(3)道路区段交通拥堵指数计算 基于卡口的历史统计数据,通过时空聚类分析,确定路段区间的历史路况参数,设定合 理阈值同步分析相同区段的数据,有效的对区域内路进行分析,将路段区间平均行程状况指 标与自由行程下对应的路况指标阈值进行比较,得到该路段区间的实时路况。 33城市路网状态预测技术 (1)基于多源数据融合和神经网络的交通量估计模型 在实现路网实时监测的基础上,基于单一数据源的路网状态预测既不全面也不准确。浮 动车数据具有时间和空间上的广域性,但其只占路网全部车辆的一部分,难以直接表征路网 实际情况;卡口数据能很好地反映一个路段的真实流量,但其空间上的覆盖率过低,无法获 知路网任意路段的流量。 因此考虑以卡口数据作为实际状态的标签,以分时段的路段浮动车流量作为输入,采用 监督学习的方法,基于人工神经网络,建立由浮动车数据到真实交通量的估计模型。利用高 精度交通流参数估计模型,对各个路段、各个时间窗的实际交通量进行预测。 (2)基于张量的路况表征模型 由于交通流在时空上的自相关性、不稳定性及实际采集数据的离散和缺失问题,传统的 使用单一、静态参数的方法无法准确全面地表征交通状态,无法捕捉数据的深层次特征。本 研究探究使用一种基于张量的方法,根据髙精度交通流参数估计模型的结果,在数据组织层 面体现交通流的时空相关性,利用张量的数学特性弱化交通流不稳定性的影响,同时利用张 量数据补全技术,解决数据的离散和缺失问题 3)基于LSTM和卷积神经网络的融合短时流量预测模型 传统的参数模型难以准确捕捉短时交通流在时间上的变化模式,而基于原始递归神经网 络的机器学习方法易发生梯度爆炸和梯度弥散效应,长短期记忆模型(LSIM),由于在网络 结构上利用门控方法,通过在样本上的训练过程,对长期记忆和短期记忆进行有选择的取舍 从而对真实的时间影响进行拟合,能够较好地描绘交通流在时间上的发展模式, 同时,流量在空间上也呈现相关性,表现在相邻路段的流量接近,卷积神经网络(CN) 利用多层的卷积和采样层,考虑空间上近邻的样本之间的联系,并捕捉其数学联系,从而描 绘了流量在空间上的相关性。因此,本项目结合长短期记忆模型和卷积神经网络模型,对道 路流量的时空两个维度上的特征进行精准捕捉,实现短时的准确预测 (4)基于集成学习的路网车速预测模型（3）道路区段交通拥堵指数计算 基于卡口的历史统计数据，通过时空聚类分析，确定路段区间的历史路况参数，设定合 理阈值同步分析相同区段的数据，有效的对区域内路进行分析，将路段区间平均行程状况指 标与自由行程下对应的路况指标阈值进行比较，得到该路段区间的实时路况。 3.3 城市路网状态预测技术 （1）基于多源数据融合和神经网络的交通量估计模型 在实现路网实时监测的基础上，基于单一数据源的路网状态预测既不全面也不准确。浮 动车数据具有时间和空间上的广域性，但其只占路网全部车辆的一部分，难以直接表征路网 实际情况；卡口数据能很好地反映一个路段的真实流量，但其空间上的覆盖率过低，无法获 知路网任意路段的流量。 因此考虑以卡口数据作为实际状态的标签，以分时段的路段浮动车流量作为输入，采用 监督学习的方法，基于人工神经网络，建立由浮动车数据到真实交通量的估计模型。利用高 精度交通流参数估计模型，对各个路段、各个时间窗的实际交通量进行预测。 （2）基于张量的路况表征模型 由于交通流在时空上的自相关性、不稳定性及实际采集数据的离散和缺失问题，传统的 使用单一、静态参数的方法无法准确全面地表征交通状态，无法捕捉数据的深层次特征。本 研究探究使用一种基于张量的方法，根据高精度交通流参数估计模型的结果，在数据组织层 面体现交通流的时空相关性，利用张量的数学特性弱化交通流不稳定性的影响，同时利用张 量数据补全技术，解决数据的离散和缺失问题。 （3）基于 LSTM 和卷积神经网络的融合短时流量预测模型 传统的参数模型难以准确捕捉短时交通流在时间上的变化模式，而基于原始递归神经网 络的机器学习方法易发生梯度爆炸和梯度弥散效应，长短期记忆模型（LSTM），由于在网络 结构上利用门控方法，通过在样本上的训练过程，对长期记忆和短期记忆进行有选择的取舍， 从而对真实的时间影响进行拟合，能够较好地描绘交通流在时间上的发展模式。 同时，流量在空间上也呈现相关性，表现在相邻路段的流量接近，卷积神经网络（CNN） 利用多层的卷积和采样层，考虑空间上近邻的样本之间的联系，并捕捉其数学联系，从而描 绘了流量在空间上的相关性。因此，本项目结合长短期记忆模型和卷积神经网络模型，对道 路流量的时空两个维度上的特征进行精准捕捉，实现短时的准确预测。 （4）基于集成学习的路网车速预测模型