动态车辆路线指导使用流量预测信息

文摘

我们提出一个动态车辆与交通预测改进路由算法的路由性能。我们的算法的主要思想是使用实时以及预测交通信息中心提供的路由控制器。为了评估性能,我们开发一个microtraffic模拟器提供公路网络创建的地图,路由算法和车辆从起源到目的地取决于交通状况。性能评估新定义的指标,揭示了旅行时间分布更准确地比平均旅行时间的常用指标。我们的仿真结果表明,预测的动态路由算法优于静态和动态没有预测的路由算法在不同交通状况和道路配置。我们还包括交通场景并不是所有车辆符合我们与预测的动态路由策略,结果表明,超过一半的利益新的路由算法实现即使只有30%的车辆遵守。

1。介绍

最近的数据表明,在大城市,交通状况继续恶化与浪费时间,增加额外的燃料成本,还有旅行的不可靠性,例如,到达目的地所需的额外的时间(1]。智能交通系统(ITS)试图解决这个问题通过利用信息技术的进步,例如,根据交通状况动态控制交通信号灯和路由车辆使用当前的和历史的交通信息。

智能交通系统是物联网的主要应用技术(物联网),衡量交通条件使用各种传感器包括摄像头回路探测器,和移动设备,然后收集交通数据通过沟通渠道和股票的数据在道路上的车辆和道路设施,例如,交通信号灯和计量。一些商业平台支持物联网体系结构已经进入市场2,3)和无线通信技术先进,汽车已经成为汽车传感器平台和互联网的一个重要元素,代表实例化的物联网4]。物联网的技术开发和大规模的就业也引入新的服务和使现有的服务更可靠和更复杂的。一个例子是智能车辆导航服务计算出行时间最小的路径或最经济路径基于实时交通信息,而不是传统的最短路径。

具体地说,我们认为本文收集的情况目前的交通信息中心车辆使用车载导航系统路由系统,流量传感器部署在道路网络,和其他应用程序。最短路径的路由系统然后计算给定术语叫做(OD)对单个车辆和发送请求的每辆车的路线。这样一个系统可以重新路由更新的道路交通状况仍然是可用的(5,6]。

对于这样一个中央车辆路由系统有效运作,它将预测交通信息是至关重要的。否则,交通路由将遭受不稳定问题;即道路段几乎没有交通可以迅速变成一个严重拥挤的部分尽可能多的车辆路径路由或这条路段在同一时间。这是由于系统计算每辆车的最短路径独立使用当前交通状况不考虑并发其他车辆路由。换句话说,出现不稳定主要是因为每辆车回应相同的交通状况缺乏了解其他车辆。

在这项工作中,我们表明,预测交通信息对提高道路效率很重要。我们开发一个路由算法称为动态预测,定期将所有车辆路由基于当前和预测交通状况。中央路由系统收集所有车辆到达的请求路由节点(十字路口)和随机排列的顺序优先级的请求。从最高优先级为最低,中央路由系统计算新航线考虑实时交通信息和预期流量变化对链接的车辆将被优先考虑。我们比较动态预测与另外两个路由策略,即静态和动态。静态路由,车辆跟随的路线计算最初没有变化,在动态,车辆路线定期像动态预测,但只有使用当前的交通状况。

我们开发一个微程序级交通模拟器和用它来评估与预测的动态路由的性能。模拟器由一个地图的创造者,交通生成器,一个路由控制器,汽车模拟器和性能评估者。虽然有几种microtraffic模拟器商业或研究目的(例如,VISSIM [7],VISSUM, CORSIM [8]),他们并不适合测试我们的路由算法主要是由于他们僵化的路由策略。我们使用OpenStreetMap (9)来创建一个实际的地图和解析映射到仿真提取我们需要的信息。

平均旅行时间,所有车辆的平均时间从来源到目的地,普遍用于绩效评估(10,11]。然而,这个指标不能有效地揭示旅行时间的变化,对个别司机的经验可能更重要。例如,平均旅行时间可以是相似的在两个截然不同的情况下对行程时间分布。我们开发一种新的衡量标准,抓住整个车辆的出行时间分布基于这个度量和评估性能。我们的结果表明,动态预测相比,有效地减少了旅行时间下的静态和动态工艺路线不同的交通状况。

本文的其余部分组织如下。部分2制定我们的问题并讨论相关工作。部分3讨论我们的模拟器的细节,和部分4介绍了三种路由算法,我们开发和比较。部分5定义了绩效评估指标。部分6礼物结果及其分析其次是结论和未来的工作7。

2。相关工作

车辆路线指导处理分配每个车辆最优路径问题,从它的起源到目的地。这个问题的最优性是定义在几个标准,例如,最短路径,最短的时间,最少的使用当地的路径。传统的路由算法嵌入在车辆导航系统只用道路网络功能和发展考虑实时交通信息在一定程度上由于广播网络如轻拍在欧洲和韩国DMB [12,13]。最近的导航软件运行在移动平台和接收路由更新定期从中央在蜂窝网络通信中心(14,15]。而实时交通信息和历史数据都是用来计算这些路由更新,个别路由决策的影响对整体系统的稳定性并不考虑和研究。

在文献中,尝试设计路线指导策略,有效地寻找最短路径得到OD对的同时达到稳定当公路网络和动态变化。克拉斯et al。10)开发一个分散式路由制导系统预期车辆路径路由根据当前车辆的交通信息以及预测。他们的系统是仿照在蚁群的觅食机制使用信息素的食物。多重代理部署在车辆、基础设施和中央服务器,他们收集和沟通交通信息来计算给定OD对的最佳路径。大多数文献动态路由系统没有显示交通预测是如何获得的细节或路由算法如何处理交通预测。有一些动态路由算法接收交通预测作为输入,但预测是基于交通流模型、交通历史16,17]。

最常用的是Dijkstra算法和路由算法算法。一个根本的问题是他们非常高时间复杂度(十字路口)网络中节点的数目增加。Jagadeesh这位et al。18)使用分层路由减少时间复杂度并提出一个简单的启发式方法,补偿精度损失质量路线,这是不可避免的在分层路由。出于同样的问题、歌曲和王19)也使用分层路由,而是专注于可伸缩性降低重型预先计算,存储和查询成本。他们使用最近发现方面的网络拓扑结构,特别是层次社区,将网络分解和快速设计的启发式搜索。同时降低路由算法的计算复杂性是很重要的,重路由的交通状况动态变化是另一个关键的挑战。已经有几次试图解决这样的问题用不同的方法包括动态规划、遗传算法和分层路由(20.- - - - - -22]。金等人表明,动态路由欺骗决心可以建模为一个马尔可夫过程,提出识别程序可以删除不必要的交通数据的路由决策。使用他们的方法,我们可以选择性地只使用巨大的实时交通数据的一个子集在路线选择;否则,处理所有输入数据的计算挑战。

预测交通状况已经调查作为其研究的一个重要问题。Lv等人,黄等人采用深度学习方法和架构(23,24预测交通流量。Abadi et al。25)提出一个交通流预测算法与当前的要求,历史数据和实时数据基于有限估计动态叫做矩阵和模拟。最近的工作在交通流预测或预测中可以找到23,26]。我们最好的知识,然而,使用的交通预测方法在文献中做的工作提供整个系统的最优路线指导。

3所示。交通模拟器

在本节中,我们讨论我们的方法创建一个地图,运行一个实验,和建模的道路和车辆运动模拟器。

3.1。地图创建

模拟的第一步是创建一个地图,一辆车从源移动到目标通过十字路口。我们认为地图作为一个图,在那里是一组节点和是一组边缘。一个节点表示一个十字路口交通灯系统在操作,和一个边缘代表一个公路段来在道路网。我们的模拟器读取地图作为一种图像并将其转换成一个邻接链表,这是一个数据结构通常用于表示图。这张地图创建过程自动化的一个主要挑战是,这样用户不需要手动创建一个复杂的地图,这是繁琐和费时;例如,用户需要手动输入地图信息与CORSIM [8]和VISSIM [7]。我们使用OpenStreetMap (9为了这个目的。开放地图的帮助下,我们可以抓住一个感兴趣的领域的地图图像转化成一个XML文件。然后我们解析XML文件过滤不必要的信息(例如,商店和加油站)只留下我们所需要的信息,如十字路口和路段之间的十字路口。我们可以提取每个链接的属性和节点包括车道的数量,一个链接的距离,甚至速度限制。解析后,我们的预处理器将简化XML文件转换成目标邻接链表。地图创建的预处理步骤在图进行了总结1。

