CN109637128B - 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 - Google Patents
一种基于Markov的灰色Verhulst短时交通流预测方法及系统 Download PDFInfo
- Publication number
- CN109637128B CN109637128B CN201811532341.8A CN201811532341A CN109637128B CN 109637128 B CN109637128 B CN 109637128B CN 201811532341 A CN201811532341 A CN 201811532341A CN 109637128 B CN109637128 B CN 109637128B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- sequence
- predicted value
- original
- initial
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012546 transfer Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000002087 whitening effect Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Markov的灰色Verhulst短时交通流预测方法:S1、基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;S2、利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;S3、利用Markov链对初始预测值的残差进行修正,得到最终预测值。本发明将原始交通流量预测值作为待定参数,再利用倒数变换和最小二乘法求对公式中的初值进行改进,得交通流量的初始预测值,使其预测的偏差达到最小,保证预测结果的准确性和有效性;最后利用Markov链对预测所得到的残差进行修正,一方面有利于提高模型的精度,另一方面能够大大提高最终预测结果的精确性,从而为实际短时交通流的计算提供准确有效的参照基础。
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Markov的灰色Verhulst短时交通流预测方法及系统。
背景技术
随着城市化进程的不断加快,城市交通问题日益突出,在一定程度上影响其可持续发展。智能交通系统是缓解交通拥堵、避免交通事故发生的有效途径之一,而实时准确的短时交通流预测是智能交通系统中的关键。因此,短时交通流预测研究对智能交通系统的发展以及城市交通可持续发展有着重要的推进作用。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,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Markov的灰色Verhulst短时交通流预测方法及系统。
本发明提出的基于Markov的灰色Verhulst短时交通流预测方法,包括以下步骤:
S1、基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;
S2、利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;
S3、利用Markov链对初始预测值的残差进行修正,得到最终预测值。
优选地,其特征在于,步骤S1具体包括:
基于历史交通流量数据建立原始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为原始交通流量序列,x(0)(k)为历史交通流量数据,x(0)(k)≥0,k=1,2,3...n;
对原始交通流量序列x(0)进行一次累加操作生成(1-AGO),得到累加后序列:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n));
x(1)的均值生成序列为:
建立灰色Verhulst模型:
x(0)(k)+az(1)(k)=b(z(1)(k))2;
其中,参数a、b由最小二乘法求得:
灰色Verhulst模型对应的白化微分方程为:
基于参数参数a、b得出上述白化微分方程的解:
得出灰色Verhulst模型时间相应序列为:
对上式累减还原后得出原始交通流量预测值:
优选地,步骤S2具体包括:
设初值x′(0)(1),将初值x′(0)(1)代入灰色Verhulst模型时间相应序列得到:
利用最小二乘法原理建立目标函数F:
整理得:
对上式累减还原后得出交通流量初始预测值为:
优选地,步骤S3具体包括:
获取残差序列ε(0)=(ε(0)(2),ε(0)(3),…,ε(0)(n));
将残差序列划分为s个状态,记为E={E1,E2,…,Es};
计算状态转移概率矩阵:
以残差序列中待修正元素的前s个元素的状态为原始状态,依据其离待修正元素的远近分别转移1,2,……,s步,在转移步数所对应的转移矩阵中,取原始状态所对应的行向量组成新概率矩阵;
对新概率矩阵的列向量求和,得到待修正元素在每个状态区间的概率矩阵P:
p=[p1,p2,…,ps];
利用矩阵P加权平均得到修正的残差值:
得出最终预测值:
本发明提出的基于Markov的灰色Verhulst短时交通流预测系统,包括:
模型构建模块,用于基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;
数据改进模块,用于利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;
