Page 93 - 《软件学报》2020年第12期

柏梦婷 等:行程时间预测方法研究 3759

Table 2 Data-driven methods (Continued)
表 2 数据驱动方法(续)
作者 方法 源数据 预测范围 准确率 优点 缺点 适用范围
迭代预测; 无法动态训练
北京三环 SDTCM 模型;需要在
Chen 单隐层
等人 [72] BPNN 高速公路: 2min~1h MRE:<10% 准确率高, 模型准确性 高速公路
速度 SITCM 和训练时间
平稳性好 间权衡
Hwy35 高速路 准确率高; 要根据交通
Wisitpongphan 三隐层
等人 [10] BPNN (22km):速度, 3h MSE:<3% 滑动窗口 状况训练 高速公路
行程时间,GPS 滚动预测 多个模型
BPNN:
MAPE:<17.3% FIR 对于 需要对数据
州际、城际 MARE<12.3% 周期性数据 进行预处理; 高速公路;
BPNN, 高速公路和 FIR: 预测性能
Yun 无法处理 城市道路
等人 [73] FIR, 城市交叉 MAPE:<8.2% 更好; 意外事故和 网络
RNN 路口: MARE<7.1% RNN 对于
行程时间 RNN: 随机数据 天气突变等 (交叉口)
MAPE:<5.4% 性能更好 异常情况
MARE:<5.2%
RNN I-5 高速公路 动态自适应; 预测区间和数据
Abdulhai 30s~ 高速公路
等人 [75] (TDRN), 仿真(8km): 15min MPE:<15% 结合相邻 聚合水平不一致 短期预测
GA 流量,密度 道路数据 时性能降低
澳大利亚 考虑当前 需要进行
Dia RNN 高速路(1.5km): 道路 多次实验 高速公路
等人 [76] (TDRN) 行程时间, 20s~15min MPE:<7% 上下游的 确定最佳 短期预测
流量,速度 数据 网络结构
Duan 英国高速公路: MRE: 能提取时间 不同道路的最佳
等人 [77] LSTM 行程时间 15min~60min 0.17~0.77 序列潜在模式 网络结构不同 高速公路
I-80 滑动窗口 需确定网络
Liu LSTM- 高速公路: MAPE: 高速公路;
等人 [79] DNN 5min~60min 1%~7.3% 滚动预测; 参数;训练 长期预测
行程时间 准确率高 时间长
A13 高速公路 结合了时间
Lint SSNN 仿真(7.3km): MRE:<10% 和空间 收敛速度慢;
等人 [32] 行程时间, 信息;网络 训练时间长 高速公路
速度,流量 结构较灵活
A13 高速公路 结合时间和 权重初始化
Lint SSNN,
等人 [80] 指数平滑 仿真(8.5km): 1min MRE:1.6% 空间信息; 要适当; 高速公路
速度,行程时间 鲁棒性强 地点特定
Li BSSNN, 深圳市滨河路 MAPE: 稳定性强; 性能受置信区间 城区
等人 [81] 贝叶斯 (8km):行程时间 2min 7.34% 加快收敛 参数影响大 主干道
适用于交通
台湾地区高速路 性能受数据 高速公路
Wu MRE:<4.5% 数据分析;
等人 [83] SVR (45,161, 3min RMSE:<7.4% 收敛速度快; 质量影响较大; 短期长距离
350km):速度 对核函数敏感 预测
参数较少
非拥堵 在线预测和 只适合短期
加利福尼亚州
Castro-Neto OL-SVR 高速路: 5min MAPE:<9% 更新模型; 预测;性能 高速公路
等人 [84] 拥堵 MAPE: 及时捕获 依赖于 短期预测
行程时间
<23.4% 交通变化 实时数据
通过 IGA 选择 对核函数和
Gao SVR, 廊坊市和平路 MRE:9.7% 模型参数;使用 参数选择 城区主干道
等人 [85] IGA 数据:行程时间 5min MAPE:12.4% 验证集 敏感;具有 短期预测
避免过拟合 滞后效应
模型简单,无需 交通拥堵和
训练;鲁棒性 突变时性能
东京高速公路
Bajwa RMSE: 较好;根据交通 降低;计算 高速公路
等人 [88] k-NN (283.3km): 5min <12.5% 状况自适应 复杂度高; 短期预测
行程时间
调整参数; 性能依赖于
可转移性强 数据库的质量