基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度,提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值,进而通过D-S证据理论进行数据融合,整合了BP 神经网络自学习的特点与D-S 证据理论推理的能力。提出了融合方法的框架,给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证,并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明：融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7．90％、20．72％,融合方法能够得到较好的效果。微波检测器失效的情况下,融合精度有所下降,但融合数据的误差仍然小于仅使用浮动车数据的误差,说明融合方法具有一定的鲁棒性。     

面向道路交通能耗排放测算的行驶周期开发

行驶周期是测算交通能耗和污染排放的重要参数。提出利用VSP分布来描述城市交通特性的方法,基于大量浮动车（FCD）数据对北京市快速路和非快速路交通特性进行深入分析,提出以VSP区间分布的加权均方根误差为指标,基于浮动车数据的行驶周期建立方法。然后分别针对城市快速路和非快速路,建立北京市机动车行驶周期。     

一种基于WSN和GPS融合定位的 浮动车路况优化研究与验证

为解决浮动车数据在城市范围内存在的“信号漂移”和“信号盲区”问题,提高地图道路 适配准确率和路况信息准确率,研究应用WSN无线定位技术以及地图匹配技术,设计数据融合 框架,提出基于WSN和GPS的融合数据路况优化算法及计算流程,监测车辆在路网上的行驶状 况和各路段的拥堵程度。通过选取广州市800 个车载传感器节点、20 个路侧传感器节点以及3 个路段进行现场数据验证,结果显示在加入WSN定位数据并采用上述算法处理后,地图道路适配准确率提高约4%,路况信息准确率提高约5%,同时路况信息的处理速度也得以提高。可见,基于该优化算法,WSN和GPS融合定位数据能有效提高浮动车路况的准确性和有效性。     

���ڸ����������ij���·�����㷽��

城市道路交通运行状况信息（路况信息）的准确、实时的获取和处理是交通诱导、交通控制等应用的基础。而路况信息一般用路段平均通过时间和平均速度来表示。本文在分别对基于平均速度和基于平均通过时间的算法误差分析的基础上，提出了基于浮动车技术的城市路况计算方法。并利用广州市出租车综合管理系统提供的浮动车数据，结合车牌计时和跟车测试等实验对该方法的有效性进行了验证。实验结果表明本文所提出的方法是有效且实用的。     

北京市浮动车交通状况信息实时计算系统

为应用于复杂城市路网的浮动车系统建设,提出了利用浮动车数据实时计算路网速度的系统建设流程,包括GPS数据接收、数据预处理、数据在电子路网底图上的匹配以及路段运行车速计算。并从数据过滤合理性、地图匹配效率、路网覆盖率及结果可信度等方面验证了该方法的可行性与实际效果。经验证,原始GPS数据经过预处理过滤后能显著提高点匹配率,而改进的路径匹配算法能使过滤后的数据达到95％左右的匹配率,基本覆盖大部分北京市快速路和主干路。     

北京市快速路浮动车最小样本量研究

为确保浮动车提供信息的准确性和可靠度,首先以RTMS数据作为真值来验证当前样本量条件下浮动车数据的有效性;然后通过简单随机抽样方法来逐步减少浮动车的样本量,并计算、比较不同样本量下的浮动车数据与RTMS数据的相关系数;最后得出确保浮动车数据有效所需的最小样本量. 经验证,本文研究范围内的二、三环快速路5 min时间间隔内每千米路段上需要的浮动车最小样本量为7～9个,而当前样本量条件下的浮动车数据在时间上和空间上能达到最小样本量要求的分别占73％和87％以上.     

�����п���·��������С�������о�

为确保浮动车提供信息的准确性和可靠度,首先以RTMS数据作为真值来验证当前样本量条件下浮动车数据的有效性;然后通过简单随机抽样方法来逐步减少浮动车的样本量,并计算、比较不同样本量下的浮动车数据与RTMS数据的相关系数;最后得出确保浮动车数据有效所需的最小样本量. 经验证,本文研究范围内的二、三环快速路5 min时间间隔内每千米路段上需要的浮动车最小样本量为7～9个,而当前样本量条件下的浮动车数据在时间上和空间上能达到最小样本量要求的分别占73％和87％以上.     

