Traffic Speed Prediction Under Non-Recurrent Congestion: Based on LSTM Method and BeiDou Navigation Satellite System Data

Abstract:
The full utilization of Location-Based Vehicle Sensor Data (LB-VSD) can improve the efficiency of traffic control and management. Currently, LB-VSD is widely applied to the prediction of traffic speed. Like the GPS system, BeiDou satellite navigation system (BDS) can collect LB-VSD. In China, the key operation vehicles on the expressway are equipped with BDS to monitor the travel path. This provides a basis for predicting the traffic speed on expressway accurately. In this paper, considering the abnormal data collected by BDS, the screening and processing rules are made, and then the traffic speed sequence is extracted. Considering the data-missing problem caused by equipment failure or abnormal data elimination and the data sparse problem caused by small size of sample, a filling method based on trend-historical data is proposed. Traffic flow evolution is a complex process. Sudden accidents or bad weather can cause a sudden change in traffic flow and non-recurrent traffic congestion. The prediction accuracy of traditional machine learning methods is low when non-recurrent congestion occurred. In order to solve this problem, this paper adopts a deep learning model?Long Short-Term Memory (LSTM) to predict the traffic speed. Moreover, three-regime algorithm is used while building the prediction model. The prediction method is compared with Support Vector Regression (SVR) method. The results show that the prediction accuracy of the proposed method is higher than that of SVR algorithm, and the robustness is better in the case of non-recurrent traffic congestion.
Author Listing： Jiandong Zhao;Yuan Gao;Zhiming Bai;Hao Wang;Shuhan Lu
Volume： 11
Pages： 70-81
DOI： 10.1109/MITS.2019.2903431
Language： English
Journal： IEEE Intelligent Transportation Systems Magazine

IEEE Intelligent Transportation Systems Magazine

IEEE INTEL TRANSP SY

影响因子：4.3 是否综述期刊：否 是否OA：否 是否预警：不在预警名单内 发行时间：- ISSN：1939-1390 发刊频率：- 收录数据库：SCIE/Scopus收录 出版国家/地区：UNITED STATES 出版社：Institute of Electrical and Electronics Engineers Inc.

期刊介绍

The IEEE Intelligent Transportation Systems Magazine (ITSM) publishes peer-reviewed articles that provide innovative research ideas and application results, report significant application case studies, and raise awareness of pressing research and application challenges in all areas of intelligent transportation systems. In contrast to the highly academic publication of the IEEE Transactions on Intelligent Transportation Systems, the ITS Magazine focuses on providing needed information to all members of IEEE ITS society, serving as a dissemination vehicle for ITS Society members and the others to learn the state of the art development and progress on ITS research and applications. High quality tutorials, surveys, successful implementations, technology reviews, lessons learned, policy and societal impacts, and ITS educational issues are published as well. The ITS Magazine also serves as an ideal media communication vehicle between the governing body of ITS society and its membership and promotes ITS community development and growth.

IEEE Intelligent Transportation Systems杂志（ITSM）发表同行评审文章，提供创新的研究思路和应用成果，报道重要的应用案例研究，并提高对智能交通系统所有领域紧迫的研究和应用挑战的认识。与IEEE Transactions on Intelligent Transportation Systems的高度学术性出版物不同，ITS杂志专注于为IEEE ITS协会的所有成员提供所需的信息，作为ITS协会成员和其他人了解ITS研究和应用的最新发展和进展的传播工具。高质量的教程，调查，成功的实施，技术审查，经验教训，政策和社会影响，以及智能交通系统的教育问题，以及出版。《ITS》杂志也是ITS协会管理机构与其会员之间理想的媒体沟通工具，促进ITS协会的发展和壮大。

年发文量 74
国人发稿量 54
国人发文占比 72.97%
自引率 11.6%
平均录取率 -
平均审稿周期 -
版面费 -
偏重研究方向 ENGINEERING, ELECTRICAL & ELECTRONIC-TRANSPORTATION SCIENCE & TECHNOLOGY
期刊官网 https://www.ieee.org/membership-catalog/productdetail/showProductDetailPage.html?product=PER217-ELE
投稿链接 -

