车流量预测任务是一个回归任务，旨在根据区域历史的车流量情况来预测其未来某一段时间的车流量情况。使用的数据为纽约市出租车流量数据。输入为纽约市各区域的历史车流量时间序列，输出为对应各区域的未来车流量的预测值。 纽约出租车流量数据集，时间跨度为从2015年1月1日到2015年3月1日。数据处理成为网格流量数据，时间间隔设定为30分钟。后20天数据被划定为测试集，其余数据为训练集。数据格式：以训练集为例，其shape=(192010202) 代表有1920个时间段，1020个区域，2个特征分别为区域的入流量与出流量

基于pytorch的LSTM时间序列预测的研究（交通流量预测）

关于天池地铁流量预测比赛的总结和代码rank82

城市交通道路流量预测代码+数据 分享城市交通道路流量预测代码+数据 分享城市交通道路流量预测代码+数据 分享

基于深度学习LSTM的流量预测 完整代码+项目 可直接运行

以某地铁站系统的用户客流量数据为基础，补充研究当日包含的天气因素等数据，完成基于地铁出行平常日(不包含节假日)客流量数据的训练，实现对地铁站点的客流进行分析和预测。 通过 2019 年某地铁站的日客流量数据以及，每日天气因素的数据，进行相关数据处理之后，将数据分割 8:2 对应训练集及测试集，选择神经网络模型对训练集数据进行训练，并对测试集数据进行预测和可视化输出。 包含技术 本项目用到的主要技术包括： 数据科学：numpy，pandas 画图：matplotlib，seaborn 数据建模：sklearn 神经网络模型：LSTM

车流量建模是车联网（vehicular Ad Hoc network，VANET）路由、多媒体接入协议、无线算法设计的基础。准确的车流量模型将对智能交通系统（intelligent transportation system，ITS）实时调度和车联网的信息安全起到十分重要的作用。基于上海市的交通流量数据，利用自回归（auto regressive，AR）模型与神经（back-propagation，BP）网络模型对车流量实测数据进行了仿真对比，给出了相应的预测结果。研究发现，两个模型均能有效地对数据进行跟踪与预测，但对不同时段数据预测的准确性有所不同。研究结果将为未来智能交通应用、车联网的理论研究等提供有力依据。

内含数据集以及算法源码适合初学者和进阶者

基于对交通流量预测存在的问题的分析，用极大似然估计法对路段交通流量进行预测。这种方法的实质，是将连续的观测时段的上游观测量作为自变量，用极大似然估计法估计出观测量与下游预测量之间的关系，从而预测交通流量。实例结果表明，预测值与实际值的最大误差率为5.76%。

图卷积网络 | PyTorch实现图卷积网络（GCN、GAT、Chebnet）的交通流量预测 > 交通流量预测。图卷积网络（GCN、GAT、Chebnet）的实现 用PyTorch实现 > > 要求 > > - Pytorch > > - Numpy > > - Pandas > > - Matplotlib > > 数据集实例： > > 这些数据集由加州交通局性能测量系统（PEMS-04）收集。 > > 数量：307个检测器 > 特点:流量、占用、速度。 > > 探测数据分析。 > > 1.有三个特征:流量、占有率和速度。首先，我们对数据分布进行可视化分析 > > 2.运行代码：python data_view.py > > 3.每个节点（检测器）都有三个特征，但两个特征的数据分布基本上是静止的，所以我们只取第一维特征。 > > 读取数据集。 > > 在traffic_dataset.py文件中，get_adjacent_matrix和get_flow_data函数是用来读取相邻矩阵和流量数据。 > > 模型训练。 > > 在traffic_predi