CN109102698B - 基于集成lssvr模型的路网中短时交通流的预测方法 - Google Patents
基于集成lssvr模型的路网中短时交通流的预测方法 Download PDFInfo
- Publication number
- CN109102698B CN109102698B CN201811137471.1A CN201811137471A CN109102698B CN 109102698 B CN109102698 B CN 109102698B CN 201811137471 A CN201811137471 A CN 201811137471A CN 109102698 B CN109102698 B CN 109102698B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- matrix
- lssvr
- model
- constructing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000012360 testing method Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010845 search algorithm Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于集成LSSVR模型的路网中短时交通流的预测方法。该预测方法在传统方法的基础上,根据不同路段的交通流量对不同滞后时间的历史交通流数据的依赖程度的不同,先是利用不同的滞后时间,搭建多个不同的非线性LSSVR模型,学习到不同路段的交通流对不同滞后时间的历史数据的依赖,然后通过一个线性LSSVR模型,对多个非线性LSSVR的输出进行整合,进行最终预测。同时,针对模型中参数的调节问题,利用和声搜索算法予以解决。与传统的预测方法相比,本发明可以达到更好的预测效果。
Description
技术领域
本发明涉及智能交通技术领域,具体为一种基于集成LSSVR模型的路网中短时交通流的预测方法。
背景技术
交通流量预测作为智能交通***(ITS)的基础,较为准确的短时预测是实现科学规范的交通规划、交通诱导和交通控制的关键技术。是实现交通控制与诱导的前提,也是使ITS从“被动式反应”转变到“主动式动作”的关键。
一些经典的模型包括历史平均模型,卡尔曼状态空间滤波模型,自回归移动平均模型(ARIMA)季节性自回归移动平均模型(SARIMA),K近邻等已被用于短时交通流的预测。这些方法主要关注了交通流在特定位置的时间相关性并在相对稳定的交通流数据上表现良好,此外,这些模型假定交通流是线性的,但在真实的交通中,不同位置的交通流在时空上相互影响,是非线性的。因此,这些方法在短时交通流预测上不能取得理想的效果。
人工神经网络(ANN)是另一种流行的数据驱动的交通流预测方法。其中,得到广泛认可的出色ANN模型有多层感知机(MLP),卷积神经网络(CNN),长短时记忆(LSTM)网络,自编码器(AE)等。近期,多隐层的ANN被用于交通流预测,并取得了较一些传统方法更好的结果。尽管ANN在构建非线性模型上是如此的强大,它仍然存在一些问题。例如,其学习过程缺乏可解释性并且在网络模型很复杂的情况下,训练ANN将需要大量的数据和算力。
支持向量机(SVM),是一种有监督的机器学习模型,已被成功的应用在许多实际问题中。通过引入不敏感损失函数ε,SVM可以转化为支持向量回归(SVR),解决非线性回归问题。在此基础上,最小二乘支持向量回归(LSSVR)通过最小二乘损失函数替换掉不敏感损失函数ε的方式,简化了SVR。在这种方式下,LSSVR的解可以通过求解线性方程组而不是复杂的二次规划问题得到,并同时不牺牲泛化性能。SVR和LSSVR都已被用于交通流预测,并得到了可观的成果。但是,已有的基于SVR的预测模型多是基于某个确定的滞后时间下的单一模型,这种方式没有充分考虑到路网交通中不同路段对滞后时间的依赖性不同的问题,其一侧性能仍有提升的空间。
发明内容
针对上述存在的问题,本发明提供了一种基于集成LSSVR模型的路网中短时交通流的预测方法,以提高预测效果。
为了实现上述目的,本发明具体技术方案如下:一种基于集成LSSVR模型的路网中短时交通流的预测方法,包括如下步骤:
1)采集路网中所有监测器的交通流数据,其中,路网包含多个站点,站点集合为S1,每一个站点包括多个监测器;
2)通过监测器的交通流数据在站点集合S1中筛选站点,组成集合S2,并计算S2的交通流数据;
3)构建路网短时交通流量值矩阵D2;
4)构造LSSVR模型的训练集和验证集;
5)构造单个LSSVR模型;
6)构建集成LSSVR模型;
7)利用智能优化算法对集成LSSVR模型参数进行优化;
8)将待预测的数据集,按步骤2)到步骤4)处理成符合集成LSSVR的模型的输入形式,输入到模型中进行预测。
进一步地,上述步骤2)包括如下步骤:
2.1)统计各监测器数据的缺失率,删除缺失率大于1%的监测器所对应的站点,剩下的所有站点组成集合S2;
2.2)利用相邻数据平均法对S2中每个站点的每个监测器的缺失值进行补全;
2.3)对集合S2中的所有站点,将同一站点内的不同监测器同一时段上的交通流数据相加,得到S2的交通流数据,站点S2的交通流数据为N阶数列。
进一步地,上述步骤3)中,路网短时交通流量值矩阵的构建方法如下:
3.1)将S2中每个站点的交通流数据作为一个向量,将所有站点所对应的向量叠加得到M*N阶的样本数据矩阵D1,其中M为S2中的站点个数,N为每个站点采集的交通流数据的个数;
式中D2为路网短时交通流量值矩阵,xmax为D1中所有元素的最大值。
