CN108447260A - 一种基于Fourier级数改进残差的短时交通流预测方法及系统 - Google Patents
一种基于Fourier级数改进残差的短时交通流预测方法及系统 Download PDFInfo
- Publication number
- CN108447260A CN108447260A CN201810297913.2A CN201810297913A CN108447260A CN 108447260 A CN108447260 A CN 108447260A CN 201810297913 A CN201810297913 A CN 201810297913A CN 108447260 A CN108447260 A CN 108447260A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- magnitude
- sequence
- initial
- fourier series
- 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.)
- Granted
Links
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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Abstract
本发明公开了一种基于Fourier级数改进残差的短时交通流预测方法与系统,所述方法包括以下步骤:S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。本发明针对交通流数据具有周期性的特点,在不需要大量的数据情况下建模,适用于实时的交通流预测,能够有效地提高交通流数据的预测精度,本方法减少了计算冗杂性、降低了计算难度、提高了预测速度,保证本方法对交通流的实时预测能力和效果。
Description
技术领域
本发明涉及交通预测方法技术领域,尤其涉及一种基于Fourier级数改进残差的短时交通流预测方法及系统。
背景技术
交通拥堵已经成为制约城市经济和社会发展的瓶颈,它所带来的时间浪费、运营成本上升、交通事故、空气污染、噪声污染等问题直接造成城市的整体运转效率降低,在城市发展过程中的短板效应日益明显。国内外的交通治理多以提高交通供给为主,控制交通需求与交通管理为辅。然而,交通供给的增加存在时间和空间上的限制,在汽车需求快速增长情况下,仅仅增加交通供给只能在短期内缓解交通拥堵问题。要从根本上改变交通拥堵状况,应该综合运用现代信息通讯技术与智能交通控制与诱导相结合的系统来提高交通路网的通行能力及运输效率。而准确的短时交通流量预测是实现该系统的基础和关键所在,预测模型的精度已成为制约该系统高效运行的主要瓶颈。目前,已有大量从事交通流量预测研究工作,如基于线性理论的预测模型侧重于从概率的角度挖掘交通流之间的时空相关信息来进行预测。该方法是线性模型,所以在预测非线性、不确定性的交通流时,模型性能变差;基于非线性的理论的预测模型主要包括基于小波分析的预测方法、基于混沌理论的预测方法等。但此类方法在交通流预测领域应用不多,还有待继续研究;基于机器学习的智能预测模型,这类方法主要包括:神经网络预测方法、深度学习等,这些方法在理论上存在缺陷,不能使期望风险最小化;其次是采用典型的黑箱型学习模式,在学习阶段需要大量的样本数据,在实际情况中,经常由于各种各样的原因容易造成数据遗漏,导致模型精度降低,而且依赖大量的历史数据,成本很高。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于Fourier级数改进残差的短时交通流预测方法及系统。
本发明提出的基于Fourier级数改进残差的短时交通流预测方法,包括以下步骤:
S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
优选地,步骤S1具体包括:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
其中,y(0)为目标交通流量序列,k=1,2,3...n-q+1。
优选地,步骤S2具体包括:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
其中,k=1,2,3...r;
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
利用最小二乘法计算出 再根据白化微分方程得到时间相应序列k=1,2,3...r;
再根据下述公式得到目标交通流量序列y(0)的初始预测值所述公式为:
其中,k=1,2,3...r,
优选地,步骤S3具体包括:
基于初始预测值得到残差序列ε(0):
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
其中,k=2,3,4...r;
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r,T=r-1,
利用最小二乘法计算出 其中,i=1,2,3...z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4...r;
由可知y(0)(k+1)-y(0)(k)=x(0)(k+q)-x(0)(k),即x(0)(k+1)=y(0)(k-q+2)-y(0)(k-q+1)+x(0)(k-q+1),即得到最终预测值:
其中,k=q,q+1,q+2...n。
本发明提出的基于Fourier级数改进残差的短时交通流预测系统,包括:
累加处理模块,用于基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
模型建立模块,用于建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
序列修正模块,用于基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
优选地,所述累加处理模块具体用于:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
其中,y(0)为目标交通流量序列,k=1,2,3...n-q+1。
优选地,所述模型建立模块具体用于:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
其中,k=1,2,3...r;
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
利用最小二乘法计算出
再根据白化微分方程得到时间相应序列 k=1,2,3...r;
再根据下述公式得到目标交通流量序列y(0)的初始预测值所述公式为:
其中,k=1,2,3...r,
优选地,所述序列修正模块具体用于:
基于初始预测值得到残差序列ε(0):
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
其中,k=2,3,4...r;
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r,T=r-1,
利用最小二乘法计算出
其中,i=1,2,3...z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4...r;
