【摘 要】
：
外部环境因素对城市交通预测有较大影响,尤其在交通事件发生时,由于交通流的随机性和非线性特征,交通异常情况下的预测精度往往较低.为此,基于深度学习理论,提出一种以序列到序列模型(Sequence-to-sequence,Seq2Seq)为主体,融合外部因素特征的城市道路行程时间预测方法.利用时间序列分解算法(Seasonal and Trend Decomposition Using Loess,STL)挖掘交通历史数据的时序周期规律,结合交通事件数据深入分析交通异常产生的原因,并建立堆叠降噪自编码器模型(
【机 构】
：
吉林大学交通学院,吉林长春130022;高德软件有限公司,北京100102
论文部分内容阅读
外部环境因素对城市交通预测有较大影响,尤其在交通事件发生时,由于交通流的随机性和非线性特征,交通异常情况下的预测精度往往较低.为此,基于深度学习理论,提出一种以序列到序列模型(Sequence-to-sequence,Seq2Seq)为主体,融合外部因素特征的城市道路行程时间预测方法.利用时间序列分解算法(Seasonal and Trend Decomposition Using Loess,STL)挖掘交通历史数据的时序周期规律,结合交通事件数据深入分析交通异常产生的原因,并建立堆叠降噪自编码器模型(Stacked Denoising Autoencoder,SDAE)提取时间属性和交通事件数据的潜在特征.以北京市北四环中路和G6京藏高速路段为例,对预测模型的准确性和可行性进行验证,通过重复性交通事件和非重复性交通事件下的案例试验,对SDAE组件的有效性进行分析.研究结果表明:模型的单步和多步预测性能均优于基线模型,预测精度最高达到了87.71％;与其他输入了交通事件数据的模型相比,以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性,能够适应复杂多变的交通流,在智能交通系统的短期预测上有显著的优越性,可以增强管理系统的调控能力,降低城市交通的拥堵成本.
其他文献
为了给桥梁结构的健康检测提供参考,将金属磁记忆检测技术引入到钢筋混凝土(RC)梁内部钢筋的应力检测当中,进行了钢筋混凝土T形截面梁四点弯曲加载应力自漏磁信号检测试验.利用基于金属磁记忆的三维扫描检测装置采集了试件在不同荷载下的自漏磁信号,并对不同提离高度和多条扫描路径下的磁信号进行分析,得到了钢筋混凝土T形截面梁在不同应力状态下的空间信号规律,提出了利用“法向漏磁场方均根值”来定量计算RC梁纯弯段处钢筋应力的方法.研究结果表明:在钢筋混凝土T形截面梁纯弯段内,钢筋内部应力与“法向漏磁场方均根值”呈线性关系
为了解决现有的斜拉桥索力测量方法在精度、可靠性、效率等方面仍存在的不足,首次提出了一种由实测索形直接估计索力的新方法,简称索形法.采用在斜拉索上任意截取的拉索节段构建了悬链线力学模型,基于悬链线公式,首次推导了由实测索形点集精确估计拉索张力的计算公式.地面激光扫描技术被研究用于快速捕获斜拉索索形,开发了基于扫描点云自动化精确提取拉索中心线的算法.以在建的水土嘉陵江大桥为试验对象,详细分析了三维扫描测量误差、拉索截面弯曲刚度及边界条件和拉索局部弯曲变形、拉索振动等索形偏差因素及其对索力计算精度的影响.研究结
基于传统扩展卡尔曼滤波方法(EKF)的损伤识别过程是一个典型的反问题求解,反问题的不适定性使EKF识别结果容易受噪声干扰,导致EKF算法收敛困难、识别精度下降.基于l1正则化的EKF算法在一定程度上可以缓解此问题,但其不能获得足够准确的稀疏解.为此,提出了一种改进稀疏正则化的EKF方法.该方法采用Arctangent罚函数代替l1范数以施加损伤稀疏性约束;通过伪测量技术将稀疏性约束嵌入到EKF中,获得施加约束方程后的递推解.采用3层剪切结构和悬臂梁2个试验算例验证了该方法的有效性.研究结果表明:即使在噪声
为了提高桥梁结构有限元模型修正的效率和效果,提出基于加权Kendall相关系数和序贯代理模型的有限元模型修正方法.首先,建立基于目标响应误差和待修正设计参数灵敏度的加权Kendall相关系数指标,并采用凝聚层次聚类算法,合理确定待修正设计参数的数量和位置,保证待修正设计参数对目标响应具有合适的解耦能力;其次,为解决传统一次性代理模型法在构造代理模型过程中产生的欠采样或者过采样的问题,采用基于FLOLA-Voronoi通用序贯设计策略的序贯代理模型法,提高构造代理模型过程中试验设计样本的利用率和模型修正效率
城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究.但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制.为了取长补短,首先对路段传输模型(Link Transmission Model.LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-driven Link Transmission Model,D2LTM)
路径选择建模的主要任务是基于合理假设,定量分析交通参与者的路径选择行为,并估计和预测交通参与者对交通网络的使用情况.基于此,全面总结路径选择建模的研究现状,介绍各种出行数据的特点,阐释常见的选择集生成方法,对文献中提出的众多离散选择模型进行归类和讨论,对比模型估计的2类主要方法,并展望机器学习在路径选择建模中的广阔前景.研究结果表明:随着交通感知技术的全息化发展,在海量车辆轨迹数据的支撑下,路径选择研究取得了全方位的进步;路径选择模型可分为基于路径和基于路段的模型,前者以路径为基本选项,从通过确定性或随机
交通大数据可为揭示交通主体显性出行行为背后的深层规律(即移动模式)提供重要基础.精确掌握大数据驱动下交通主体的移动模式,可为需求预测、客流组织、土地利用、事件管理等应用提供理论依据.交通大数据主体繁多、时空多态、关联性复杂的特性迫使小数据时代下的移动模式分析方法转型和升级,但仍可能遇到移动模式一致性表达难、异常类型检测难、复杂关联性表达难、时空多态性建模难、一体可视化分析难等普遍问题.针对这些问题,利用科学知识图谱,对2010～2020年期间3747篇文献的热点关键词分布、发表趋势分布、出版刊物分布等特点