进一步地,上述步骤4)中,构造LSSVR模型的训练集和验证集包括如下步骤:
4.1)构建滞后时间为T的LSSVR模型,其中,预测的目标站点为Mt,集成LSSVR模型中的非线性LSSVR模型的个数为P,非线性LSSVR模型对应的滞后时间T的取值为1至P;
4.2)定义计数器变量t,令t=1;
4.3)利用D2中的元素,构造一个M*T阶的矩阵dt,构造方法如下:
4.4)将dt转化为一个1*(M*T)的矩阵d′t,转换方法如下:
4.5)计算对应的期望输出yt,计算方法如下:
4.6)判断t是否小于N-T,若是则t=t+1转步骤4.3),否则转步骤4.7);
4.7)构造样本集的输入矩阵D′T,构建方法如下:
4.8)取Ntext作为测试集的样本个数,训练集的样本个数Ntrain为:
Ntrain=N-P-Ntest
4.9)从样本集的输入矩阵D′T中分割出训练集的输入矩阵(D′T)train和测试集的输入矩阵(D′T)test,方法如下:
4.10)构造样本集的期望输出矩阵YT,构造方法如下:
4.11)从样本集的期望输出矩阵YT中分割出训练集的期望输出矩阵(YT)train和测试集的期望输出矩阵(YT)test,方法如下:
进一步地,上述步骤5)中,构造单个LSSVR模型的方法如下:
5.1)计算LSSVR模型的α和b的值,计算方法如下:
α=H-1y-H-1Ob
其中K是一个M×M的核矩阵,其元素为Kij=K(xi,xj)=xi Txj,O是一个全1向量,I是一个具有合适维数的单位矩阵,y是训练集的期望输出(Ntrain*1),γ是平衡参数;
5.2)利用核函数求解LSSVR模型的核矩阵K,其中,线性LSSVR模型的核矩阵K的计算方法如下:
K(xi,xj)=xi Txj
式中xi为测试集的输入矩阵的第i行的向量,xj为训练集的输入矩阵的第j行的向量,K(xi,xj)为一个数值,是核矩阵K第i行j列的元素;非线性LSSVR模型的核矩阵K的计算方法如下:
式中σ为核宽度参数;
5.3)计算LSSVR模型的预测结果f(x),计算方法如下:
进一步地,上述步骤6)中,构建集成LSSVR模型方法如下:
6.1)定义一个计数器t5,令t5=1;
6.3)如果t5=P,则t5=t5+1并转至步骤6.4),否则转至步骤6.2);
6.4)构建线性LSSVR模型的输入D″T,构建方法如下:
D″T=[f1(x)…fP(x)]
6.5)依照步骤5)构建线性LSSVR模型,其训练集和测试集的输入矩阵按照步骤6.4)构造,输入矩阵与非线性LSSVR模型相同,其输出即为集成LSSVR模型的预测。
与传统的预测方法相比,本发明提高了预测精度和预测速度。
附图说明
图1是短时交通流的预测方法流程图。
图2是本发明的集成LSSVR模型图。
具体实施方式
下面结合附图对本发明作进一步描述,一种基于集成LSSVR模型的路网中短时交通流的预测方法流程如图1所示,包括如下步骤:
1)采集路网中所有监测器的交通流数据,监测器监测到的交通流数据是由监测器每隔时间Δt采集的交通流观测值组成的N阶数列;其中,路网包含多个站点,站点集合为S1,每一个站点包括多个监测器;
2)筛选站点并计算站点的交通流数据,包括如下步骤:
2.1)统计各监测器数据的缺失率,删除缺失率大于1%的监测器所对应的站点,剩下的所有站点组成集合S2;
2.2)利用相邻数据平均法对S2中每个站点的每个监测器的缺失值进行补全;
2.3)对S2中的所有站点,将同一站点内的不同监测器同一时段上的交通流数据相加,得到站点的交通流数据,站点的交通流数据为N阶数列;
3)构建路网短时交通流量值矩阵,包括如下步骤:
3.1)将S2中每个站点的交通流数据作为一个向量,将所有站点所对应的向量叠加得到M*N阶的样本数据矩阵D1,其中M为S2中的站点个数,N为每个站点采集的交通流数据的个数;本具体实施例中,M=24,采集的天数为10,Δt为15min,那么每个站点一天的交通流数据个数为(60/15)*24=96,则N=96*10=960;
式中D2为路网短时交通流量值矩阵,xmax为D1中所有元素的最大值;
4)构造LSSVR模型的训练集和验证集,包括如下步骤:
4.1)构建滞后时间为T的LSSVR模型,其中,预测的目标站点为Mt,集成LSSVR模型中的非线性LSSVR模型的个数为P,非线性LSSVR模型对应的滞后时间T的取值为1至P;
4.2)定义计数器变量t,令t=1;
4.3)利用D2中的元素,构造一个M*T阶的矩阵dt,构造方法如下:
4.4)将dt转化为一个1*(M*T)的矩阵d′t(即为一个输入样本),转换方法如下:
4.5)计算对应的期望输出yt,计算方法如下:
4.6)判断t是否小于N-T,若是则t=t+1转步骤4.3),否则转步骤4.7);
4.7)构造样本集的输入矩阵D′T,构建方法如下:
4.8)取Ntest作为测试集的样本个数,则训练集的样本个数Ntrain为:
Ntrain=N-P-Ntest
4.9)从样本集的输入矩阵D′T中分割出训练集的输入矩阵(D′T)train和测试集的输入矩阵(D′T)test,方法如下:
4.10)构造样本集的期望输出矩阵YT,构造方法如下:
4.11)从样本集的期望输出矩阵YT中分割出训练集的期望输出矩阵(YT)train和测试集的期望输出矩阵(YT)test,方法如下:
5)构造单个LSSVR模型
5.1)计算LSSVR模型的α和b的值,计算方法如下
α=H-1y-H-1Ob
其中K是一个M×M的核矩阵,其元素为Kij=K(xi,xj)=xi Txj,O是一个全1向量,I是一个具有合适维数的单位矩阵,y是训练集的期望输出(Ntrain*1),γ是平衡参数;
5.2)利用核函数求解LSSVR模型的核矩阵K,其中,线性LSSVR模型的核矩阵K的计算方法如下:
K(xi,xj)=xi Txj
式中xi为测试集的输入矩阵的第i行的向量,xj为训练集的输入矩阵的第j行的向量,K(xi,xj)为一个数值,是核矩阵K第i行j列的元素;非线性LSSVR模型的核矩阵K的计算方法如下:
式中σ为核宽度参数;
5.3)计算LSSVR模型的预测结果f(x),计算方法如下:
6)构建集成LSSVR模型,集成LSSVR模型包括两层,如图2所示。
6.1)定义一个计数器t5,令t5=1;
6.3)如果t5=P,则t5=t5+1并转至步骤6.4),否则转至步骤6.2);
6.4)构建线性LSSVR模型的输入D″T,构建方法如下:
D″T=[f1(x)...fP(x)]
6.5)依照步骤5)构建线性LSSVR模型,其训练集和测试集的输入矩阵按照步骤6.4)构造,输入矩阵与非线性LSSVR模型相同,其输出即为集成LSSVR模型的预测。
7)利用智能优化算法对集成LSSVR模型参数进行优化,本具体实施例选用的是和声搜索算法;
8)将待预测的数据集,按步骤2)到步骤4)处理成符合该集成LSSVR的模型的输入形式后,输入到模型中进行预测。
Claims (5)
1.一种基于集成LSSVR模型的路网中短时交通流的预测方法,其特征在于,包括如下步骤:
1)采集路网中所有监测器的交通流数据,其中,路网包含多个站点,站点集合为S1,每一个站点包括多个监测器;
2)通过监测器的交通流数据在站点集合S1中筛选站点,组成集合S2,并计算S2的交通流数据;
3)构建路网短时交通流量值矩阵D2;
4)构造LSSVR模型的训练集和验证集;
5)构造单个LSSVR模型;
6)构建集成LSSVR模型;
7)利用智能优化算法对集成LSSVR模型参数进行优化;
8)将待预测的数据集,按步骤2)到步骤4)处理成符合集成LSSVR的模型的输入形式,输入到模型中进行预测;
所述步骤6)中,构建集成LSSVR模型方法如下:
6.1)定义一个计数器t5,令t5=1;
6.3)如果t5=P,则t5=t5+1并转至步骤6.4),否则转至步骤6.2);
6.4)构建线性LSSVR模型的输入D″T,构建方法如下:
D″T=[f1(x) ... fP(x)]
6.5)依照步骤5)构建线性LSSVR模型,其训练集和测试集的输入矩阵按照步骤6.4)构造,输入矩阵与非线性LSSVR模型相同,其输出即为集成LSSVR模型的预测。
2.如权利要求1所述的基于集成LSSVR模型的路网中短时交通流的预测方法,其特征在于所述步骤2)包括如下步骤:
2.1)统计各监测器数据的缺失率,删除缺失率大于1%的监测器所对应的站点,剩下的所有站点组成集合S2;
2.2)利用相邻数据平均法对S2中每个站点的每个监测器的缺失值进行补全;
2.3)对集合S2中的所有站点,将同一站点内的不同监测器同一时段上的交通流数据相加,得到S2的交通流数据,站点S2的交通流数据为N阶数列。
4.如权利要求1所述的基于集成LSSVR模型的路网中短时交通流的预测方法,其特征在于所述步骤4)中,构造LSSVR模型的训练集和验证集包括如下步骤:
4.1)构建滞后时间为T的LSSVR模型,其中,预测的目标站点为Mt,集成LSSVR模型中的非线性LSSVR模型的个数为P,非线性LSSVR模型对应的滞后时间T的取值为1至P;
4.2)定义计数器变量t,令t=1;
4.3)利用D2中的元素,构造一个M*T阶的矩阵dt,构造方法如下:
4.4)将dt转化为一个1*(M*T)的矩阵d′t,转换方法如下:
4.5)计算对应的期望输出yt,计算方法如下:
4.6)判断t是否小于N-T,若是则t=t+1转步骤4.3),否则转步骤4.7);
4.7)构造样本集的输入矩阵D′T,构建方法如下:
4.8)取Ntest作为测试集的样本个数,训练集的样本个数Ntrain为:
Ntrain=N-P-Ntest
4.9)从样本集的输入矩阵D′T中分割出训练集的输入矩阵(D′T)train和测试集的输入矩阵(D′T)test,方法如下:
4.10)构造样本集的期望输出矩阵YT,构造方法如下:
4.11)从样本集的期望输出矩阵YT中分割出训练集的期望输出矩阵(YT)train和测试集的期望输出矩阵(YT)test,方法如下:
5.如权利要求1所述的基于集成LSSVR模型的路网中短时交通流的预测方法,其特征在于所述步骤5)中,构造单个LSSVR模型的方法如下:
5.1)计算LSSVR模型的α和b的值,计算方法如下:
α=H-1y-H-1Ob
其中K是一个M×M的核矩阵,其元素为Kij=K(xi,xj)=xi Txj,o是一个全1向量,I是一个具有合适维数的单位矩阵,y是训练集的期望输出(Ntrain*1),γ是平衡参数;
5.2)利用核函数求解LSSVR模型的核矩阵K,其中,线性LSSVR模型的核矩阵K的计算方法如下:
K(xi,xj)=xi Txj
式中xi为测试集的输入矩阵的第i行的向量,xj为训练集的输入矩阵的第j行的向量,K(xi,xj)为一个数值,是核矩阵K第i行j列的元素;非线性LSSVR模型的核矩阵K的计算方法如下:
式中σ为核宽度参数;
5.3)计算LSSVR模型的预测结果f(x),计算方法如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137471.1A CN109102698B (zh) | 2018-09-28 | 2018-09-28 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137471.1A CN109102698B (zh) | 2018-09-28 | 2018-09-28 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102698A CN109102698A (zh) | 2018-12-28 |