基于浮动车数据的随机路径选择模型参数估计

提出利用浮动车出行数据对城市路网多OD对logit 随机路径选择模型参数估计方法.首先采用相对阻抗,实现logit 模型参数无量纲化和单一化,将离散多项logit 模型转化为相对阻抗的连续概率模型;然后对多OD对的浮动车数据进行分区和权重处理,计算得到概率分布;最后在推导连续型概率密度和累积概率函数基础上,利用最小二乘法进行参数估计.以广州市浮动车数据对方法进行验证,结果拟合优度高,所得参数可有效反映实际路径选择行为.方法简单实用,特别适用于利用海量浮动车数据进行路径选择行为分析.     

基于GPS定位的浮动车样本数量确定方法研究

基于GPS定位的浮动车交通信息采集的关键问题之一就是如何确定浮动车的样本数量，分析在不同交通参数检测需求下．浮动车样本数量的确定方法，同时在考虑定位精度和通信效率下，给出计算模型，具有重要的应用价值。     

基于浮动车数据调查方法的交叉口延误计算

针对目前城市中现有的GPS浮动车研究城市交叉口延误估计方法,为了摆脱传统计算方法,提出一套利用浮动车数据估计延误的新方法。在分析了车辆经过交叉口的受阻过程,界定了交叉口范围以及车辆经过交叉口的畅行速度的基础上,确定了交叉口延误的计算流程以及计算公式,并且对此方法进行了验证。     

���ڵͲ���Ƶ�ʸ��������г̳�����Ϣʵʱ�ɼ�����

智能运输系统(ITS)是当前解决交通问题的最佳途径之一,而动态交通信息的发布与预测是ITS的关键所在。然而由于在各种外部因素下,道路交通状态呈现出随机变化的特性使得动态交通信息的发布与预测成为一大难点。结合某城市的实际情况,本文建立了在定位误差、采样间隔、车辆类型、道路类型等因素影响下的行程车速估计模型,并用实测数据对模型进行精度验证。结合出租车车辆的特殊信息,改进了低采样频率浮动车技术的估计算法,建立了空车数据处理模型;针对城市复杂和相似路段问题,提出了基于距离、方向角、连通性、历史数据以及车流方向等约束条件下的地图匹配算法;针对低采样频率浮动车数据,提出了考虑交叉口影响下的行程车速估计算法,通过实测数据评估了算法的性能;最后,针对不同检测技术的特征,提出了数据融合算法。     

������ϵͳ���ܷ�����Ӧ������о�

作为一种新型、经济的道路信息检测手段，浮动车系统受到广泛关注，并被应用于出行诱导、交通事件检测等领域。本文从浮动车系统的特点出发，分析了交通系统不同部门的各种需求，深入挖掘了浮动车系统在各个部门的应用，并对浮动车系统进行了功能定义和应用系统得模块设计，以北京市的浮动车数据为基础，给出了部分分析结果和界面。     

浮动车数据在城市宏观交通特性研究中的应用

回顾和总结了国内外浮动车数据在交通信息服务和路网评价方面的研究及应用现状,提出浮动车数据的三阶段应用.重点阐述了面向城市宏观交通运行规律分析的第三阶段应用,提出基于历史交通流状态数据的数据分析流程.并以北京市浮动车系统采集的数据分析结果为例,分析了北京市路网运行速度的时空分布特性以及不同等级道路的里程利用情况.     