残差修正模块,用于利用Markov链对初始预测值的残差进行修正,得到最终预测值。
优选地,所述模型构建模块具体用于:
基于历史交通流量数据建立原始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为原始交通流量序列,x(0)(k)为历史交通流量数据,x(0)(k)≥0,k=1,2,3...n;
对原始交通流量序列x(0)进行一次累加操作生成(1-AGO),得到累加后序列:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n));
x(1)的均值生成序列为:
建立灰色Verhulst模型:
x(0)(k)+az(1)(k)=b(z(1)(k))2;
其中,参数a、b由最小二乘法求得:
灰色Verhulst模型对应的白化微分方程为:
基于参数参数a、b得出上述白化微分方程的解:
得出灰色Verhulst模型时间相应序列为:
对上式累减还原后得出原始交通流量预测值:
优选地,所述数据改进模块具体用于:
设初值x′(0)(1),将初值x′(0)(1)代入灰色Verhulst模型时间相应序列得到:
利用最小二乘法原理建立目标函数F:
整理得:
对上式累减还原后得出交通流量初始预测值为:
优选地,所述残差修正模块具体用于:
获取残差序列ε(0)=(ε(0)(2),ε(0)(3),…,ε(0)(n));
将残差序列划分为s个状态,记为E={E1,E2,…,Es};
计算状态转移概率矩阵:
以残差序列中待修正元素的前s个元素的状态为原始状态,依据其离待修正元素的远近分别转移1,2,……,s步,在转移步数所对应的转移矩阵中,取原始状态所对应的行向量组成新概率矩阵;
对新概率矩阵的列向量求和,得到待修正元素在每个状态区间的概率矩阵P:
p=[p1,p2,…,ps];
利用矩阵P加权平均得到修正的残差值:
得出最终预测值:
本发明提出的基于Markov的灰色Verhulst短时交通流预测方法,首先基于原始交通流量序列得到原始交通流量预测值,并将原始交通流量预测值作为待定参数,再利用倒数变换和最小二乘法对公式中的初值进行改进,根据新的初值求得交通流量初始预测值,使其预测的偏差达到最小,保证预测结果的准确性和有效性;最后利用Markov链对预测所得到的残差进行修正,一方面有利于提高模型的精度,另一方面能够大大提高最终预测结果的精确性,从而为实际短时交通流的计算提供准确有效的参照基础。
附图说明
图1为一种基于Markov的灰色Verhulst短时交通流预测方法的步骤示意图;
图2为一种基于Markov的灰色Verhulst短时交通流预测系统的结构示意图;
图3为一种基于Markov的灰色Verhulst短时交通流预测方法及系统的实施例中原始数据与三种预测结果的比较示意图;
图4为一种基于Markov的灰色Verhulst短时交通流预测方法及系统的实施例中三种预测结果的误差比较示意图。
具体实施方式
如图1-图2所示,图1-图2为本发明提出的一种基于Markov的灰色Verhulst短时交通流预测方法及系统。
参照图1,本发明提出的基于Markov的灰色Verhulst短时交通流预测方法,包括以下步骤:
S1、基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;
本实施方式中,步骤S1具体包括:
基于历史交通流量数据建立原始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为原始交通流量序列,x(0)(k)为历史交通流量数据,x(0)(k)≥0,k=1,2,3...n;
对原始交通流量序列x(0)进行一次累加操作生成(1-AGO),得到累加后序列:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n));
x(1)的均值生成序列为:
建立灰色Verhulst模型:
x(0)(k)+az(1)(k)=b(z(1)(k))2;
其中,参数a、b由最小二乘法求得:
灰色Verhulst模型对应的白化微分方程为:
基于参数参数a、b得出上述白化微分方程的解:
得出灰色Verhulst模型时间相应序列为:
对上式累减还原后得出原始交通流量预测值:
S2、利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;
本实施方式中,步骤S2具体包括:
设初值x′(0)(1),将初值x′(0)(1)代入灰色Verhulst模型时间相应序列得到:
整理得:
对上式累减还原后得出交通流量初始预测值为:
S3、利用Markov链对初始预测值的残差进行修正,得到最终预测值。
本实施方式中,步骤S3具体包括:
获取残差序列ε(0)=(ε(0)(2),ε(0)(3),…,ε(0)(n));
计算状态转移概率矩阵:
以残差序列中待修正元素的前s个元素的状态为原始状态,依据其离待修正元素的远近分别转移1,2,……,s步,在转移步数所对应的转移矩阵中,取原始状态所对应的行向量组成新概率矩阵;
对新概率矩阵的列向量求和,得到待修正元素在每个状态区间的概率矩阵P:
p=[p1,p2,…,ps];
利用矩阵P加权平均得到修正的残差值:
得出最终预测值:
参照图2,图2为本发明提出的基于Markov的灰色Verhulst短时交通流预测系统,包括:
模型构建模块,用于基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;
本实施方式中,所述模型构建模块具体用于:
基于历史交通流量数据建立原始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为原始交通流量序列,x(0)(k)为历史交通流量数据,x(0)(k)≥0,k=1,2,3…n;
