站|谷歌学术搜索
31. y, l .时新g .柯桥柯岩问:婷婷,c .张小雅,“数据科学技术应用于智能交通拥堵预测,“《先进的交通工具,2019年。视图:出版商的网站|谷歌学术搜索
32. j .扎基a . Ali-Eldin侯赛因,s . Saraya和f是“时间意识到交通拥堵预测混合隐马尔可夫模型,”在电气工程和信息学国际期刊,11卷,不。1,1卷,2019页。视图:出版商的网站|谷歌学术搜索
33. s . Jain, s . s . Jain和g . Jain”交通拥堵造型根据出发地和目的地,“Procedia工程卷,187年,第450 - 442页,2017年。视图:出版商的网站|谷歌学术搜索
34. j·金和g .王”的诊断和预测交通堵塞在城市道路网络使用贝叶斯网络,”交通研究记录:《交通研究委员会,卷2595,不。1,第118 - 108页,2016。视图:出版商的网站|谷歌学术搜索
35. W.-X。王,R.-J。郭,j . Yu”研究道路交通拥堵指数基于综合参数:以大连市为例,“机械工程的发展,10卷,不。6、文章ID 168781401878148, 2018。视图:出版商的网站|谷歌学术搜索
36. e . Onieva诉米兰,j . Villagra j·佩雷斯和j·戈”的遗传优化路口的车辆模糊决策系统,”专家系统与应用程序,39卷,不。18日,第13157 - 13148页,2012年。视图:出版商的网站|谷歌学术搜索
37. e·p·洛佩斯-加西亚Onieva, e . Osaba公元Masegosa,和A . Perallos”混合方法对短期交通拥堵预测使用遗传算法和交叉熵,”IEEE智能交通系统,17卷,不。2、557 - 569年,2016页。视图:出版商的网站|谷歌学术搜索
38. a . Daissaoui a Boulmakoul, z . Habbas“第一城市交通拥堵预测模型的规范,”美国27日国际会议微电子(ICM 2015)。摩洛哥卡萨布兰卡,页249 - 252,,2015年12月。视图:谷歌学术搜索
39. m . Collotta l . Lo贝洛,g .加索尔”小说的方法基于无线传感器网络的动态交通信号灯管理和多个模糊逻辑控制器,”专家系统与应用程序,42卷,不。13日,5403 - 5415年,2015页。视图:出版商的网站|谷歌学术搜索
40. m . b . Trabia m . s . Kaseko, m·安德”交通信号两级模糊逻辑控制器,”交通研究部分C:新兴技术,7卷,不。6,353 - 367年,1999页。视图:出版商的网站|谷歌学术搜索
41. 你们张y和z,“短期交通流预测使用模糊逻辑系统方法,”智能交通系统杂志》上,12卷,不。3、102 - 112年,2008页。视图:出版商的网站|谷歌学术搜索
42. l . h . Wang郑,x孟基于模糊逻辑的交通事故预测模型施普林格,柏林,德国,2011年。
43. y张和h . Ge”高速公路旅行时间预测使用takagi-sugeno-kang模糊神经网络,”计算机辅助土木与基础设施工程,28卷,不。8,594 - 603年,2013页。视图:出版商的网站|谷歌学术搜索
44. j .赵“交通拥堵状态,预测研究”《MATEC Web会议,Les乌里,法国,2015年。视图:谷歌学术搜索
45. 美国太阳,j·陈,j .太阳,“交通拥堵预测基于GPS轨迹数据,”国际期刊的分布式传感器网络,15卷,不。5、文章ID 155014771984744, 2019。视图:出版商的网站|谷歌学术搜索
46. y气和美国申请”,短期内的隐马尔科夫模型预测高速公路的交通状况,“交通研究部分C:新兴技术,43卷,第111 - 95页,2014年。视图:出版商的网站|谷歌学术搜索
47. b .江和范y”,交通和车辆速度与隐马尔可夫模型和神经网络预测车辆网络,”学报2015年IEEE智能车辆研讨会(IV)IEEE,页1082 - 1087年,2015年首尔。视图:出版商的网站|谷歌学术搜索
48. g .朱k歌,张平,l .王”城市道路网络交通流状态转换模型基于隐马尔可夫模型,”Neurocomputing卷,214年,第574 - 567页,2016。视图:出版商的网站|谷歌学术搜索