在我们的模拟中,我们使用一个真正的地图拓扑,而不是人为的,也就是说,在纽约罗切斯特地区,美国,如图2。

3.2。模拟器结构

我们的模拟器在离散时间的基础上运行,是建模为报时信号。事件发生在每次蜱虫等车辆运动,把十字路口,再计算他们的路线,改变他们的下一步行动,离开起源,到达目的地。当然,这个时间点值代表挂钟时间参数化改变根据时间尺度的模拟,例如,1点1秒在我们的实验。整个算法中给出了模拟器结构1,在那里是一组车辆在路上的时间吗和元素的数量吗。

3.3。道路和车辆运动建模

一个十字路口,两个路口之间的街道被建模为一个节点和链接图,分别。到达十字路口车辆可以在三个方向进行;也就是说,它可以向左转,直走,右转。在现实世界中,车辆直接或转左/右红绿灯后,虽然没有交通灯控制存在于模拟器。每个方向维护一个队列,进入的车辆等待着。因为没有提供交通灯控制,车辆在队列可以移动到下一个道路段每滴答声。然而,如果接下来的道路段经历交通拥堵,也就是说,没有一辆车进入的空间,车辆需要等待导致延迟的十字路口。在这种情况下,延迟是当车辆到达的时间排队车辆离开十字路口时。

一段路有三个主要特性:距离,车道的数量和容量。道路段的容量被定义为在运输过程中车辆的数量,可以计算距离和车道的数量的产品。不同的道路段有不同的能力。例如,高速公路高容量主要是由于长途,市中心的道路段在市区有高容量由于大量的车道,和当地公路低容量由于短距离和少量的车道。

存在一些车辆模型在文献[27),这些模型可以用来跟踪每辆车的位置在路上。然而,为了简单起见,我们使用车辆移动规则而不是基于交通状况。车辆的速度在路上段是由 在哪里和速度限制和最低的速度段,分别是一个常数在0和1之间,的数量之间的比率是当前车辆和车辆的最大数量的公路段可以容纳用吗,依次计算 在这道路段的长度,车道的数量,是一辆车的平均长度,平均进展。车辆的速度的一个例子是图所示3。

4所示。路由控制器

使用地图、道路和车辆运动定义之前,我们在本节设计路由控制器。我们首先讨论如何旅行时间估计,然后提供的细节我们的路线指导算法。

4.1。旅行时间估计

两种类型的延迟出现车辆旅行:推迟旅行到另一个地方,从一个路口延迟等在一个十字路口。后者是很难衡量,因为这取决于交通信号与概率特征。在这个研究中,我们只关注延迟道路段(前者,也称为链接延迟)的路线指引,而后者将在未来处理工作。具体来说,我们估计延迟在链接如下: 在哪里的长度是,即距离来,是一辆汽车的速度计算出的链接(1)。

4.2。路线指导

这个估计链路延迟,我们的路线指导机制引导每个车辆目的地沿着高质量的路径。我们假设一个中央服务器拥有整个地图信息包括车辆位置,延迟在十字路口和路段车辆和计算路径。车辆离开原点之前,车辆发送路由请求到服务器,进而计算从原点到目的地的最短路径。车辆可能中间路线的旅行。我们使用一个著名的单源最短路径算法如Dijkstra算法或bellman算法(28为路由。

我们正式定义网络状态所有链接的列向量延迟。让我们考虑一个道路网络三个顶点,,和相应的边缘,如图4。然后在时间状态是,在那里是延迟来作为时间的函数代表了交通网络的动态特性。我们使用和比较的三个路由策略详细描述在接下来的路线指导。

(我)静态路由。有一辆OD对生成的时间,我们发现从原点到目的地的最短路径。这辆车不会改变,直到它到达目的地的路线。

(2)动态路由。定期与静态路由不同,我们将所有车辆。当车辆到达十字路口时,它是把基于当前流量条件为代表。这重路由通过旅行,直到重复在每一个十字路口车辆到达目的地。

(3)动态路由与预测。动态路由的一个潜在缺点是其有限的知识对未来网络状态,因为它只利用当前的交通信息当车辆绕行。所以,所有车辆到达相同的目的地相同的十字路口将被引导到相同的链接,这些链接可能导致交通堵塞。减轻这种问题的一种方法是考虑网络状态的时间,,当车辆路由。换句话说,动态路由扩展将预测信息。与其他研究不同交通状况的动态路由算法预测统计上很长一段时间,例如,30分钟或1小时,我们的算法对应于时的情况。预测在多个蜱虫(预测时间范围成正比)不是必要的,因为我们将所有车辆在每一个勾。没有保证车辆将旅游作为预测后多个滴答流逝。他们将收到新航线计算使用更新后的交通状况。