���ڸ��������ݵij��п���·��ͨ�¼�����㷨�о�

交通事件是引发快速路交通延误的主要因素,迅速、有效的检测事件是快速路交通管理与控制的重要组成部分。本文利用CUSUM理论提出了基于浮动车数据的城市快速路交通事件自动检测算法;通过采集北京市快速路上的真实事件信息以及浮动车探测数据,对不同采样间隔条件下的算法性能进行了实际验证,并与传统的基于浮动车数据的UCB算法验证结果进行了对比分析。结果表明：所提算法在采样间隔为1分钟条件下的检测性能要优于采样间隔为5分钟条件下的检测性能;相对于UCB算法而言,所提算法的检测性能大大提高,在同一误报率条件下检测率可提高10%左右。     

���ڴ��ģ���������ݵĵ�ͼƥ���㷨

地图匹配问题是浮动车技术中必须解决的关键问题。由于浮动车数据自身的特点，传统的导航地图匹配算法难以直接适用于大规模的浮动车数据匹配。本文在分析基于浮动车数据的地图匹配与传统的导航地图匹配的异同点的基础上，提出了浮动车地图匹配模型族的解决方案和相应的道路网格拓扑结构，设计了包括道路初次匹配模型、平行方向道路识别模型、节点匹配模型、延时匹配模型在内的浮动车数据地图匹配算法体系，并对算法进行了评估和验证。本文提出的浮动车数据地图匹配算法模型已经在广州市ITS示范工程中得到了实际应用，应用结果表明该算法具有准确、高效和实用的特点。     

����·�����Ա����ĸ�����������ģ���о�

作为一种新型的交通信息采集方式,浮动车技术得到了广泛的应用.在浮动车系统中,目前的难点在于浮动车配置数量的确定,即在保证一定覆盖率的前提下,如何合理配置路网中的浮动车数量.本文针对现有浮动车覆盖率模型的局限性,从覆盖率的产生机理入手,以路段为研究对象,研究路段属性对单位时间内浮动车通过该路段次数的影响,建立基于路段属性变量的浮动车覆盖率模型,并采用极大似然估计法求解.最后结合南京市的浮动车数据进行实例分析,验证了方法的可行性和有效性,可以为浮动车配置计划的确定提供参考依据.     

针对浮动车异常数据的增强型在线异常点检测算法

在智能交通系统(ITS)中,为了从浮动车数据中获取准确动态的交通信息,需要实时识别并剔除异常数据。为了检测异常浮动车数据,本文提出一种独特的增强型在线非监督离群点检测算法(EOSA)。该算法由SS算法和K-means聚类算法组成,其中,SS算法可采用基于离散变量和连续变量的概率模型来计算异常分值,将K-means聚类算法与SS算法相结合可以有效提高检测精度。本文采用了深圳市浮动车数据来验证EOSA算法,试验结果表明,该算法能够成功检测到异常的数据,其中包含车辆停放和停车等待时的异常GPS记录。此外,通过试验比较,本文提出的EOSA算法比现有六种常用算法都具有更高的异常数据检测精度。EOSA算法有望应用于基于浮动车数据的智能交通系统。     

基于浮动车数据的出租车规模确定方法

通过对出租车GPS数据进行预处理、地图匹配、运营信息挖掘,可以获得与出租车运营有关的信息,单次行驶的时间、距离、经过的路径等。从浮动车数据钟挖掘出租车运营信息,获得出租车在城市运营中的平均运营速度、平均运营时间、平均出行距离等信息,并在结合城市出租车需求的基础上,给出了确定出租车合理规模的方法。同时以广州的出租车数据为基础,对该方法进行了验证。结果表明该方法能够更准确地为出租车提供合理规模,为出租车管理及交通规划等提供科学依据。     

��Ͻ�ͨ�źŽ����ֱ�г���ͨ�������о�

定义了疏解车距(FDH)并分析了影响疏解车距的3种要素,通过实地调查获得的数据,标定疏解车距的分布函数. 提出等效疏解车距的概念,并利用等效疏解车距计算直行车道的通行能力. 在此基础上,分析了混合交通条件下,行人、非机动车的干扰对通行能力的影响. 结果表明：疏解车距仅与车型及干扰因素相关,且两者之间不存在交互影响;Weibull分布可以较好地描述疏解车距的累积概率分布;应用等效疏解车距对直行车道的通行能力计算方法进行修正后,计算通行能力与实际通行能力之间的误差在5%以内;随着行人和非机动车对机动车冲突频次的增加,通行能力呈现指数型递减,冲突的影响存在边际效应.     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。