基于时延特性建模的多断面短时交通流预测

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (3): 54-60.

• 智能交通系统与信息技术 • 上一篇下一篇

基于时延特性建模的多断面短时交通流预测

刘小明^*1，田玉林¹，唐少虎²，尚春琳¹，魏路¹

1. 北方工业大学城市道路交通智能控制技术北京市重点实验室，北京 100043； 2. 北京联合大学城市轨道交通与物流学院，北京 100101

收稿日期:2020-01-21 修回日期:2020-02-14 出版日期:2020-06-25 发布日期:2020-06-28
作者简介:刘小明(1974-)，男，河北唐山人，教授，博士.
基金资助:
国家重点研发计划/ National Key Research and Development Program of China(2018YFB1601003)；北京市自然科学基金/ Natural Science Foundation of Beijing, China (8184070, 8172018).

Short-term Traffic Flow Prediction of Multi-sections Based on Time-delay Modeling

LIU Xiao-ming¹, TIAN Yu-lin¹, TANG Shao-hu², SHANG Chun-lin¹, WEI Lu¹

1. Beijing Key Lab of Urban Road Traffic Intelligent Technology, North China University of Technology, Beijing 100043, China; 2. College of Urban Rail Transit and Logistics, Beijing Union University, Beijing 100101, China

Received:2020-01-21 Revised:2020-02-14 Online:2020-06-25 Published:2020-06-28

摘要/Abstract

摘要：

针对现有交通流预测方法未充分考虑多断面车流演变规律，提出基于时延特性建模的时空相关性计算方法. 该方法采用对不同断面、不同时刻交通流的分布相似性度量，对输入的车辆到达数据序列进行切割构建时空相似度矩阵，得到相邻断面之间的时延参数. 基于时延特性建模，将多断面之间的流量信息进行融合，使用长短时记忆(LSTM)网络进行流量预测. 通过对实际路段数据的预测和结果分析，验证所提方法的有效性和实用性.

关键词: 城市交通, 交通流预测, 时延建模, LSTM网络

Abstract:

In view of the existing traffic flow prediction methods failed to fully reveal the evolution rules of the traffic flow in multi- sections, this paper proposes a spatiotemporal correlation method based on traffic flow transmission delay modeling. This method introduces the similarity measure of traffic flow distribution in different traffic sections at different time, and constructs a spatial-temporal similarity matrix by segmenting the input data sequence of arrival vehicles. The delay parameters between adjacent sections are obtained. Based on the modeling of delay property, the traffic flow data between multi-sections is fused, and the traffic flow prediction is carried out by using the Long Short- Term Memory (LSTM) network. The validity and practicability of this method was verified by experimental analysis with actual traffic flow data.

Key words: urban traffic, traffic flow prediction, modeling of time delay, Long Short-Term Memory (LSTM) network

中图分类号:

U491.1

刘小明，田玉林，唐少虎，尚春琳，魏路. 基于时延特性建模的多断面短时交通流预测[J]. 交通运输系统工程与信息, 2020, 20(3): 54-60.

LIU Xiao-ming, TIAN Yu-lin, TANG Shao-hu, SHANG Chun-lin, WEI Lu. Short-term Traffic Flow Prediction of Multi-sections Based on Time-delay Modeling[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(3): 54-60.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract20045.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I3/54

参考文献

[1] 常刚，张毅，姚丹亚. 基于时空依赖性的区域路网短时交通流预测模型[J]. 清华大学学报(自然科学版), 2013, 53(2): 215-221. [CHANG G, ZHANG Y, YAO D Y. Short-term traffic flow forecasting model for regional road network based on spatial-temporal dependency[J]. Journal of Tsinghua University(Science and Technology), 2013, 53(2): 215-221.]

[2] 邹东, 刘琼, 黄梓荣. 城市轨道交通线网时空相关性客流预测研究[J]. 城市轨道交通研究, 2016, 19(3): 32- 37. [ZOU D, LIU Q, HUANAG Z R. Spatial-temporal correlation prediction for passenger flow in urban rail transit network[J]. Urban Mass Transit, 2016, 19(3): 32- 37.]

[3] WU Y, TAN H, QIN L, et al. A hybrid deep learning based traffic flow prediction method and its understanding[J]. Transportation Research Part C: Emerging Technologies, 2018(90): 166-180.

[4] LIN L, HE Z, PEETA S. Predicting station-level hourly demand in a large-scale bike-sharing network: A graph convolutional neural network approach[J]. Transportation Research Part C: Emerging Technologies, 2018(97): 258-276.

[5] DAI X, FU R, ZHAO E, et al. DeepTrend 2.0: A lightweighted multi-scale traffic prediction model using detrending[J]. Transportation Research Part C: Emerging Technologies, 2019(103): 142-157.

[6] 陈建阳. 交通流微观模型与宏观模型的统一[J]. 同济大学学报(自然科学版), 1997(1): 46-49. [CHEN J Y. Integration of traffic flow macroscopic model and microscopic model[J]. Journal of Tongji University (Natural Science), 1997(1): 46-49.]

[7] 李巧茹, 赵蓉, 陈亮, 等. 基于SVM与自适应时空数据融合的短时交通流量预测模型[J]. 北京工业大学学报, 2015(4): 597-602. [LI Q R, ZHAO R, CHEN L, et al. Short-term traffic flow forecasting model based on SVM and adaptive spatio- temporal data fusion[J]. Journal of Beijing University of Technology, 2015(4): 597-602.]

[8] 罗向龙, 焦琴琴, 牛力瑶, 等. 基于深度学习的短时交通流预测[J]. 计算机应用研究, 2017, 34(1): 91-93, 97. [LUO X L, JIAO Q Q, NIU L Y, et al. Short-term traffic flow prediction based on deep learning[J]. Application Research of Computers, 2017, 34(1): 91- 93, 97.]

[9] 郭欢, 肖新平, JEFFREY FORREST. 基于GM(1,1|τ,r) 模型的城市道路短时交通流预测[J]. 交通运输系统工程与信息, 2013, 13(6): 60-66. [GUO H, XIAO X P, JEFFREY F. Urban road short-term traffic flow forecasting based on the delay and nonlinear Grey model [J]. Journal of Transportation Systems Engineering and Information Technology, 2013, 13(6): 60-66.]

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.

基于时延特性建模的多断面短时交通流预测

Short-term Traffic Flow Prediction of Multi-sections Based on Time-delay Modeling

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics