• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      智能交通短時預(yù)測方法綜述

      2022-02-28 22:39:21任正平黃文博
      交通科技與管理 2022年3期
      關(guān)鍵詞:預(yù)測方法智能交通

      任正平 黃文博

      摘要 智能交通系統(tǒng)作為工業(yè)物聯(lián)網(wǎng)最重要的應(yīng)用之一,旨在提高交通網(wǎng)絡(luò)的效率和安全性。文章回顧了當(dāng)前面向智能交通的研究工作,分析了當(dāng)前研究的重點方向和挑戰(zhàn),對當(dāng)前的交通預(yù)測方法進行分類,給出兩種不同類型的預(yù)測模型的預(yù)測結(jié)果,最后提出了智能交通預(yù)測領(lǐng)域中潛在的研究方向。

      關(guān)鍵詞 智能交通;系統(tǒng)框架;預(yù)測方法

      中圖分類號 U491.112 文獻標(biāo)識碼 A 文章編號 2096-8949(2022)03-0001-030 引言

      由于我國交通設(shè)施和交通環(huán)境的具體國情和世界上多數(shù)發(fā)達國家存在差異,國外在智能交通管理系統(tǒng)(ITS)方面的研究偏重于高速公路路網(wǎng),而在大規(guī)模城市地面路網(wǎng)方面的研究成果較少,缺少相應(yīng)的能夠參考和借鑒的成果。因此,需要研究適合我國大型城市路網(wǎng)的ITS。

      ITS的核心技術(shù)是短時交通預(yù)測算法。交通系統(tǒng)是復(fù)雜的時變系統(tǒng),具有高度的不確定性和非線性特征,交通數(shù)據(jù)也有著周期性、突發(fā)性等特點。短時交通預(yù)測是根據(jù)當(dāng)前或歷史信息預(yù)測幾分鐘或幾小時后的情況[1],相較于中長期預(yù)測,短期預(yù)測的影響因素更多,更加難以預(yù)測??梢詫⒅芷谛宰兓醋髦虚L期預(yù)測需要做的預(yù)測,而短期預(yù)測則是要考慮到突發(fā)狀況,而突發(fā)性狀況需要根據(jù)近期交通數(shù)據(jù)進行預(yù)測。由于ITS用于實時管理交通狀況,因此短時交通預(yù)測算法應(yīng)具有以下特點:

      (1)實時性。由于是短時預(yù)測,因此算法需要有快速計算能力。

      (2)準(zhǔn)確性。ITS一般用于動態(tài)路徑誘導(dǎo),不準(zhǔn)確的預(yù)測會使使用者喪失信息,預(yù)測也失去了意義。

      (3)可靠性。交通狀況受到的影響因素很多,比如事故、臨時交通管制等等,而交通數(shù)據(jù)本身由于采集技術(shù)的原因也可能不完整或不準(zhǔn)確,因此,短時預(yù)測算法需要有很強的抗干擾能力。

      針對當(dāng)前短時交通預(yù)測中存在的問題,從影響交通數(shù)據(jù)切入,分析影響交通狀態(tài)的因素,梳理并分析當(dāng)前常用的預(yù)測算法的性能、特點及存在的問題,結(jié)合交通數(shù)據(jù)的三個特點,給出最合適的交通預(yù)測方法和研究方法架構(gòu)。

      1 系統(tǒng)框架

      研究地面主干路網(wǎng)交通短時預(yù)測與報警的系統(tǒng)化方法,包括數(shù)據(jù)與處理、數(shù)據(jù)預(yù)測、應(yīng)用等流程,為后續(xù)研究形成一套可應(yīng)用的方法架構(gòu)。其架構(gòu)如圖1所示。

      整個地面主干路網(wǎng)交通短時預(yù)測與報警研究主要分為五個階段:

      (1)數(shù)據(jù)獲取階段。根據(jù)從當(dāng)前研究現(xiàn)狀中了解到的交通短時預(yù)測的影響因素,首先獲取相關(guān)數(shù)據(jù)。數(shù)據(jù)主要包括磁感線圈、GPS等探測數(shù)據(jù),也是進行預(yù)測的主數(shù)據(jù),包括速度、流量等。