49. l .朱r·克里希南郭,j .波兰人和a . Sivakumar”复发的早期识别异构城市交通拥堵,”学报2019年IEEE智能交通系统会议(ITSC)IEEE,页4392 - 4397年,奥克兰,新西兰,2019年10月。视图:谷歌学术搜索
50. y y谢,k .赵太阳,和d·陈,“短期交通量预测,高斯过程”交通研究记录:《交通研究委员会,卷2165,不。1,第78 - 69页,2010。视图:出版商的网站|谷歌学术搜索
51. 美国金,x, d .王,“高速公路交通安全的评估使用高斯混合模型基于碰撞,“国际期刊的计算智能系统,4卷,不。6,1122 - 1130年,2011页。视图:出版商的网站|谷歌学术搜索
52. j .君”理解混合交通条件下的速度分布的变化引起的假日交通,“交通研究部分C:新兴技术,18卷,不。4、599 - 610年,2010页。视图:出版商的网站|谷歌学术搜索
53. s . Shiliang z Changshui, y、“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
54. g . Asencio-Cortes e . Florido A Troncoso, f . Martinez-Alvarez”一个新颖的方法来预测城市交通拥堵与整体学习,”软计算,20卷,不。11日,第4216 - 4205页,2016年。视图:出版商的网站|谷歌学术搜索
55. z朱、彭b、c熊和l .张“短期交通流预测与线性条件高斯贝叶斯网络,”《先进的交通工具,50卷,不。6,1111 - 1123年,2016页。视图:出版商的网站|谷歌学术搜索
56. 美国王、w·黄和h . k . Lo”路口十字路口的交通参数估计基于冲击波分析和贝叶斯网络相结合,“交通研究部分C:新兴技术卷。104年,22-37,2019页。视图:出版商的网站|谷歌学术搜索
57. 美国王、w·黄和h . k . Lo”结合冲击波分析和贝叶斯网络信号交叉路口的交通参数估计考虑队列spillback,”交通研究。部分C,新兴技术文章ID 102807卷,120年,2020年。视图:出版商的网站|谷歌学术搜索
58. x, k, l . Tang和x陈,“短期预测高速公路退出卷基于支持向量机和资讯,“国际运输科学与技术杂志》上,4卷,不。3、337 - 352年,2015页。视图:出版商的网站|谷歌学术搜索
59. h . x y . Liu,问:Wang张x王,“预测城市道路拥堵使用贝叶斯网络方法,”Procedia-Social和行为科学,卷138,不。C, 671 - 678年,2014页。视图:出版商的网站|谷歌学术搜索
60. t .伊藤和r . Kaneyasu“使用司机行为,预测交通堵塞”Proceedigs国际会议为基础的知识和智能信息和工程系统,马赛,法国,2017年。视图:谷歌学术搜索
61. k·库马尔,m . Parida和v . k . Katiyar“短期交通流预测非城市公路使用人工神经网络,”Procedia——社会和行为科学卷,104年,第764 - 755页,2013年。视图:出版商的网站|谷歌学术搜索
62. k·库马尔,m . Parida和v . k . Katiyar“短期交通流预测在异构条件使用人工神经网络,”运输,30卷,不。4、397 - 405年,2013页。视图:出版商的网站|谷歌学术搜索
63. r ., a . Mugal s Rajgure r . b . Adhao和v . k . Pachghare”道路交通预测和使用人工神经网络的拥塞控制,”《2016年国际会议上计算,分析和安全趋势(CAST)页52-57 IEEE,浦那(印度,2016年12月。视图:谷歌学术搜索
64. c . Jacobe de Naurois c·伯丁a . Stratulat e·迪亚兹,J.-L。Vercher”,检测和预测司机困倦使用人工神经网络模型,”事故分析和预防卷,126年,第104 - 95页,2019年。视图:出版商的网站|谷歌学术搜索
