Traffic Flow Forecasting: Comparison of Modeling Approaches文献阅读笔记(一)

今天开始陆续更新之前文章的阅读笔记,有一些文章是辅助实验简单读的,有一些文章是精读的。这里也不做分类了,只是每次在开头提一下相关信息。

文章链接:戳我
主要工作:描述了历史
平均值、时间序列、神经网络和非参数回归四个模型对高速公路交通流量的预测问题。

在运营环境中预测交通量的能力已被确定为智能交通系统(ITS)的一个关键需求。这项研究工作的重点是为弗吉尼亚州北部的首都环形公路上的两个地点开发交通量预测模型。
弗吉尼亚州北部的首都环形公路上的两个地点开发交通量预测模型。针对高速公路交通流量预测问题,开发并测试了四个模型。

问题描述:已知当前时刻的流量,以及前一个预测期的交易量(这里选择15分钟为一个预测期)。此外,假设过去的条件数据库可以用来计算历史平均量。那么问题就可以被下图描述。
在这里插入图片描述
HA:利用过去交通量的平均值来预测将来的交通量。依赖交通流量的周期性,对于动态变化不能做出反应,比如事故,或者启动,急刹车这一类的。
HA的工作方式:在时间t,V(t+D)被估计为V(hist)(t+D)

Time series:自回归综合移动平均模型ARIMA:试图建立一个数学模型来解释之前的事。它依赖不间断的数据。

Back propagation neural network:反向传播是神经网络当前传播范围极广的范式。

在这里插入图片描述

反向传播网络在输入层接受输入,讲将加权后的输入值在隐藏层求和,对总和进行加权,最后传递给输出层。输入和输出之间的映射是通过网络结构分布的。这种模型表示允许灵活性,但是变量之间的关系难以确定。反向传播神经网络可以有效的表达复杂的非线性关系,但是有可能对网络进行过度训练,从而导致不是对关系的概括。

非参数回归:非参数回归被认为是一类动态的聚类模型

非参数回归的近邻计算例子:
考虑一个双变量的估计,函数表示为f(x)=y,其中y的估计值需要对xA=4和xB=9进行估计。
一个包含13个先前观察到的x,y对的数据库,下图就是数据库。假设领域大小k=3,领域A和B被识别出来,通过平均领域内的案例的Y值来计算出Y的估计值。

在这里插入图片描述
这个工作的算法被编码为自动邻居定义和预测生成过程。它可以通过简单地链接到一个站点的历史数据库来应用到场地,只需要与场地的历史数据库连接。
以上四种模型的优缺点可以表一描述。
在这里插入图片描述

交通流量预测是城市交通管理和规划的重要问题之一。传统的方法通常使用统计模型和时间序列分析来进行预测,但它们往往无法捕捉到交通流量数据中的复杂模式和非线性关系。因此,本文提出了一种基于多模态深度学习的混合方法来进行交通流量预测。 该方法将多模态数据(如历史交通流量数据、气象数据、节假日信息等)作为输入,利用深度神经网络来学习数据之间的复杂关系。深度神经网络可以自动提取特征,并通过多层次的非线性变换来捕捉到不同模态数据之间的依赖关系。 具体而言,该方法包括两个主要步骤:模态学习和流量预测。在模态学习阶段,使用深度神经网络对每个模态数据进行特征提取和表示学习,从而获得高维的特征表示。在流量预测阶段,利用这些特征表示来训练一个回归模型来进行交通流量的预测。可以使用不同的深度学习模型,如卷积神经网络和循环神经网络,来处理不同类型的输入数据。 该方法在实际的交通流量数据集上进行了实验,并与传统的方法进行了比较。实验结果表明,该混合方法在预测准确性和稳定性方面具有明显的优势。它能够更好地预测交通流量的变化趋势和峰值时段,并且具有较低的误差率。 综上所述,这种基于多模态深度学习的混合方法为交通流量预测提供了一种创新的解决方案。它可以更好地挖掘和利用不同模态数据之间的关联性,从而提高预测准确性,为城市交通管理和规划提供有价值的决策支持。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值