第３０卷第１期
２０１３年１月 计算机应用与软件
Ｃｏｍｐｕｔｅｒ Ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ Ｓｏｆｔｗａｒｅ Ｖ０ｌ＿３０ Ｎｏ．１
Ｊａｎ．２０１３
短时交通流预测ＷＴ．ＡＯＳＶＲ模型
李茂同 袁 健
（上海理工大学光电信息与计算机工程学院上海２０００９３）
摘要 ＡＯＳＶＲ（Ａｃｃｕｒａｔｅ Ｏｎｌｉｎｅ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）具有在线学习和模型在线更新的优点，可应用于交通流量的实时预
测，其中算法的核函数的选择对模型的学习、推广和泛化能力起着重要的作用，但是至今有关核函数的选择缺乏科学的理论依据。 为了进一步提高模型的学习和推广能力等，提出一种ｗＴ—ＡＯＳＶＲ（Ｗｅｉｇｈｔ Ｔａｂｌｅ Ａｎｄ Ａｃｃｕｒａｔｅ Ｏｎｌｉｎｅ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）模型。
对交通流进行数据挖掘，分类处理，构造支路ＡＯＳＶＲ模型和权值表，在交通流预测时，通过搜索权值表就可以得到多条支路模型的
一种加权组合模型。仿真实验表明该方法既提高了模型学习精度又保证了模型的泛化和推广能力，具有一定的应用价值。
关键词 交通流 预测 权值表ＡＯＳＶＲ分类树
中图分类号ＴＰ１８１ Ｕ４９１ 文献标识码Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—３８６ｘ．２０１３．Ｏ１．０７１
ＷＴ．ＡｏＳＶＲ ＭｏＤＥＬＳ ＦｏＲ ＳＨｏＲＴ．ＴＩＭＥ ＴＲＡＦＦＩＣ ＦＬｏＷ ＰＲＥＤＩＣＴＩｏＮ
Ｌｉ Ｍａｏｔｏｎｇ Ｙｕａｎ Ｊｉａｎ
（Ｃｏｌｌｅｇｅ ｏｆＰｈｏｔｏｅｌｅｃｔｒｉｃ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｗｅｍｉ￣ｏｆＳｈａｎｇｈａｉｆｏｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ ２０００９３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ ＡＯＳＶＲ ｔａｋｅｓ ｔｈｅ ａｄｖａｎｔａｇｅ ｏｆ ｏｎｌｉｎｅ ｌｅａｒｎｉｎｇ ａｎｄ ｏｎｌｉｎｅ ｕｐｄａｔｉｎｇ ｉｔｓ ｍｏｄｅｌ ａｎｄ ｃａｎ ｂｅ ｕｓｅｄ ｉｎ ｒｅａｌ—ｔｉｍｅ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｒａｆｆｉｃ ｆｌｏｗ．Ｉｎ ｉｔ ｔｈｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎ ｏｆ ｔｈｅ ａｌｇｏｒｉｔｈｍ ｐｌａｙｓ ａｎ ｉｍｐｏｒｔａｎｔ ｒｏｌｅ ｉｎ ｍｏｄｅｌ’Ｓ ｌｅａｒｎｉｎｇ，ｐｒｏｍｏｔｉｏｎ ａｎｄ ｇｅｎｅｒａｌｉｓａｔｉｏｎ ａｂｉｌｉｔｙ．
短时交通流量预测分析
交通流量的预测对于交通管理和规划至关重要。在城市中，交通流量的准确预测可以帮助决策者优化交通信号控制系统、规划道路和公共交通线路，以及改善交通拥堵状况，提高出行效率。短时交通流量预测涉及对未来较短时间范围内交通流量的估计，通常在小时或更短的时间段内。本文将探讨短时交通流量预测的分析方法和应用。
短时交通流量预测的分析方法可以分为经验模型和机器学习模型两类。经验模型基于专家经验和规则来建立预测模型，包括时间序列分析、回归分析和模糊推理等方法。时间序列分析可以利用历史数据的周期性和趋势性来预测未来的交通流量。回归分析可以根据交通流量与其他因素之间的关系来建立预测模型。模糊推理可以模拟人类的推理过程来预测交通流量。这些方法通常需要手动选择模型和参数，并且对数据的要求比较高。
机器学习模型基于数据来学习交通流量的特征和模式，并利用学习的结果来预测未来的交通流量。常用的机器学习方法包括神经网络、支持向量机、决策树和随机森林等。这些方法通常不需要手动选择模型和参数，可以自动学习数据的特征和模式。机器学习模型的性能通常受数据质量、特征选择和模型调优等因素的影响。
短时交通流量预测的应用包括交通信号控制、交通调度和交通规划等。交通信号控制可以根据预测的交通流量来优化交通信号的配时，以减少交通拥堵和等待时间。交通调度可以根据预测的交通流量来调整公交车和出租车的行驶路线和时间，以提高服务质量和效率。交通规划可以根据预测的交通流量来规划道路和公共交通线路，以满足未来的出行需求。 总之，短时交通流量预测是交通管理和规划中的重要任务。通过收集和处理数据，应用经验模型和机器学习模型，可以对未来较短时间范围内的交通流量进行准确预测。这些预测结果可以应用于交通信号控制、交通调度和交通规划等多个领域，以优化交通系统的性能和效率。随着数据收集和分析技术的不断发展，短时交通流量预测的准确性和实用性将进一步提高。
第46卷第1期 Vol. 46 No. 1•热点与综述•计算机工程Computer Engineering文章编号：1000-3428(2020)01-0031-072020年1月 January 2020中图分类号：TP391基于时空相关性的短时交通流量预测方法闫杨，孙丽D!朱兰婷(青岛科技大学信息科学技术学院，山东青岛266061)摘要：新一 交通系统的 出行、交通大 决 准 的短时交通 ， 学习通过机器学习技术自 生特征，可为短时交通 提供解决方法。 学习模型为基础，提出一种结合Conv-GRU和Bi-GRU的短时交通 方法，利用 4 环单元提取交通 的时空特征，通双向门环单元提取交通 的 特征，将提取的特 融合 交通 的 值。 表，该方 g够准确地 短时交通 ，与Conv-LSTM方法相比， 较，具有更短的运 间。关键词：短交通 ） -门控循环单元；双向 环单元；时空特征； 性特开放科学（资源服务）标志码（OSID):中文引用格式：闫杨，孙丽捃，朱兰婷.基于时空相关性的短时交通流量预测方法[J].计算机工程，2020，46( 1 ):31门7. 