在时间优先顺序是随机生成的,每辆车到达十字路口。让是汽车的数量会在时间。我们定义一个函数映射的整数来随机安排车辆id。车辆与ID路线,车辆路线变更第二,然后是汽车吗路线。随机函数在每一次都是不同的吗。

当第一个车辆路线的一个链接连接到当前节点,这个链接将被车辆。这种预测时考虑第二车辆路线。第二次变更完成后,另一个变化是预测的链接到第二个车辆引导。第二车造成的变化以及第一车辆时考虑第三汽车路线,和这一过程持续进行直到所有车辆被转发。这意味着公路段将被改航汽车已经惩罚当未来车辆路线,所以惩罚道路车辆路线选择的几率较低。

预测的动态路由的伪代码是在伪代码描述1,在那里是所有车辆到达某些节点的集合,表示当前交通状况的状态向量,然后呢是一个临时状态向量,考虑先前的路线的车辆造成的预测未来的交通状况,。

5。性能指标

大多数智能交通控制系统使用的平均时间从出发到所有车辆的到来。具体来说,度量是由广泛使用 在哪里车辆的数量和吗旅行时间的吗车辆。这一指标,然而,不提供交通状况,个人车辆经验准确。为例,假设三个汽车旅行如表所示1。三辆车的平均旅行时间是1小时。然而,车辆# 1有经验的重交通,而车辆# 2和# 3。它可以告知车辆# 2旅行没有任何交通中断。然而,指标(4)不通知这样的个人经验。

出于这个缺点,我们开发一种新的性能指标更准确地评估交通状况。我们的指标被定义为 在哪里是测量车辆行程时间,是一个参数,预期的最短旅行时间的车辆,也就是说,由车辆旅行时间从原点到目的地的最短路线没有任何交通中断。

这个指标的一个解释是,更高性能越好,给一个固定的吗。例如,如果路由算法给出了一个更高的比例测量的车辆旅行时间小于或等于120%的预计最短旅行时间比路由算法B,然后更多的车辆通过算法比算法B完成他们的旅行在长时间的20%。注意,传统的平均旅行时间指标(4)不讲述这样一个旅行时间的分布。

当然,而不是车辆的百分比值满足(5),我们可以计算作为改变的百分比值。在这种情况下,对于一个固定的百分比值,小值意味着更好的性能。例如,算法执行比算法B如果算法给50辆满意(5),和算法B给50辆总共100辆。在这种情况下,车辆在更少的时间比算法旅行后跟踪算法B相同数量的车辆。

为了便于计算,我们定义对于一个汽车作为 与,现在被计算为 此外,我们定义 请注意,类似的平均旅行时间(4)大(小)对应于大(小)平均旅行时间。此外,一个大建议交通拥挤在模拟条件下,哪一个简单的平均旅行时间不提供任何信息。

6。仿真结果

我们比较部分中讨论的路由策略的性能4使用发达交通模拟器。结果分析了基于度量提出了部分5。

6.1。车辆生成率

我们首先检查路由策略最小化对不同的车辆生成率。在这个实验中,我们使用一个罗切斯特地图337十字路口的一部分,共有20000辆汽车。车辆产生率从1到10每个采样时间不等。仿真开始时,首先车辆离开原点和结束时生成的车辆到达目的地。结果总结在表2。作为一个例子,使用动态预测时是当车辆产生率5 53.75%。这意味着53.75%的车辆到达目的地,也就是说,只有不到110%的旅行时间最短的预期。结果表明,的值减少总体上随着车辆产生率高(从1到10),这表明更多的车辆到达目的地。这是因为更多的车辆被添加到交通一个固定的时间随着速率的增加。

这些结果也在图以图形方式描述5。注意,更多的车辆到达目的地接近最短旅行时间和更高值。在图中,所有的算法执行同样光流量条件下不管,而动态预测优于其他两个在交通拥挤的情况下,例如,当车辆生成率是7到10。

此外,我们计算(类似于平均旅行时间)路由策略和比较在相同流量条件如表3。就像与预测、动态显示最低的值在交通拥挤的条件下,所有的三个算法的行为同样当路上车辆不多。较高的车辆生成率,静态和动态的算法比这更突然增加的动态预测,如图6。它可以解释为动态预测结果在较低的平均旅行时间和低更健壮的动态变化的交通状况。

