交通流状态辨识小波算法研究

针对智能交通系统的开发和交通流特性，应用小波多分辨分析理论的Mallat分解算法建立交通流状态辨识方法，利用多种小波系数与交通流参数之问的相应变化规律进行交通突变状态的辨识．交通流状态的突变多与交通事件直接相关，故采用事件和非事件条件下的模拟数据对算法参数进行了标定及离线测试．将算法与几种传统算法分别进行了性能比较，结果表明Mallat分解算法在交通流突变状态实时辨识方面具有很好的性能．     

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明：改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。     

交通流信息挖掘的非参数概率变点模型研究

交通流状态辨识是智能运输系统(ITS),尤其是其先进的交通管理系统(ATMS)和先进的出行者信息系统(ATIS)研究的一个重要内容.以往算法主要集中在交通流预辨识(即交通流预测)和交通流实时辨识(即事件检测或交通流突变检测)的研究上,而忽略对交通流关键参数量变模式的辨认.依据交通流理论,结合非参数变点统计方法,以在淄博市人民路上采获的拥挤车流数据的研究为例,建立对交通模式量变识别的非线性概率变点模型,对变点存在与否进行假设检验,并对变点(时间)位置的搜索算法作了研究.结合实地数据对本方法进行了标定和检验,验证了本方法的有效性和可行性.     

����ʵ�����ݵĿ���·��ͨ������ģ��

已有的交通流参数模型无论是基本图还是三相交通流理论都是基于高速公路交通流数据进行研究,由于高速公路和城市快速路具有不可忽视的差异,以高速公路交通流数据为基础建立的交通流参数模型难以符合城市快速路交通流运行的实际情况.本文根据实测的城市快速路交通流数据,采用线性回归分析建立城市快速路速度—占有率模型、交通流率—占有率模型和速度—交通流率模型,应用最小二乘法估计模型参数,并以F和T检验对回归模型及回归系数的显著性进行检验.最后,在建立交通流参数模型、明确交通流参数之间关系的基础上,对城市快速路交通流状态进行了划分.本文建立的交通流参数模型,对交通流短时预测和交通流状态判别具有应用价值.     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

不良交通流状态实时监测支持向量机模型算法研究

交通流安全实时预警是交通主动安全防控的重要前提.采用实际事故发生前的交通流状态作为不良交通流状态判别标准,通过对车道级交通流数据进行参数提取,结合主成分分析法进行参数降维后得到9个主要参数.建立以径向基为核函数的交通流安全实时预警支持向量机模型,采用网格遍历法确定最优的支持向量机模型的惩罚参数C和核函数参数γ,最终构建的支持向量机模型能够成功地识别79.55%事故对应的不良交通流状态,能够有效地对高速公路上的不良交通流状态进行实时监测预警.     

智能运输系统中交通流状态辨识算法研究

交通流状态辨识是交通控制与诱导系统中的关键问题之一,也是智能交通系统的重要功能之一.对道路交通流状态进行分析研究,深入挖掘交通流动态信息,及时、准确地辨识未来和实时交通流状况,是制定正确诱导和控制措施的一个重要前提.文章介绍了在交通流状态辨识中所采用的一些新技术,为交通流状态辨识提供了新的研究方法.     

城市轨道交通行人通道交通状态识别研究

提出了一种基于支持向量机,利用行人交通流参数,实现城市轨道交通人行通道处交通状态识别的方法。采用FCM算法实现了4种行人交通状态的聚类分析与定义;建立SVM多类分类器模型。并分别采用线性可分和非线性两种SVM分类器以及多项式、高斯径向基、sigmoid等3种核函数,应用于行人通道交通状态识别中,进而通过实际采集数据集合,对其有效性进行对比分析。研究表明:设计的算法具有良好的识别性能,RBF核函数SVM模型的总体识别效果相比最好,正确率均在85%以上,说明行人交通参数在该核函数转化的高维空间具备良好的线性可分;线性可分对畅通状态识别效果相对最好,正确率为98%;多项式核函数对稳定状态识别效果相对最好,正确率为93%;sigmoid核函数的总体识别效果相比最稳定,正确率均在85%~92%。     