由可知y(0)(k+1)-y(0)(k)=x(0)(k+q)-x(0)(k),即x(0)(k+1)=y(0)(k-q+2)-y(0)(k-q+1)+x(0)(k-q+1),即得到最终预测值:
其中,k=q,q+1,q+2...n。
本发明针对交通流数据具有周期性的特点,在不需要大量的数据情况下建模,适用于实时的交通流预测,能够有效地提高交通流数据的预测精度。具体地,本发明通过建立灰色预测模型,且针对交通流数据具有周期性的特点,对数据进行滚动累加处理,以降低数据的波动性和随机性,为后续计算过程提供稳定有效的参考数据;然后利用Fourier级数进行残差修正,有效地提高了灰色预测模型的精度和推广泛化能力;且所述灰色预测模型不需要大量的数据作为预测基础,减少了计算冗杂性、降低了计算难度、提高了预测速度,保证本方法对交通流的实时预测能力和效果。
附图说明
图1为一种基于Fourier级数改进残差的短时交通流预测方法的步骤示意图;
图2为一种基于Fourier级数改进残差的短时交通流预测系统的结构示意图。
具体实施方式
如图1所示,图1、图2为本发明提出的一种基于Fourier级数改进残差的短时交通流预测方法及系统。
参照图1,本发明提出的基于Fourier级数改进残差的短时交通流预测方法,包括以下步骤:
S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
本实施方式中,步骤S1具体包括:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
其中,y(0)为目标交通流量序列,k=1,2,3...n-q+1。
S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
本实施方式中,步骤S2具体包括:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
其中,k=1,2,3...r;
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
令利用最小二乘法P=(BTB)(-1)BTY计算出a、b的值:
再根据白化微分方程得到时间相应序列 k=1,2,3...r;
再根据下述公式得到目标交通流量序列y(0)的初始预测值所述公式为:
其中,k=1,2,3...r,
S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
本实施方式中,步骤S3具体包括:
基于初始预测值得到残差序列ε(0):
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
其中,k=2,3,4...r;
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r,T=r-1,
假设ε(0)=PC、利用最小二乘法C=(PTP)(-1)PTε(0)计算出a0、a1、b1......ai、bi的值:
其中,i=1,2,3...z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4...r;
由可知y(0)(k+1)-y(0)(k)=x(0)(k+q)-x(0)(k),即x(0)(k+1)=y(0)(k-q+2)-y(0)(k-q+1)+x(0)(k-q+1),即得到最终预测值:
其中,k=q,q+1,q+2...n。
参照图2,图2为本发明提出的基于Fourier级数改进残差的短时交通流预测系统,包括:
累加处理模块,用于基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
本实施方式中,累加处理模块具体用于:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3...n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)...y(0)(r)},r=n-q+1;
其中,y(0)为目标交通流量序列,k=1,2,3...n-q+1。
模型建立模块,用于建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
本实施方式中,模型建立模块具体用于:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)...y(1)(r)};
其中,k=1,2,3...r;
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)...z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4...r;
令利用最小二乘法P=(BTB)(-1)BTY计算出a、b的值:
再根据白化微分方程得到时间相应序列 k=1,2,3...r;
再根据下述公式得到目标交通流量序列y(0)的初始预测值所述公式为:
其中,k=1,2,3...r,
序列修正模块,用于基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
本实施方式中,序列修正模块具体用于:
基于初始预测值得到残差序列ε(0):
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)...ε(0)(r)};
其中,k=2,3,4...r;
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4...r,T=r-1,
假设ε(0)=PC、利用最小二乘法C=(PTP)(-1)PTε(0)计算出a0、a1、b1......ai、bi的值:
其中,i=1,2,3...z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4...r;
由可知y(0)(k+1)-y(0)(k)=x(0)(k+q)-x(0)(k),即x(0)(k+1)=y(0)(k-q+2)-y(0)(k-q+1)+x(0)(k-q+1),即得到最终预测值:
其中,k=q,q+1,q+2...n。
本实施方式针对交通流数据具有周期性的特点,在不需要大量的数据情况下建模,适用于实时的交通流预测,能够有效地提高交通流数据的预测精度。具体地,本实施方式通过建立灰色预测模型,且针对交通流数据具有周期性的特点,对数据进行滚动累加处理,以降低数据的波动性和随机性,为后续计算过程提供稳定有效的参考数据;然后利用Fourier级数进行残差修正,有效地提高了灰色预测模型的精度和推广泛化能力;且所述灰色预测模型不需要大量的数据作为预测基础,减少了计算冗杂性、降低了计算难度、提高了预测速度,保证本方法对交通流的实时预测能力和效果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于Fourier级数改进残差的短时交通流预测方法,其特征在于,包括以下步骤:
S1、基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
S2、建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
S3、基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