CN109102698B true CN109102698B (zh) | 2021-07-20 |
Family
ID=64867549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811137471.1A Active CN109102698B (zh) | 2018-09-28 | 2018-09-28 | 基于集成lssvr模型的路网中短时交通流的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102698B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110132865B (zh) * | 2019-04-03 | 2021-09-10 | 江苏大学 | 基于SAE-LSSVR农作物镉含量Vis-NIR光谱深度特征模型建立方法 |
CN111027662B (zh) * | 2019-11-08 | 2024-01-12 | 南通大学 | 基于混沌量子粒子群算法优化的sd-lssvr短时交通流量预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN104091081A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院自动化研究所 | 一种交通数据弥补方法 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN107230349A (zh) * | 2017-05-23 | 2017-10-03 | 长安大学 | 一种在线式实时短时间交通流预测方法 |
CN108492568A (zh) * | 2018-04-25 | 2018-09-04 | 南京邮电大学 | 一种基于时空特性分析的短时交通流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819663B (zh) * | 2012-07-17 | 2015-04-08 | 哈尔滨工程大学 | 一种基于优化的支持向量回归参数的船舶航迹预测方法 |
-
2018
- 2018-09-28 CN CN201811137471.1A patent/CN109102698B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150609A (zh) * | 2013-02-18 | 2013-06-12 | 健雄职业技术学院 | 一种短时交通流量预测模型的建模方法 |
CN103730006A (zh) * | 2014-01-26 | 2014-04-16 | 吉林大学 | 一种短时交通流量的组合预测方法 |
CN104091081A (zh) * | 2014-07-15 | 2014-10-08 | 中国科学院自动化研究所 | 一种交通数据弥补方法 |
KR101742042B1 (ko) * | 2016-11-15 | 2017-05-31 | 한국과학기술정보연구원 | 교통 흐름 예측 장치, 방법 및 교통 흐름 예측을 위한 프로그램을 저장하는 저장매체 |
CN107230349A (zh) * | 2017-05-23 | 2017-10-03 | 长安大学 | 一种在线式实时短时间交通流预测方法 |
CN108492568A (zh) * | 2018-04-25 | 2018-09-04 | 南京邮电大学 | 一种基于时空特性分析的短时交通流预测方法 |
Non-Patent Citations (3)
Title |
---|
Ensemble Learning Multiple LSSVR With Improved Harmony Search Algorithm for Short-Term Traffic Flow Forecasting;Xiaobo Chen;《IEEE Access》;20180212;9347-9357 * |
Xiaobo Chen.Ensemble Learning Multiple LSSVR With Improved Harmony Search Algorithm for Short-Term Traffic Flow Forecasting.《IEEE Access》.2018, * |
基于GA-LSSVR模型的路网短时交通流预测研究;陈小波;《交通运输***工程与信息》;20170228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102698A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Short‐term traffic speed forecasting based on attention convolutional neural network for arterials | |
Ghimire et al. | Streamflow prediction using an integrated methodology based on convolutional neural network and long short-term memory networks | |