基于粒计算的交通流参数预测

交通流参数预测是交通流诱导和交通信息发布的重要依据.以信息颗粒为基 础数据分析单元,针对以往模糊时间序列模型存在的缺陷,提出一种新方法构建模糊时 间序列模型,该方法在挖掘数据内在信息关联的基础上,考虑时间变量影响下分析动态 可变的区域间隔长度.此方法主要特点是基于Gath-Geva 模糊聚类的时间序列分割,利用 模糊分割构造信息颗粒,以信息颗粒为数据单元,通过粒计算分析交通流参数动态变化 趋势.实验结果表明,基于粒计算的交通流参数预测可以预测合理的交通流参数置信区 间,比传统的参数数值预测可靠度更高,对于交通状态的动态分析具有指导意义.     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

基于Monte Carlo法的多车道公路桥梁车流模拟

在分析实测车辆数据的基础上,确定了模型车辆、车重、车头时距等交通特征的分布类型及参数.采用Monte Carlo法进行随机抽样,自编MATLAB程序,对自由车流进行模拟,得到车重、轴重在桥梁上的纵横向分布及其随时间变化情况;讨论了车辆占用车道不均匀系数的3种不同情况,发现轴重在桥上均呈多峰分布,峰值相近,但出现频率差异...     

不确定交通需求下交叉口信号配时区间优化模型

为解决混合交通流的不确定需求，合理描述不确定参数用以信号配时优化，本文提出交叉口信号控制配时参数区间优化模型。首先，以高峰时段5min采集标段数据，构造交通量区间，修正Highway Capacity Manual 2010(HCM2010)饱和流率计算公式，估计混合交通饱和流率区间；其次，构建信号配时参数区间非线性多目标规划模型，并以交叉口服务水平为性能目标，利用区间序关系与区间可能度模型进行转换，采用多层嵌套遗传算法求解；最后，以北京市道路等级相差较大的两相位与三相位交叉路口高峰时段数据为例，验证信号配时区间优化模型，并运用 VISSIM软件进行仿真比较。结果表明：本文所建模型可行、有效，且考虑饱和流率区间的信号配 时区间优化模型更适合于关键相位饱和流率波动较大的两相位信号交叉口，机动车平均延误和交叉口通行能力较Webster方法分别优化了35.9%和14.9%。     

多桥水域航道通过能力仿真研究

为了确定内河多桥水域的航道通过能力,提出多桥航道的交通流仿真模型.以长江武汉段的多桥航道为研究对象,收集大量的船舶交通流历史数据,用统计的方法分析这些数据获得交通流特征,提出基于蒙特卡罗方法的船舶生成模型、队列模型、航路模型和船舶运动模型等;开发仿真系统并对模型进行验证;通过仿真实验确定多桥水域的航道通过能力.仿真结果表明,所提出的内河多桥航道交通流仿真模型是可行和有效的;在目前的通航条件下,长江武汉段多桥水域的航道通过能力与实际的交通流量相比显得非常富余;在安全航速范围内,通过整体提高船舶的航行速度可以显著提高航道的通过能力;航道水深的变化对上行和下行航道通过能力的影响具有明显的差异.     

基于Monte Carlo法的山区路网应急中心选址

阐述了灾时山区路网各路段组成单元通行概率的分析方法,采用Monte Carlo模拟法对山区路网连通可靠度进行分析和计算,并通过概率解析法来检验Monte Carlo模拟法的计算精度.采用Monte Carlo模拟法分析路网节点间连通可靠度,提出了灾时山区路网应急救护中心优化选址方法.最后,通过实例阐述其计算过程.结果表...     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.     

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM (Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交...     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流，缓解高速公路交通拥堵现象，本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵，并利用滑动窗口模型获得输入样本的最佳长度；然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征，随后输出预测结果；最后，将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好，工作日的高速公路交通流预测精度远高于节假日，本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1，说明考虑多种因素可以提升高速公路交通流预测精度。     

终端区空中交通流参数模型与仿真

研究机场终端区空中交通流参数的时空特性及演变规律,可为缓解终端区交 通拥挤,优化管控策略提供科学的依据.采用数理推导和仿真演析相结合的方法,首先基 于元胞传输模型建立了终端区进场交通系统模型,阐明空中交通流的速度、密度和流量三 项基本特性参数相互关系及影响要素;然后运用Netlogo仿真系统对增量后的进场交通流 的宏观涌现行为进行模拟,推演空中交通流基本参数的变化趋势,并进行敏感性分析;最 后,采用基于空管实测数据拟合的交通流参数关系对模型进行验证.研究结果表明,本文 建立的交通流参数模型符合实际且对终端区交通态势的判断具有应用价值,终端区空中 交通流基本参数间存在明显相关性,并随飞行程序、管制间隔、管制策略的改变而改变.