2.根据权利要求1所述的基于Fourier级数改进残差的短时交通流预测方法,其特征在于,步骤S1具体包括:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)…x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3…n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)…y(0)(r)},r=n-q+1;
其中,y(0)为目标交通流量序列,k=1,2,3…n-q+1。
3.根据权利要求2所述的基于Fourier级数改进残差的短时交通流预测方法,其特征在于,步骤S2具体包括:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)…y(1)(r)};
其中,k=1,2,3…r;
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)…z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4…r;
利用最小二乘法计算出 再根据白化微分方程得到时间相应序列k=1,2,3…r;
再根据下述公式得到目标交通流量序列y(0)的初始预测值所述公式为:
其中,k=1,2,3…r,
4.根据权利要求3所述的基于Fourier级数改进残差的短时交通流预测方法,其特征在于,步骤S3具体包括:
基于初始预测值得到残差序列ε(0):
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)…ε(0)(r)};
其中,k=2,3,4…r;
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4…r,T=r-1,
利用最小二乘法计算出 其中,i=1,2,3…z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4…r;
由可知y(0)(k+1)-y(0)(k)=x(0)(k+q)-x(0)(k),即x(0)(k+1)=y(0)(k-q+2)-y(0)(k-q+1)+x(0)(k-q+1),即得到最终预测值:
其中,k=q,q+1,q+2…n。
5.一种基于Fourier级数改进残差的短时交通流预测系统,其特征在于,包括:
累加处理模块,用于基于历史交通流量建立初始交通流量序列,并对初始交通流量序列进行累加预处理,得到目标交通流量序列;
模型建立模块,用于建立灰色预测模型,对目标交通流量序列进行预测处理得到目标交通流量序列的初始预测值;
序列修正模块,用于基于初始预测值的残差利用Fourier级数对目标交通流量序列进行修正,得到最终预测值。
6.根据权利要求5所述的基于Fourier级数改进残差的短时交通流预测系统,其特征在于,所述累加处理模块具体用于:
基于历史交通流量建立初始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)…x(0)(n)};
其中,x(0)为初始交通流量序列,x(0)(k)为历史交通流量数据且x(0)(k)≥0,k=1,2,3…n;
取周期q对初始交通流量序列进行滚动累加得到目标交通流量序列,记为:
y(0)={y(0)(1),y(0)(2),y(0)(3)…y(0)(r)},r=n-q+1;
其中,y(0)为目标交通流量序列,k=1,2,3…n-q+1。
7.根据权利要求6所述的基于Fourier级数改进残差的短时交通流预测系统,其特征在于,所述模型建立模块具体用于:
对目标交通流量序列y(0)进行一阶累加得到第一交通流量序列y(1),y(1)={y(1)(1),y(1)(2),y(1)(3)…y(1)(r)};
其中,k=1,2,3…r;
根据第一交通流量序列y(1)建立GM(1,1)灰色预测模型y(0)(k)+az(1)(k)=b,得到均值生成序列z(1),z(1)={z(1)(2),z(1)(3)…z(1)(r)};
其中,z(1)(k)=0.5y(1)(k)+0.5y(1)(k-1),k=2,3,4…r;
利用最小二乘法计算出 再根据白化微分方程得到时间相应序列k=1,2,3…r;
再根据下述公式得到目标交通流量序列y(0)的初始预测值所述公式为:其中,k=1,2,3…r,
8.根据权利要求7所述的基于Fourier级数改进残差的短时交通流预测系统,其特征在于,所述序列修正模块具体用于:
基于初始预测值得到残差序列ε(0):
ε(0)={ε(0)(2),ε(0)(3),ε(0)(4)…ε(0)(r)};
其中,k=2,3,4…r;
利用Fourier级数展开残差序列ε(0),得到:
其中,k=2,3,4…r,T=r-1,
利用最小二乘法计算出, 其中,i=1,2,3…z,并利用Fourier级数对初始预测值进行修正得到目标预测数据:
其中,k=2,3,4…r;
由可知y(0)(k+1)-y(0)(k)=x(0)(k+q)-x(0)(k),即x(0)(k+1)=y(0)(k-q+2)-y(0)(k-q+1)+x(0)(k-q+1),即得到最终预测值:
其中,k=q,q+1,q+2…n。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810297913.2A CN108447260B (zh) | 2018-03-30 | 2018-03-30 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810297913.2A CN108447260B (zh) | 2018-03-30 | 2018-03-30 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108447260A true CN108447260A (zh) | 2018-08-24 |
CN108447260B CN108447260B (zh) | 2020-05-29 |
Family
ID=63199313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810297913.2A Expired - Fee Related CN108447260B (zh) | 2018-03-30 | 2018-03-30 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108447260B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410059A (zh) * | 2018-10-18 | 2019-03-01 | 西安交通大学 | 一种基于三元区间数的灰色预测方法 |
CN110991698A (zh) * | 2019-11-07 | 2020-04-10 | 南通大学 | 基于混合处理的季节性交通流灰色预测方法 |
CN111754776A (zh) * | 2020-07-07 | 2020-10-09 | 南通大学 | 一种基于加权分数阶灰色模型的交通流预测方法及系统 |
CN114519262A (zh) * | 2022-01-25 | 2022-05-20 | 河南大学 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
WO2023149838A3 (en) * | 2022-02-07 | 2023-10-19 | Lemon Inc. | Machine learning with periodic data |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