6.2。地图拓扑

我们的路由策略还测试了五种不同的地图更可靠的性能评估。具体来说,十字路口在地图的数量是79,144,199,255,到337年,罗切斯特的不同区域地图包含各种数量的十字路口。在图7,结果()绘制相对较轻和交通拥挤的情况下,当车辆产生率在图107(一)速度是20在图7 (b)。

在图7(一)与预测算法,动态展示最低所有的地图,但路口的数量等于255。在图这一趋势更明显7 (b)交通拥挤发生的地方。我们观察到所有的算法具有高表现不佳和静态收益率略低比其他两个路口的数量等于255。虽然这个局外人并不清楚原因,我们推测某些属性映射拓扑影响性能。

的结果和也为相同的数据集在图绘制吗8。我们可以看到,和与预测算法的动态高于其他所有的地图包括十字路口的数量等于255,这个观察更为明显在交通拥挤。

6.3。共存的路由策略

在实践中,不太可能所有的车辆在一个特定的地区采用新路线导航系统完全同时,更不用说说服所有的司机遵守路由指南。因此,它是重要的对于我们的系统逐步部署,不要破坏现有的系统,但逐步提高整体性能。了解我们如何路由策略与他人共存,我们测量在不同的合规水平。我们定义了一个合规水平车辆的百分比决定路由指南。我们假设其余的车辆使用的静态算法的路由;通过最佳途径,这些车辆驱动在出发和不符合中央路由控制器提供的重路由决策。在这个实验中,我们使用的地图337十字路口车辆20000辆的速度生成5 /抽样。注意,其他情况下表现出类似的趋势。

在图9,车辆使用预测的动态路由的结果说明合规水平变化从0%降至100%。10模拟的结果与不同的随机种子。0%的情况表明,所有车辆都遵循静态路由算法,而100%的情况意味着所有车辆符合动态预测。在图中,高(略小于2)当合规水平和单调减少随着级别的增加0%到100%(小于0.5)。更有趣的是,大幅下降约30%的合规水平暗示已经发生的旅行时间减少一半以上。几乎所有的旅行时间减少50%的发生在合规管理水平。这个结果表明高潜力预测的动态路由算法,结果表明该算法可以部署效率更高的路即使不是所有的车辆配备了新的路由指南,即使不是所有的司机遵守指导。

7所示。结论和未来的工作

我们已经表明,交通路由可以受益于使用预测信息,因为它有助于减少旅行时间和提高道路效率基于模拟研究。我们提出一个交通路由算法,利用当前和将来使用已经路由车辆交通状况。这种路由算法的性能评估通过模拟在不同交通状况包括光和交通拥挤和小大面积的道路网络。我们的结果表明,该算法优于其他的更传统的成功,也可以减少旅行时间即使不是所有的车辆符合算法的指导。

这项研究有一些局限性包括在模拟器上做出的假设,例如,十字路口的交通灯控制。更现实的模拟可能与交通灯控制、车辆动力学、车道改变规则,和路由算法,考虑交叉口延误。这种模拟肯定会有助于更准确地评估算法。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

作者要感谢Kuangwei张对他有价值的贡献,帮助开发最初模拟器。这项研究的部分支持由GRL程序(2013 k1a1a2a02078326)和BSR程序(NRF - 2013 r1a1a2058304)通过NRF的韩国,在部分程度上是由于IITP授予由韩国政府资助(b0101 - 15 - 0557)和部分Hanbat国立大学于2011年。