对原始交通流量序列x(0)进行一次累加操作生成(1-AGO),得到累加后序列:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n));
x(1)的均值生成序列为:
建立灰色Verhulst模型:
x(0)(k)+az(1)(k)=b(z(1)(k))2;
其中,参数a、b由最小二乘法求得:
灰色Verhulst模型对应的白化微分方程为:
基于参数参数a、b得出上述白化微分方程的解:
得出灰色Verhulst模型时间相应序列为:
对上式累减还原后得出原始交通流量预测值:
数据改进模块,用于利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;
本实施方式中,所述数据改进模块具体用于:
设初值x′(0)(1),将初值x′(0)(1)代入灰色Verhulst模型时间相应序列得到:
整理得:
对上式累减还原后得出交通流量初始预测值
残差修正模块,用于利用Markov链对初始预测值的残差进行修正,得到最终预测值。
本实施方式中,所述残差修正模块具体用于:
获取残差序列ε(0)=(ε(0)(2),ε(0)(3),…,ε(0)(n));
计算状态转移概率矩阵:
以残差序列中待修正元素的前s个元素的状态为原始状态,依据其离待修正元素的远近分别转移1,2,……,s步,在转移步数所对应的转移矩阵中,取原始状态所对应的行向量组成新概率矩阵;
对新概率矩阵的列向量求和,得到待修正元素在每个状态区间的概率矩阵P:
p=[p1,p2,…,ps];
利用矩阵P加权平均得到修正的残差值:
得出最终预测值:
本实施方式提出的基于Markov的灰色Verhulst-Markov短时交通流预测方法和系统,首先基于原始交通流量序列得到原始交通流量预测值,并将原始交通流量预测值作为待定参数,再利用倒数变换和最小二乘法对公式中的初值进行改进,根据新的初值求得交通流量初始预测值,使其预测的偏差达到最小,保证预测结果的准确性和有效性;最后利用Markov链对预测所得到的残差进行修正,一方面有利于提高模型的精度,另一方面能够大大提高最终预测结果的精确性,从而为实际短时交通流的计算提供准确有效的参照基础。
下面结合实施例对本发明做进一步说明:为了评价预测结果,本实施方式采取平均绝对百分比误差(Mean Absolute Percent Error,MAPE)作为评价指标,指标计算公式如下:
由于离差被绝对化,不会出现正负相抵消的情况,所以平均绝对误差能更好的反映预测值误差的实际情况,其值越小表明模型的精度越高。
将原始数据分别代入传统灰色Verhulst模型(模型一),改进初值的灰色Verhulst模型(模型二)和本实施方式提出的基于Markov的灰色Verhulst模型(模型三),利用Matlab计算出该模型的预测值和MAPE值,验证模型的精度。在(模型三)的求解中,考虑到残差序列分布较散,以样本均值均方差为标准将序列分为5个状态,分别为 (如表1所示),则相应的的状态转移概率矩阵、P矩阵(以9:00-9:05为例)如下:
三个模型的预测结果及平均绝对百分比误差见表1、图3、图4:
表1.灰色Verhulst模型及其改进的模型预测结果比较
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 (4)
1.一种基于Markov的灰色Verhulst短时交通流预测方法,其特征在于,包括以下步骤:
S1、基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;
S2、利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;
S3、利用Markov链对初始预测值的残差进行修正,得到最终预测值;
步骤S1具体包括:
基于历史交通流量数据建立原始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为原始交通流量序列,x(0)(k)为历史交通流量数据,x(0)(k)≥0,k=1,2,3...n;
对原始交通流量序列x(0)进行一次累加操作生成(1-AGO),得到累加后序列:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n));
x(1)的均值生成序列为:
建立灰色Verhulst模型:
x(0)(k)+az(1)(k)=b(z(1)(k))2;
其中,参数a、b由最小二乘法求得:
灰色Verhulst模型对应的白化微分方程为:
基于参数参数a、b得出上述白化微分方程的解:
得出灰色Verhulst模型时间相应序列为:
对上式累减还原后得出原始交通流量预测值:
步骤S2具体包括:
设初值x′(0)(1),将初值x′(0)(1)代入灰色Verhulst模型时间相应序列得到:
利用最小二乘法原理建立目标函数F:
整理得:
对上式累减还原后得出交通流量初始预测值为:
2.根据权利要求1所述的基于Markov的灰色Verhulst短时交通流预测方法,其特征在于,步骤S3具体包括:
获取残差序列ε(0)=(ε(0)(2),ε(0)(3),…,ε(0)(n));
将残差序列划分为s个状态,记为E={E1,E2,…,Es};
计算状态转移概率矩阵:
以残差序列中待修正元素的前s个元素的状态为原始状态,依据其离待修正元素的远近分别转移1,2,……,s步,在转移步数所对应的转移矩阵中,取原始状态所对应的行向量组成新概率矩阵;
对新概率矩阵的列向量求和,得到待修正元素在每个状态区间的概率矩阵P:
p=[p1,p2,…,ps];
利用矩阵P加权平均得到修正的残差值:
得出最终预测值:
3.一种基于Markov的灰色Verhulst短时交通流预测系统,其特征在于,包括:
模型构建模块,用于基于原始交通流量序列建立灰色Verhulst模型,得出原始交通流量预测值;
数据改进模块,用于利用倒数变换和最小二乘法对原始交通流量预测值进行改进,得出初始预测值;
残差修正模块,用于利用Markov链对初始预测值的残差进行修正,得到最终预测值;
所述模型构建模块具体用于:
基于历史交通流量数据建立原始交通流量序列,记为:
x(0)={x(0)(1),x(0)(2),x(0)(3)...x(0)(n)};
其中,x(0)为原始交通流量序列,x(0)(k)为历史交通流量数据,x(0)(k)≥0,k=1,2,3...n;
对原始交通流量序列x(0)进行一次累加操作生成(1-AGO),得到累加后序列:
x(1)=(x(1)(1),x(1)(2),…,x(1)(n));
x(1)的均值生成序列为:
建立灰色Verhulst模型:
x(0)(k)+az(1)(k)=b(z(1)(k))2;
其中,参数a、b由最小二乘法求得:
灰色Verhulst模型对应的白化微分方程为:
基于参数参数a、b得出上述白化微分方程的解:
得出灰色Verhulst模型时间相应序列为:
对上式累减还原后得出原始交通流量预测值:
所述数据改进模块具体用于:
设初值x′(0)(1),将初值x′(0)(1)代入灰色Verhulst模型时间相应序列得到:
利用最小二乘法原理建立目标函数F:
整理得:
对上式累减还原后得出交通流量初始预测值为:
4.根据权利要求3所述的基于Markov的灰色Verhulst短时交通流预测系统,其特征在于,所述残差修正模块具体用于:
获取残差序列ε(0)=(ε(0)(2),ε(0)(3),…,ε(0)(n));
将残差序列划分为s个状态,记为E={E1,E2,…,Es};
计算状态转移概率矩阵:
以残差序列中待修正元素的前s个元素的状态为原始状态,依据其离待修正元素的远近分别转移1,2,……,s步,在转移步数所对应的转移矩阵中,取原始状态所对应的行向量组成新概率矩阵;
对新概率矩阵的列向量求和,得到待修正元素在每个状态区间的概率矩阵P:
p=[p1,p2,…,ps];
利用矩阵P加权平均得到修正的残差值:
得出最终预测值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532341.8A CN109637128B (zh) | 2018-12-14 | 2018-12-14 | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532341.8A CN109637128B (zh) | 2018-12-14 | 2018-12-14 | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109637128A CN109637128A (zh) | 2019-04-16 |
CN109637128B true CN109637128B (zh) | 2021-06-18 |
Family
ID=66073995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532341.8A Expired - Fee Related CN109637128B (zh) | 2018-12-14 | 2018-12-14 | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109637128B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555560A (zh) * | 2019-09-05 | 2019-12-10 | 浙江工商大学 | 内河船舶交通流预测方法 |
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 |
CN112949932B (zh) * | 2021-03-18 | 2024-02-02 | 自然资源部第二海洋研究所 | 船舶交通流预测方法、装置、计算机设备及存储介质 |
CN113191560B (zh) * | 2021-05-08 | 2024-06-07 | 北京工业大学 | 一种改进sgm(1,1)模型的共享单车短时需求预测方法及系统 |
CN116110237B (zh) * | 2023-04-11 | 2023-06-20 | 成都智元汇信息技术股份有限公司 | 一种基于灰色马尔科夫链的信号灯控制方法及装置及介质 |
CN116978222B (zh) * | 2023-07-24 | 2024-04-16 | 重庆邮电大学 | 一种基于时空数据的短时交通流预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321555B2 (en) * | 2003-04-16 | 2008-01-22 | International Business Machines Corporation | Multilevel analysis of self-similar network traffic |
-
2018
- 2018-12-14 CN CN201811532341.8A patent/CN109637128B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002298281A (ja) * | 2001-03-30 | 2002-10-11 | Foundation For The Promotion Of Industrial Science | 交通量予測装置、交通量予測方法、交通情報センターおよび車載ナビゲーションシステム |