-
2018
- 2018-03-30 CN CN201810297913.2A patent/CN108447260B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105654729A (zh) * | 2016-03-28 | 2016-06-08 | 南京邮电大学 | 一种基于卷积神经网络的短时交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
彭栋栋: "基于短_长期模型组合的交通流预测方法", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
赵卓峰,等: "基于残差修正GM(1,1)模型的车流量预测", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410059A (zh) * | 2018-10-18 | 2019-03-01 | 西安交通大学 | 一种基于三元区间数的灰色预测方法 |
CN110991698A (zh) * | 2019-11-07 | 2020-04-10 | 南通大学 | 基于混合处理的季节性交通流灰色预测方法 |
CN110991698B (zh) * | 2019-11-07 | 2023-09-22 | 南通大学 | 基于混合处理的季节性交通流灰色预测方法 |
CN111754776A (zh) * | 2020-07-07 | 2020-10-09 | 南通大学 | 一种基于加权分数阶灰色模型的交通流预测方法及系统 |
CN114519262A (zh) * | 2022-01-25 | 2022-05-20 | 河南大学 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
CN114519262B (zh) * | 2022-01-25 | 2024-02-20 | 河南大学 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
WO2023149838A3 (en) * | 2022-02-07 | 2023-10-19 | Lemon Inc. | Machine learning with periodic data |
Also Published As
Publication number | Publication date |
---|---|
CN108447260B (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108447260A (zh) | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 | |
CN109035761B (zh) | 基于辅助监督学习的行程时间估计方法 | |
CN105389980B (zh) | 基于长短时记忆递归神经网络的短时交通流预测方法 | |
CN108091135B (zh) | 基于优化小波神经网络的停车泊位多步预测方法 | |
Stathopoulos et al. | Fuzzy modeling approach for combined forecasting of urban traffic flow | |
Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
CN103903430B (zh) | 一种采用多源同构数据的行程时间动态融合预测方法 | |
CN112766551B (zh) | 一种交通预测方法、智能终端及计算机可读存储介质 | |
CN103413443A (zh) | 基于隐马尔科夫模型的短时交通流状态预测方法 | |
Duan et al. | A multimode dynamic short-term traffic flow grey prediction model of high-dimension tensors | |
Chen et al. | AARGNN: An attentive attributed recurrent graph neural network for traffic flow prediction considering multiple dynamic factors | |
Song et al. | Online traffic flow prediction for edge computing-enhanced autonomous and connected vehicles | |
CN103198648A (zh) | 用于公交系统的自适应调度方法 | |
US20230334981A1 (en) | Traffic flow forecasting method based on multi-mode dynamic residual graph convolution network | |
Wu et al. | A online boosting approach for traffic flow forecasting under abnormal conditions | |
Lu et al. | Real-time corrected traffic correlation model for traffic flow forecasting | |
CN114999182B (zh) | 基于lstm回馈机制的车流量预测方法、装置及设备 | |
Huang et al. | Origin-destination flow prediction with vehicle trajectory data and semi-supervised recurrent neural network | |
Bi et al. | Accurate water quality prediction with attention-based bidirectional LSTM and encoder–decoder | |
Liu et al. | A short-term traffic flow forecasting method and its applications | |
Ye et al. | An interval feature discrete grey-Markov model based on data distributions and applications | |
Shin et al. | Temporal impulse of traffic accidents in South Korea | |
Xin et al. | Forecasting collector road speeds under high percentage of missing data | |
Yang et al. | Prediction of short-term average vehicular velocity considering weather factors in urban VANET environments | |
CN112633579B (zh) | 一种基于域对抗的交通流迁移预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200529 |