引用

1. d .双门衣柜b会怎样,t·洛马克斯,”创科实业2012年城市流动报告,”技术。代表,德州农工大学交通研究所,2012年。视图:谷歌学术搜索
2. 英特尔、英特尔®车载解决方案:短暂,“http://www.intel.com/content/www/us/en/embedded/automotive/in-vehicle-solutions-platform-brief.html。视图:谷歌学术搜索
3. IBM,“物联网汽车”,http://www.ibm.com/analytics/us/en/industry/automotive/iot-for-automotive/。视图:谷歌学术搜索
4. m . Gerla E.-K。李,g .加索尔,李,“互联网的汽车:从智能电网自动汽车,车辆的云,”《IEEE世界物联网论坛(WF-IoT 14)246年,页241 - 2014年3月韩国,首尔。视图:出版商的网站|谷歌学术搜索
5. 谷歌地图,谷歌http://maps.google.com。
6. LOCNALL Inc, Kimgisa导航,http://www.kakao.com/services/67。
7. PTV Planung运输、PTV VISSIM,http://vision-traffic.ptvgroup.com/en-uk/products/ptv-vissim/。
8. TSIS-CORSIM McTrans中心,佛罗里达大学,http://mctrans.ce.ufl.edu/featured/tsis/。
9. 公开,公开:免费维基世界地图,http://www.openstreetmap.org。
10. r·克拉斯、t . Holvoet和d . Weyns”的分散方法先行使用委托可替换主体系统,车辆路径”IEEE智能交通系统,12卷,不。2、364 - 373年,2011页。视图:出版商的网站|谷歌学术搜索
11. Leontiadis, g . Marfia d·马克加索尔,c . Mascolo和m . Gerla”有效性的车载网络的机会主义的交通管理系统,“IEEE智能交通系统,12卷,不。4、1537 - 1548年,2011页。视图:出版商的网站|谷歌学术搜索
12. WorldDAB,数字广播车,http://www.worlddab.org/technology-rollout/digital-radio-in-car。
13. 黄懿慧宋和w·w·金”,小说TPEG申请使用terrestrial-DMB基于位置的服务,“IEEE消费类电子产品,52卷,不。1,第286 - 281页,2006。视图:出版商的网站|谷歌学术搜索
14. SK行星,“T-map”,http://www.tmap.co.kr。视图:谷歌学术搜索
15. Verizon Wireless, VZ导航器,http://www.verizonwireless.com/wcms/consumer/products/navigator.html。
16. z梁和y Wakahara实时的城市交通总量预测模型对动态路线导航系统,”EURASIP无线通讯和网络》杂志上第85条,卷。2014年,2014年。视图:出版商的网站|谷歌学术搜索
17. c . d .公园,h . Kim Lee和k·李,“韩国定位动态路径诱导系统:系统设计、算法和初步结果,“KSCE土木工程杂志》上,14卷,不。1,51-59,2009页。视图:出版商的网站|谷歌学术搜索
18. g . r . Jagadeesh这位、t . Srikanthan和k·h·奎克“启发式技术加速等级道路网络,路由”IEEE智能交通系统,3卷,不。4、301 - 308年,2002页。视图:出版商的网站|谷歌学术搜索
19. 问:王歌,x”,有效使用分层路由在大型公路网络社区,”IEEE智能交通系统,12卷,不。1,第140 - 132页,2011。视图:出版商的网站|谷歌学术搜索
20. m . k . Mainali k .岛田s麻布和k . Hirasawa”公路网络的最优路径动态规划”程序的国际联合会议上神经网络(IJCNN 08年)2008年6月,页3416 - 3420。视图:出版商的网站|谷歌学术搜索
21. s . y . Wang麻布,孟,m . k . Mainali和k . Hirasawa”多个ODs使用遗传算法对交通系统的路由算法,”《IEEE 10国会对进化计算(CEC),页1 - 8,巴塞罗那,西班牙,2010年7月。视图:出版商的网站|谷歌学术搜索
22. m . k . Mainali s麻布,k . Hirasawa“分层有效的路线在公路网规划,”《IEEE国际会议系统,人,控制论(SMC的11)安克雷奇,页2779 - 2784年,阿拉斯加,美国,2011年10月。视图:出版商的网站|谷歌学术搜索
23. 段y, y Lv w·康z李,F.-Y。王”,交通流量预测与大数据:深度学习的方法,”IEEE智能交通系统,16卷,不。2、865 - 873年,2015页。视图:出版商的网站|谷歌学术搜索
24. 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
25. a . Abadi t Rajabioun, p . a . loannou“有限的交通流预测道路交通网络流量数据,”IEEE智能交通系统,16卷,不。2、653 - 662年,2015页。视图:出版商的网站|谷歌学术搜索
26. 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,3-19,2014页。视图:出版商的网站|谷歌学术搜索
27. m . Treiber和a *交通流动态:数据、模型和仿真施普林格,柏林,德国,2013年。视图:出版商的网站|MathSciNet
28. t·h·科尔曼、c . e .雷瑟尔森r·莱维斯特和c·斯坦,算法导论美国剑桥,麻省理工学院出版社,质量,第3版,2009年版。视图:MathSciNet

版权

版权©2016 Kwangsoo金等。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。