PEMS 数据集是由美国加利福尼亚州的交通部门联合其他伙伴机构建立的统一公开交通数据库。美国加利福尼亚州的交通部门在交通路网上大约设置了超过39000 个交通监测站，交通管理部门安装在路网上的各类传感器可以实时地收集所在高速公路上的交通状况信息，越是接近市区人口密集的地区，传感器布置的也越密集，从分布上来看，这些传感器大多被安置在靠近市区的路段上。PEMS提供了超过十年的历史交通状况数据，整合了有关加州运输公司以及其他交通机构系统的各类信息。 PemsD3 交通数据集：数据由分布在加利福尼亚州高速公路系统（CalTrans）中选择 228 个站点数据。数据集从30 秒的数据样本聚合到5 分钟的时间间隔内。时间范围在 2012 年5 月和6 月的工作日的228 个站点交通速度信息，数据包括邻接矩阵和特征矩阵。 邻接矩阵是通过分析已有时空交通数据的特性，构建一种新的具有相似交通流量模式的 矩阵，特征矩阵是每个传感器节点的时间序列特征矩阵。

交通预测相关数据（出租车，网约车，分析过程文件），包含json文件、taxidata等。基于出租车数据预测交通拥堵和交通流量的案例，展示如何利用人工神经网络与深度学习方法预测交通状态。通过这个项目，你们可以了解交通大数据的清洗和可视化的基本流程，并手动搭建一个人工神经网络对交通拥堵状况进行预测，更进一步你们将学会如何搭建深度学习模型预测交通的流量。 注：数据仅供学习研究使用，禁止商用及传播。侵删。

文档适合利用trancad制作公共交通需求预测模型，并且也能适用于路线系统的制作。

FineGrained PPT 本篇论文是郑宇团队法表在2021 AAAI的交通流预测的论文。基于郑宇团队之前在网格类时空数据的工作，本文将数据集划分为更小的粒度进行处理，同时用元学习器对额外特征（天气）和路网信息进行融合学习。本文的难点在于更细分的区域带来的参数量大难以处理等问题，如全局依赖更复杂，远距离的依赖需要求解更多的跳数，如果找常用卷积会带来计算量和内存容量的大幅度增长；同时额外因素经过全连接映射，最后需要映射到和交通流量同维度，也会造成太多的参数难以优化。 论文看起来似曾相识，却又有很好的创新点，实验设计也很完备，后来才发现也是郑宇网格类系列论文。本文依然没有专门对时间依赖用其他模型去处理，仍然是手工提取CPT时间序列。大体上还是基于CNN的，backbone处理了局部依赖，GloNet处理全局依赖并可以语义化理解。在backbone这里并不算创新，因为DeepLGR完全就是基于SENet去做的（但本文没有引用此文，我还对此保留意见。结果发现这篇也是郑宇团队的）。

利用bp神经网络算法，进行交通预测的Matlab源代码.doc

智慧交通预测挑战赛-数据集

USTGCN：使用图形神经网络进行交通预测的统一时空建模 作者 这是IJCNN 2021接受的“使用图形神经网络进行交通预测的统一时空建模”的pytorch实现。 环境设置 克隆git项目： $ git clone https://github.com/AmitRoy7781/USTGCN 创建一个新的conda环境并安装所需的软件包（命令适用于ubuntu 16.04） $ conda create -n TrafficEnv python=3.7 $ conda activate TrafficEnv $ pip install -r requirements.txt 基本用法： 主要参数： --dataset The input traffic dataset(default:PeMSD7) --GNN_layers Number of l

完整代码，可直接运行

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

天池智慧交通预测挑战赛解决方案 本博客分享新人第一次参加天池比赛的实况记录，比较完整地给出了数据预处理，缺失值补全，特征分析过程以及训练和交叉验证的注意事项，适合数据挖掘新人找到解题思路，全程没有调参，没有模型融合，只凭一手简单的特征和xgboost，最后止步41/1716，基本上可以作为时间序列预测类的比赛的baseline．完整代码在 （ps. 不是我不调参，不融合模型，是以现在的特征即使做了这些，提高也不会很大，所以还是特征的问题，可能太简单了） preprocess.py: 数据预处理（类型转换，缺失值处理，特征提取） xgbosst.py: 训练模型和交叉验证 1. 数据和题目说明 这个比赛的目标是提供一些路段流量的历史信息, 以此来预测未来一段时间的交通流量, 提供的数据一共有3个表: link_info, link_tops 和travel_time. 分别如下所示: lin