英文引用格式：YAN Yang，SUN Lijun，ZHU Lanting. Shortterm traffic flow prediction method based on spatiotemporal relativity [ J] . Computer Engineering，2020，46 (1): 31 门7.Short-TermTraffic FlowPredictionMethodBasedonSpatiotemporal RelativityYAN Yang，SUN Lijun，ZHU Lanting(College of Information Science and Technology，Qingdao University of Science and Technology，Qingdao,Shandong 266061，China)[Abstract] The intelligent travel of the new generation intelligent traffic system and the intelligentraffic big data need accurate and timely short-term traffic flow prediction. Deep learning can generate features blearning technology，which provides a new solution to the short-term traffic prediction. Based on deep learning model，this paper proposes a short-term traffic flow prediction method that combines Convolution-Gated Recurrent Unit# Conv-GRU) and Bi-directional Gated Recurrent Unit# Bi-GRU). The proposed method uses Conv-GRU to extract ttraffic flow and Bi-GRU to extract the periodic feature of traffic flow. The extracted features are integratedprediction value of traffic flow. Experimental results show that the proposed method can accurately predict the short-term traffic flow. Compared with the Conv-LSTM method，this method has faster convergence speed and shorter running time. [Key words] short-term traffic flow; Convolution-Gated Recurrent Unit# Conv-GRU) ； Bi-directional Gated Recurrent Unit# Bi-GRU); spatiotemporal feature; periodic feature DOI:10. 19678/j. issn. 1000门428.00551050概述随着城市交通系统的 ，移动互联、车路、主 、自主高效的新一代合 交通系统已经成为未 路交通管理系统的主要推动 \[1]。 为新一 交通系统的 一环，准、的短时交通 仅可以帮助人们规划出路线、 出 间，从而减少交通拥堵 的资源浪费，而且也为 信息感知、 联、协同共享、 处理、应用开放的智慧城市建设发挥至关 的作用。目前为止，学者们已经提出 多 的短交通 方法，主有基 间 的交通方法、基统计 的短时交通流i方 基 学习的短 交通 方大类。一类为基 间 的交通 方法。文献[2]提出一种基于季节性差分整合 自回归模型（ARIMA)的短时交通 方法，该方针对 的季 对交通 。然而由基金项目：国家自然科学基金#61671261);国家自然科学基金青年基金#61802217)。作者简介：闫杨#1994一），男，硕士研究生，主研方向为智能交通、物联网；孙 ，副教授、博士；朱兰婷，硕士研究生。收稿日期"2019-6-4 修回日期"2019-8-5 E-mail：lijnnsun@
Hadoop环境下基于SVR的短时交通流预测的开题报告
一、选题背景
随着城市交通规模的增大和交通拥堵问题的日益突出，对城市交通流的高精度预测成为研究的热点。短时交通流预测是指对于短时间内（如5分钟、10分钟或15分钟）内的交通流预测，是针对不同时段的交通流量进行预测，便于交通部门对交通拥堵情况及时调整，同时也为智慧交通系统提供了数据支持。目前已经有不少研究学者对短时交通流预测进行了深入的研究，提出了许多有效的预测方法。
Hadoop是一个开源的分布式计算平台，能够对大规模数据进行高效的处理和分析。在城市交通流预测领域中，利用Hadoop平台可以帮助我们更加高效地处理海量交通数据，提高交通流预测的准确率和效率。
支持向量机回归（Support Vector Regression, SVR）是一种强大的回归方法，它可以在高维空间中生成核函数，从而对非线性问题进行建模和求解。在短时交通流预测中，SVR可以通过训练历史交通流数据来建立模型，并对未来的交通流进行预测。
二、选题目的
本文旨在将Hadoop平台和SVR回归模型结合起来，应用于城市短时交通流预测中，提高交通流预测的准确率和效率。具体来说，主要有以下目的：
1、分析Hadoop平台在短时交通流预测中的应用；
2、研究SVR回归模型在城市短时交通流预测中的优势和不足；
3、探究如何将Hadoop平台和SVR回归模型结合应用于城市短时交通流预测中。 三、研究内容
1、分析Hadoop平台在短时交通流预测中的优势和不足，探究其适用范围；
2、研究SVR回归模型的理论知识和算法原理；
3、以某城市的交通流量数据为基础，采用SVR回归模型进行预测，利用Hadoop平台实现模型的高效处理和分析；
4、比较SVR回归模型和其他短时交通流预测方法的预测效果，评估其准确性和效率。
四、研究意义
本文的研究成果对于城市交通部门、交通流数据分析机构以及智慧交通系统都有一定的意义，可以帮助他们更加准确地预测交通流量情况，及时调整交通管理策略，降低城市交通拥堵。此外，本文也有一定的理论研究意义，可以为短时交通流预测方法的研究提供借鉴和参考。