65. p·库马尔,s . p .尼噶的,n . Kumar“交通噪声建模使用人工神经网络方法,”交通研究部分C:新兴技术40卷,第122 - 111页,2014年。视图:出版商的网站|谷歌学术搜索
66. 诉Nourani h . Gokcekuşi . k . Umar h·纳杰菲,“情感的人工神经网络预测的交通噪音,”科学的环境,第707卷,第136134页,2020年。视图:出版商的网站|谷歌学术搜索
67. t . Alghamdi k . Elgazzar m . Bayoumi t·拉夫和沙,“使用arima模型预测交通拥堵,”《2019年15日国际无线通信和移动计算会议(IWCMC)IEEE,页1227 - 1232年,丹吉尔,摩洛哥,2019年10月。视图:谷歌学术搜索
68. m . Chen Yu x, y刘”相:深卷积网络对短期交通拥堵预测,“IEEE智能交通系统,19卷,不。11日,第3559 - 3550页,2018年。视图:出版商的网站|谷歌学术搜索
69. s c·李,y . Kim Jin et al .,“探索视觉分析系统、监控和预测道路交通拥堵,“IEEE可视化和计算机图形学,26卷,不。11日,第3146 - 3133页,2020年。视图:出版商的网站|谷歌学术搜索
70. 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
71. 张x f . Wang x y, y叮,,z .问:太阳,“与时空ARIMA模型预测交通量,”先进材料的研究卷,156 - 157,979 - 983年,2010页。视图:出版商的网站|谷歌学术搜索
72. l . Kui-Lin z Chun-Jie x Jian-Min,“短期交通流预测使用方法基于ARIMA和RBF-ANN”《2017中国自动化大会(CAC)济南,页2804 - 2807年,中国,2017年10月。视图:出版商的网站|谷歌学术搜索
73. 刘y和h·吴”,基于随机森林预测道路交通拥堵,”学报2017年10日计算智能和设计国际研讨会(ISCID),卷2,页361 - 364,IEEE,杭州,中国,2017年12月。视图:谷歌学术搜索
74. w·Alajali w·周,美国温家宝,y,“十字路口交通预测使用决策树模型,”对称,10卷,不。9,386年,页2018。视图:出版商的网站|谷歌学术搜索
75. m . Baltaİ。Ozceli̇k”强度模糊决策树模型在城市交通信号优化城市通过SDN VANET架构为基础,“未来一代计算机系统卷,104年,第158 - 142页,2020年。视图:出版商的网站|谷歌学术搜索
76. h .郑凌x, x, z . Chen和y徐,“自适应multi-kernel SVM与对短期交通流预测的时空相关性,”IEEE智能交通系统,20卷,不。6,2001 - 2013年,2019页。视图:出版商的网站|谷歌学术搜索
77. 刘陆和y”,为城市交通可持续发展的评价体系和生态环境基于支持向量机,”《智能与模糊系统,34卷,不。2、831 - 838年,2018页。视图:出版商的网站|谷歌学术搜索
78. 问:沈、x禁令和c .郭”城市交通拥堵评价基于内核semi-supervised极端的学习机器,”对称,9卷,不。5,70年,页2017。视图:出版商的网站|谷歌学术搜索
79. c .圆圆y Lv、李z和F.-Y。王”,长期短期记忆交通拥堵与在线公开数据,预测模型”学报2016年IEEE 19国际会议上智能交通系统(ITSC),页132 - 137,里约热内卢,巴西,2016年12月。视图:谷歌学术搜索
80. 戴马x, z, z, j . Ma和王y, y . Wang”学习交通图片:深卷积神经网络用于大规模交通网络速度预测,“传感器,17卷,不。4 p。818年,2017年。视图:出版商的网站|谷歌学术搜索
81. r·柯w·李,崔z和y王”二束多渠道卷积神经网络多车道交通速度预测考虑交通量的影响,“交通研究记录:《交通研究委员会,卷2674,不。4、459 - 470年,2020页。视图:出版商的网站|谷歌学术搜索
82. t·博尔加特公元Masegosa, j . s . Angarita-Zapata e . Onieva和p . Hellinckx”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年,第77 - 62页,2020年。视图:出版商的网站|谷歌学术搜索
83. 崔张t、y刘z, j .愣,w•谢和l .张“短期交通拥堵预测使用引起递归神经网络短期记忆,”国际会议在计算科学学报》上2019年6月,法罗,葡萄牙,。视图:谷歌学术搜索
84. x, y, c .朱y邓,赵,w . Rao,“交通拥堵预测通过时空的传播模式,”学报2019年20 IEEE国际会议在移动数据管理(MDM),页298 - 303,香港,中国,2019年6月。视图:出版商的网站|谷歌学术搜索
85. 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
86. 林z Zhene, p, l . et al .,“深卷积网格RNN的城市交通客流预测,”学报2018年IEEE SmartWorld,无处不在的智能和计算、先进和可信计算、可伸缩的计算与通信、云计算和大数据计算、互联网和智能城市创新(SmartWorld / SCALCOM / UIC / ATC / CBDCom IOP / SCI)IEEE,页1305 - 1310年,广州,中国,2018年10月。视图:谷歌学术搜索
87. 李p . m . Abdel-Aty, j .元,“实时碰撞风险预测基于LSTM-CNN干道,”事故分析和预防文章ID 105371卷,135年,2020年。视图:出版商的网站|谷歌学术搜索
88. w·香雪,x Lunhui, c·凯讯x Lunhui, c·凯讯和c·凯讯,“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,44卷,不。4、3043 - 3060年,2019页。视图:出版商的网站|谷歌学术搜索
89. 郭问:沈,x禁令,c, c .王”基于内核的semi-supervised极端学习机和应用在交通拥堵评价”榆树学报- 20151卷,第236 - 227页,2016年。视图:出版商的网站|谷歌学术搜索
90. z, a, c .太阳et al。”研究空中交通流预测基于榆树价值算法,”移动网络和应用程序,2020年1 - 15页。视图:出版商的网站|谷歌学术搜索
91. Y.-m。兴,X.-j。禁令,r·刘“短期交通流预测方法基于内核的极端的学习机器,”学报2018年IEEE大数据和智能计算国际会议(BigComp)IEEE,页533 - 536年,上海,中国,2018年1月。视图:谷歌学术搜索
92. l .林、j·c·汉德里和a . w . Sadek”区间预测基于极限学习机的短期交通量和粒子群优化”交通研究委员会第96届年度学报》上美国华盛顿特区,2017年。视图:谷歌学术搜索
93. 张,y姚明,j .胡赵y, s . Li和j .胡“深autoencoder短期交通拥堵预测神经网络的交通网络,”传感器,19卷,不。10,2229年,页2019。视图:出版商的网站|谷歌学术搜索
94. z d .黄邓,广域网,b Mi,和y . Liu”识别和预测城市交通拥堵通过cyber-physical链接优化,“IEEE访问》第六卷,第63278 - 63268页,2018年。视图:出版商的网站|谷歌学术搜索
95. 诉Ahsani m . Amin-Naseri s .灯笼裤,a . Sharma”定量分析调查数据的特点:报道,速度偏差和拥塞检测精度,”智能交通系统杂志》上,23卷,不。2、103 - 119年,2019页。视图:出版商的网站|谷歌学术搜索
96. s . j . Kwon人工神经网络Nova科学出版社,纽约,纽约,美国,2011年。
97. 刘y, z, r·贾”DeepPF:深入学习基础架构地铁客流预测,“交通研究部分C:新兴技术卷。101年,18 - 34岁的2019页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Mahmuda艾克塔和莎拉Moridpour。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。