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

TIanChi_Traffic_Competition 阿里天池智慧交通预测挑战赛 #@创建于2017-9 #@Author：lieying #@School:USTB #@E-mail: 复赛：Top7 /1716队 #---- 此算法为智慧交通预测挑战赛复赛程序 1、先运行sub_handle.py生成提交样本，然后运行link_top_process.py生成道路基本信息。 （@@@最重要的的是get_feat_XGBmodel.py这个文件用于提取特征，写了相应的函数，直接调用。） 2、先运行get_feat.py进行划分数据集 3、运行get_feat_2016_7.py和get_feat_2017_3.py进行提取2016年的七月和2017年的3月 4、然后运行main.py进行提取和去除噪点。然后送入XGBoost和lightgbm模型进行训练得到四个模型的结果，然后融合处理

一个bp神经网络进行交通预测的Matlab源代码，里面备有较为详细的注释，供给初学者！ 不仅有最初的bp模型，还包括优化的算法，总共有多个程序段，大家可以根据自己的数据情况选择适合的神经网络结构！

LSTM-交通预测 代码+模型 训练数据

使用sumo仿真的强化学习deep-qlearning 可用于本科机器学习入门学习

2018年 国科大 数据挖掘 刘莹老师 交通预测 时间序列 预测未来一段时间的交通拥堵状况

一个bp神经网络进行交通预测的Matlab源代码，里面备有较为详细的注释，供给初学者！ 不仅有最初的bp模型，还包括优化的算法，总共有多个程序段，大家可以根据自己的数据情况选择适合的神经网络结构！