Li et al. | Day-ahead traffic flow forecasting based on a deep belief network optimized by the multi-objective particle swarm algorithm | |
CN108280551B (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
Abdoos et al. | Short term load forecasting using a hybrid intelligent method | |
Lee et al. | Time series prediction using RBF neural networks with a nonlinear time-varying evolution PSO algorithm | |
CN106448151B (zh) | 一种短时交通流预测方法 | |
Ma et al. | Short-term traffic flow forecasting by selecting appropriate predictions based on pattern matching | |
CN112053560B (zh) | 基于神经网络的短时交通流量预测方法、***和存储介质 | |
Ghanim et al. | Estimating turning movements at signalized intersections using artificial neural networks | |
Ou et al. | Learn, assign, and search: real-time estimation of dynamic origin-destination flows using machine learning algorithms | |
Raza et al. | Hybrid artificial neural network and locally weighted regression models for lane-based short-term urban traffic flow forecasting | |
Liao et al. | Short-term power prediction for renewable energy using hybrid graph convolutional network and long short-term memory approach | |
CN116504060B (zh) | 基于Transformer的扩散图注意力网络交通流预测方法 | |
Abdi et al. | Short-term traffic flow forecasting: parametric and nonparametric approaches via emotional temporal difference learning | |
CN109102698B (zh) | 基于集成lssvr模型的路网中短时交通流的预测方法 | |
Xia et al. | SW-BiLSTM: a Spark-based weighted BiLSTM model for traffic flow forecasting | |
Urraca et al. | Improving hotel room demand forecasting with a hybrid GA-SVR methodology based on skewed data transformation, feature selection and parsimony tuning | |
Askari et al. | A new evolving compact optimised Takagi–Sugeno fuzzy model and its application to nonlinear system identification | |
Fakhrmoosavy et al. | A modified brain emotional learning model for earthquake magnitude and fear prediction | |
Wang et al. | Learning nonstationary time-series with dynamic pattern extractions | |
Brahimi et al. | Modelling on Car‐Sharing Serial Prediction Based on Machine Learning and Deep Learning | |
Zhu et al. | Time-varying interval prediction and decision-making for short-term wind power using convolutional gated recurrent unit and multi-objective elephant clan optimization | |
Fan et al. | Deep belief ensemble network based on MOEA/D for short-term load forecasting | |
Liu et al. | Robust speed prediction of high-speed trains based on improved echo state networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |