交通量预测matlab代码具有模式、缺失值和异常值的真实世界张量流的稳健分解 (ICDE'21) 这个存储库包含论文的源代码，由 和 提供，在 。 在这项工作中，我们提出了SOFIA ，这是一种在线算法，用于分解随着时间推移而随着时间推移而丢失条目和异常值的真实世界张量。 通过平稳而紧密地结合张量分解、异常值检测和时间模式检测，SOFIA 与最先进的竞争对手相比具有以下优势： 稳健而准确：与最佳竞争对手相比，SOFIA 产生的插补和预测错误最多可降低 76% 和 71%。 快速：与第二准确的方法相比，使用 SOFIA 使插补速度提高了 935 倍。 可扩展：SOFIA 在时间演化的张量中以增量方式处理新条目，并且它与每个时间步长的新条目数量成线性比例。 数据集 名称 描述 尺寸 时间粒度 处理过的数据集 原始来源 英特尔实验室传感器 位置 x 传感器 x 时间 54 x 4 x 1152 每 10 分钟 网络流量 来源 x 目的地 x 时间 23 x 23 x 2000 每小时 芝加哥出租车 来源 x 目的地 x 时间 77 x 77 x 2016 每小时 纽约出租车 来源 x 目的地

国省道干线公路交通量统计数据.doc

人工智能-机器学习-面向交通量过载预测的移动轨迹数据分析方法研究邓佳.pdf

为避免传统预测方法误差率较大的缺陷，在考虑高速公路月度交通量季节性周期特点的基础上，构建了ARIMA预测模型，并对ARIMA模型识别、模型检验和模型预测进行了系统分析，并应用于某高速公路进行月度交通量预测。应用结果表明：模型预测综合误差率为5.45%，低于灰色模型35.43%的误差率，低于三次指数平滑法的5.65%误差率；ARIMA预测模型能更好地适应于高速公路月度交通量预测。

交通量是一个不平稳的时间序列,在不确定性条件和缺乏数据资料的情况下,交通量的预测是一个较复杂的问题。灰色马尔科夫链模型是一种结合经典灰色理论和马尔科夫链的状态转移行为的预测模型。该模型在灰色预测理论的基础上,再对随机波动大的残差序列进行马尔科夫预测,实现了两者的优势互补,克服了两者的不足。以太原市漪汾桥断面的交通量的数据在传统灰色GM( 1,1)预测模型的基础上建立交通量的灰色马尔科夫链模型,研究表明,该模型在交通量的预测方面相对传统的灰色GM( 1,1)模型有更高的精度。

神经网络在短时交通量预测中的应用.docx

包含弗兰特法 底特律法 平均系数法 佛尼斯法等算法的matlab实现

基于路段交通量的趋势增长概率分配路网交通量预测方法.pdf

行业资料-交通装置-一种基于马尔科夫预测法的交通转移交通量预测方法.zip

近年来，各种公路交通情况调查设备在公路交通情况调查领域得到了迅速的推广与普及，公路交通情况调查工作的手段正逐步向自动化、网络化、实时化方向发展。但由于各级公路交通情况调查机构在选择、使用调查设备时缺乏统一的技术要求，调查数据质量参差不齐，影响到公路交通情况调查工作的健康有序发展。为了指导各级公路交通情况调查机构选择和使用合格的公路交通情况调查设备，确保公路交通情况调查数据采集的准确性、及时性，满足公路交通情况调查工作的需要，制订本指导意见