质量指标占比

研究类文章占比 OA被引用占比 撤稿占比 出版后修正文章占比
98.67% 1.00% 0.00% 0.00%

相关指数

{{ relationActiveLabel }}
{{ item.label }}

期刊预警不是论文评价，更不是否定预警期刊发表的每项成果。《国际期刊预警名单（试行）》旨在提醒科研人员审慎选择成果发表平台、提示出版机构强化期刊质量管理。

预警期刊的识别采用定性与定量相结合的方法。通过专家咨询确立分析维度及评价指标，而后基于指标客观数据产生具体名单。

具体而言，就是通过综合评判期刊载文量、作者国际化程度、拒稿率、论文处理费（APC）、期刊超越指数、自引率、撤稿信息等，找出那些具备风险特征、具有潜在质量问题的学术期刊。最后，依据各刊数据差异，将预警级别分为高、中、低三档，风险指数依次减弱。

《国际期刊预警名单（试行）》确定原则是客观、审慎、开放。期刊分区表团队期待与科研界、学术出版机构一起，夯实科学精神，打造气正风清的学术诚信环境！真诚欢迎各界就预警名单的分析维度、使用方案、值得关切的期刊等提出建议！

预警情况 查看说明

时间 预警情况
2024年02月发布的2024版 不在预警名单中
2023年01月发布的2023版 不在预警名单中
2021年12月发布的2021版 不在预警名单中
2020年12月发布的2020版 不在预警名单中

JCR分区 WOS分区等级：Q1区

版本 按学科 分区
WOS期刊SCI分区
WOS期刊SCI分区是指SCI官方（Web of Science）为每个学科内的期刊按照IF数值排 序，将期刊按照四等分的方法划分的Q1-Q4等级，Q1代表质量最高，即常说的1区期刊。
（2021-2022年最新版）
TRANSPORTATION SCIENCE & TECHNOLOGY Q1
ENGINEERING, ELECTRICAL & ELECTRONIC Q1

关于2019年中科院分区升级版（试行）

分区表升级版（试行）旨在解决期刊学科体系划分与学科发展以及融合趋势的不相容问题。由于学科交叉在当代科研活动的趋势愈发显著，学科体系构建容易引发争议。为了打破学科体系给期刊评价带来的桎梏，“升级版方案”首先构建了论文层级的主题体系，然后分别计算每篇论文在所属主题的影响力，最后汇总各期刊每篇论文分值，得到“期刊超越指数”，作为分区依据。

分区表升级版（试行）的优势：一是论文层级的主题体系既能体现学科交叉特点，又可以精准揭示期刊载文的多学科性；二是采用“期刊超越指数”替代影响因子指标，解决了影响因子数学性质缺陷对评价结果的干扰。整体而言，分区表升级版（试行）突破了期刊评价中学科体系构建、评价指标选择等瓶颈问题，能够更为全面地揭示学术期刊的影响力，为科研评价“去四唯”提供解决思路。相关研究成果经过国际同行的认可，已经发表在科学计量学领域国际重要期刊。

《2019年中国科学院文献情报中心期刊分区表升级版（试行）》首次将社会科学引文数据库（SSCI）期刊纳入到分区评估中。升级版分区表（试行）设置了包括自然科学和社会科学在内的18个大类学科。基础版和升级版（试行）将过渡共存三年时间，推测在此期间各大高校和科研院所仍可能会以基础版为考核参考标准。 提示：中科院分区官方微信公众号“fenqubiao”仅提供基础版数据查询，暂无升级版数据，请注意区分。

中科院分区 查看说明

版本 大类学科 小类学科 Top期刊 综述期刊
工程技术
2区
TRANSPORTATION SCIENCE & TECHNOLOGY
运输科技
3区
ENGINEERING, ELECTRICAL & ELECTRONIC
工程：电子与电气
3区
 否 否
2021年12月
基础版
工程技术
3区
TRANSPORTATION SCIENCE & TECHNOLOGY
运输科技
4区
ENGINEERING, ELECTRICAL & ELECTRONIC
工程：电子与电气
3区
 否 否
2021年12月
升级版
工程技术
2区
TRANSPORTATION SCIENCE & TECHNOLOGY
运输科技
3区
ENGINEERING, ELECTRICAL & ELECTRONIC
工程：电子与电气
3区
 否 否
2020年12月
旧的升级版
工程技术
2区
TRANSPORTATION SCIENCE & TECHNOLOGY
运输科技
3区
ENGINEERING, ELECTRICAL & ELECTRONIC
工程：电子与电气
2区
 否 否
2022年12月
最新升级版
工程技术
3区
TRANSPORTATION SCIENCE & TECHNOLOGY
运输科技
3区
ENGINEERING, ELECTRICAL & ELECTRONIC
工程：电子与电气
3区
 否 否
翻译 润色 隐私声明 期刊介绍 SCI论文润色 SCI论文投稿
科研顾问
官方微信公众号