CN103413443A (zh) * | 2013-07-03 | 2013-11-27 | 太原理工大学 | 基于隐马尔科夫模型的短时交通流状态预测方法 |
CN106448151A (zh) * | 2016-07-07 | 2017-02-22 | 河南理工大学 | 一种短时交通流预测方法 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
Non-Patent Citations (5)
Title |
---|
A Short-term Traffic Flow Forecasting Method Based on Markov Chain and Grey Verhulst Model;Darong Huang Et al.;《2017 IEEE 6th Data Driven Control and Learning Systems Conference》;20170531;第606-610页 * |
Darong Huang Et al..A Short-term Traffic Flow Forecasting Method Based on Markov Chain and Grey Verhulst Model.《2017 IEEE 6th Data Driven Control and Learning Systems Conference》.2017,第606-610页. * |
灰色MGM(1,m)和Verhulst模型的优化方法研究;熊萍萍;《中国博士学位论文全文数据库基础科学辑》;20140615(第06期);A003-1 * |
灰色Verhulst模型在短时交通流预测中的应用;许大宏;《计算机时代》;20110228(第2期);第51-56页 * |
融合时空信息的短时交通流预测;褚鹏宇等;《计算机工程与应用》;20161231;第52卷(第12期);第246-250页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109637128A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109637128B (zh) | 一种基于Markov的灰色Verhulst短时交通流预测方法及系统 | |
CN106448151B (zh) | 一种短时交通流预测方法 | |
Lu et al. | A combined method for short-term traffic flow prediction based on recurrent neural network | |
CN107862864B (zh) | 基于驾驶习惯和交通路况的行驶工况智能预测估计方法 | |
Wu et al. | A combined deep learning method with attention‐based LSTM model for short‐term traffic speed forecasting | |
CN112257850B (zh) | 一种基于生成对抗网络的车辆轨迹预测方法 | |
CN109493599A (zh) | 一种基于生成式对抗网络的短时交通流预测方法 | |
CN108447260B (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 | |
CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
CN105321345A (zh) | 一种基于ARIMA模型和kalman滤波的道路交通流预测方法 | |
CN112734094B (zh) | 一种智慧城市智轨车辆故障基因预测方法及系统 | |
CN109544926B (zh) | 一种基于路口相关性的交通流量修复方法 | |
CN111815075B (zh) | 一种重大公共卫生事件下交通出行需求的预测方法 | |
CN108171365B (zh) | 一种基于改进svm算法的交通状态预测方法 | |
CN107688556B (zh) | 一种基于函数型主成分分析的实时行程时间计算方法 | |
CN106759546B (zh) | 基于改进多变量灰色预测模型的基坑变形预测方法及装置 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN108764528A (zh) | 一种基于影响因子分析的日最大负荷区间预测方法 | |
CN109147322B (zh) | 一种城市交通大数据处理中多源数据自适应融合方法 | |
CN110210326A (zh) | 一种基于光纤振动信号的在线列车识别及速度估计方法 | |
CN117273201A (zh) | 一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法 | |
CN116110219B (zh) | 交通事故预测方法 | |
CN107273703B (zh) | 一种路面使用性能分布情况预测方法 | |
CN115115082B (zh) | 一种基于联邦学习的长距离高速公路交通流量预测方法 | |
CN108134687B (zh) | 一种基于马尔可夫链的灰色模型局域网峰值流量预测方法 |
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 |
Granted publication date: 20210618 |
|
CF01 | Termination of patent right due to non-payment of annual fee |