      (2)數(shù)據(jù)預(yù)處理。數(shù)據(jù)的質(zhì)量直接影響預(yù)測算法的精確度,但直接采集到的數(shù)據(jù)質(zhì)量較差,存在噪聲、數(shù)據(jù)缺失等情況,需要對采集到的數(shù)據(jù)進行濾噪、數(shù)據(jù)補全等處理,將數(shù)據(jù)處理成可以使用的高質(zhì)量數(shù)據(jù)。常用的提高數(shù)據(jù)質(zhì)量的方法有小波變化、使用相近數(shù)據(jù)補全、多源數(shù)據(jù)融合等。不同的算法也需要不同的數(shù)據(jù)形式,聚合是對速度、占有率和交通流等采集數(shù)據(jù)的處理,濾波和差分是將交通數(shù)據(jù)轉(zhuǎn)換為平穩(wěn)數(shù)據(jù)的技術(shù),特征提取是某些算法為提高效率對交通數(shù)據(jù)進行降維處理。

      (3)使用短時預(yù)測算法預(yù)測交通狀態(tài)。短時預(yù)測算法是地面主干道路網(wǎng)短時預(yù)測與報警技術(shù)的核心。目前使用的算法主要包括四類:簡單算法(又叫簡單技術(shù))、參數(shù)化技術(shù)、非參數(shù)化技術(shù)和混合技術(shù)。每種技術(shù)都有其優(yōu)缺點,目前最常用的是ARIMA系列和LSTM相關(guān)的混合技術(shù)。每種算法都有其優(yōu)缺點,針對不同的數(shù)據(jù)和目的可選用不同的算法。該文對這些算法的特點進行研究,結(jié)合大城市地面交通的特點進行相應(yīng)的改進,最終得到更加適用的算法。

      (4)功能?;谶@些預(yù)測算法可以產(chǎn)生許多應(yīng)用,如交通流量、速度和占有率預(yù)測、突發(fā)事件預(yù)警、事故風(fēng)險預(yù)測、行程時間估計等。這些功能是ITS等系統(tǒng)的核心。

      (5)系統(tǒng)。通過對這些功能的集成可以實現(xiàn)如ITS、ATIS等系統(tǒng),應(yīng)用到現(xiàn)實中。最終達到協(xié)助交通管理部門進行決策,高效有序地管理交通的目的。

      2 預(yù)測方法分類

      目前的預(yù)測算法分為四類:簡單算法、參數(shù)化技術(shù)、非參數(shù)化技術(shù)和混合技術(shù),其結(jié)構(gòu)如圖2所示。表1詳細分析了各種算法的適用范圍和優(yōu)缺點。

      分析表1可以發(fā)現(xiàn),單個預(yù)測算法中,LSTM最適合對短時交通數(shù)據(jù)進行短時預(yù)測,將其發(fā)展為深度神經(jīng)網(wǎng)絡(luò)精確度將更高。當(dāng)前對LSTM的改進為加入時空關(guān)系,提升了預(yù)測精度。但是隨著精確度的提高,模型越來越復(fù)雜,時間復(fù)雜度也越來越高,訓(xùn)練模型花費的時間也越來越多。相反,ARIMA模型的精確度不高但簡單、易于構(gòu)建,實時性較好。

      組合模型是多種種算法進行組合預(yù)測,基本為聚類、粒子群、遺傳算法、交叉熵算法、非參數(shù)模型和參數(shù)模型之間的組合。其中,聚類可以分析道路網(wǎng)之間的時空關(guān)系,粒子群、遺傳算法、交叉熵算法常用來優(yōu)化模型參數(shù)。為提高復(fù)雜模型的訓(xùn)練效率,將特征提取算法如PCA與其他模型結(jié)合。

      3 預(yù)測案例

      利用從上海交通中心獲取的2017年5月1號到2017年8月31號之間的交通速度數(shù)據(jù),分別使用了ARIMA和LSTM進行了預(yù)測,速度數(shù)據(jù)時間間隔為2 min。

      ARIMA 差分整合移動平均自回歸模型,又稱整合移動平均自回歸模型(移動也可稱作滑動),時間序列預(yù)測分析方法之一。ARIMA(p,d,q)模型可以表示為公式(1)。其中p為自回歸項數(shù),q為滑動平均項數(shù),d為使之成為平穩(wěn)序列所做的差分次數(shù)(階數(shù))。L是滯后算子。

      (1)

      使用數(shù)據(jù)集中某一天的速度數(shù)據(jù)進行預(yù)測,其結(jié)果如圖3~4。從圖中可以直觀發(fā)現(xiàn),預(yù)測精度較高。

      LSTM是一種時間循環(huán)神經(jīng)網(wǎng)絡(luò),適合處理和預(yù)測時間序列中間隔和延遲非常長的數(shù)據(jù)。作為非線性模型,LSTM可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)。該文使用數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)為訓(xùn)練集訓(xùn)練模型,使用訓(xùn)練好的模型預(yù)測交通速度,直觀發(fā)現(xiàn)精度較高。

      4 總結(jié)

      交通狀況影響因素很多,早期預(yù)測模型可以有效預(yù)測單一數(shù)據(jù)的變化,但在城市交通中,道路復(fù)雜,不能僅針對某一路段的歷史數(shù)據(jù)進行預(yù)測。神經(jīng)網(wǎng)絡(luò)模型可以有效捕捉復(fù)雜情況下的特征,是以后智能交通系統(tǒng)中的重要組成技術(shù)。

      參考文獻

      [1]Kehagias D,Salamanis A,Tzovaras D. Speed pattern recognition technique for short-term traffic forecasting based on traffic dynamics[J]. Intelligent Transport Systems Iet,2015(6):646-653.

      [2]Xia D,Wang B,Li H,et al. A distributed spatial-temporal weighted model on MapReduce for short-term traffic flow forecasting[J]. Neurocomputing,2016(C):246-263。

      [3]Wu C H,Ho J M,Lee D T. Travel-time prediction with support vector regression[J]. IEEE Transactions on Intelligent Transportation Systems,2004(4):276-281.

      [4]Ma X,Tao Z,Wang Y,et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data[J]. Transportation Research Part C,2015(54):187-197.

      [5]Lv Y,Duan Y,Kang W,et al. Traffic Flow Prediction With Big Data: A Deep Learning Approach[J]. IEEE Transactions on Intelligent Transportation Systems,2015(2):865-873.

      [6]Zhao Z,Chen W,Wu X,et al. LSTM network: a deep learning approach for short-term traffic forecast[J]. Iet Intelligent Transport Systems,2017(2):68-75.

      猜你喜歡
      預(yù)測方法智能交通
      風(fēng)電短期發(fā)電功率預(yù)測方法探討
      大數(shù)據(jù)時代城市智能交通的數(shù)據(jù)技術(shù)
      基于物聯(lián)網(wǎng)的智能交通系統(tǒng)架構(gòu)
      臨汾區(qū)塊煤系地層天然氣水合物危害與預(yù)防措施
      基于傳統(tǒng)的車輛違章轉(zhuǎn)彎檢測與實現(xiàn)
      基于物聯(lián)網(wǎng)的智能交通系統(tǒng)中的車輛通信網(wǎng)絡(luò)
      基于支持向量機的車牌字符識別方法
      水驅(qū)油效率影響因素研究進展
      智能交通中的車輛檢測專利技術(shù)綜述
      船舶交通流量及幾種預(yù)測方法分析
      科技視界(2016年12期)2016-05-25 08:58:42
      界首市| 海林市| 封丘县| 云梦县| 西安市| 东丰县| 高雄市| 禄丰县| 太谷县| 阜康市| 长沙市| 大埔县| 新巴尔虎右旗| 交口县| 靖江市| 绿春县| 千阳县| 马尔康县| 民乐县| 桐庐县| 扬州市| 长泰县| 巧家县| 伽师县| 故城县| 沅陵县| 东山县| 五指山市| 泽库县| 深圳市| 安岳县| 龙陵县| 临沭县| 瑞丽市| 邢台县| 恩施市| 曲阜市| 阿鲁科尔沁旗| 剑阁县| 饶河县| 连州市|