基于贝叶斯网络的交通事件持续时间预测

随着数据采集手段的不断提高和相关研究技术的发展,基于数据挖掘的模型逐渐成为交通事件持续时间研究的主要方向。根据荷兰交通部门提供的交通事件采集数据,进行分类和预处理,观察事件持续时间的频数图,并根据相关的研究按照事件典型的类别把采集的数据进行分类。使用主成分分析和逐步回归提取出显著性的影响因子,利用数据挖掘软件WEKA建立贝叶斯网络模型,用数据集中80%的数据进行学习建模,20%的数据作为测试集来检测模型的预测效果,并做出性能评价。实验结果表明,与同类数据集的其他预测方法相比,贝叶斯网络模型对于变数众多,随机性特别大的交通事件,预测精度较高,证明贝叶斯网络模型的算法是具有一定优越性和实用价值。     

多车道交织区车辆跟驰行为风险判别与冲突预测

车路协同系统(IVICS)是保障安全高效出行的新兴技术之一,将高精度车辆轨迹数据与机器学习方法相结合,提出一种可应用于 IVICS 的多车道交织区的潜在风险判别与冲突预测方法。首先,基于无人机视频,从广域视角提取交织区交通矢量位置、速度等信息,并划分上下游、交织影响区等多个分区;然后,考虑决策行为(车车边缘距离、接近率)与车辆行为(横纵向速度、加速度、速度角度)构建风险判别模型,以单位面积冲突次数、持续时间、冲突密度等指标评估风险;最后,基于朴素贝叶斯模型与logistic回归模型分别进行交通冲突预测,与实测数据相比,预测准确率分别为74.86%、87.10%,Area Under Curve分别为0.84、0.88,表明logistic回归模型具有更好的预测性能。研究成果有助于交管部门制定与优化交通管控方案,可应用于IVICS动态预警。     

飞机过站上客过程持续时间分布

为了准确预估飞机过站上客过程持续时间,研究了上客过程持续时间的随机性与可捕获的规律性,结合北京首都国际机场运行情况,分析了影响上客过程持续时间主要因素,根据机型、停机位和到港时间对飞机过站数据进行分组,统计了上客过程持续时间的频数,分别采用正态分布、韦布尔分布和泊松分布对上客过程持续时间进行分布拟合,通过卡方拟合优度检验分布,采用最大似然估计法对分布的未知参数进行估计,得到上客过程在各个组合条件下的完整分布,构建了飞机过站上客过程持续时间分布模型。分析结果表明:3种不同分布对上客过程持续时间都有较好的拟合度,韦布尔分布适用于各种组合条件,但在分组Ⅲ(中型机、近机位、22:00~23:59)、Ⅴ(中型机、远机位、09:00~21:59)、Ⅶ(大型机、近机位、00:00~08:59)、Ⅷ(大型机、近机位、09:00~21:59)和Ⅸ(大型机、近机位、22:00~23:59)中,正态分布与泊松分布的拟合优度大于韦布尔分布的拟合优度;所建分布模型能很好地预测上客过程持续时间,上客过程持续时间实际值与根据分布模型计算的数值的平均误差小于2min;置信水平为90%的分布区间宽度为10~12min,平均预测准确率为83.63%,置信水平为75%的分布区间宽度为7~9min,平均预测准确率为66.94%,可以看出分布区间的预测准确率几乎达到了置信水平,因此,采用分布模型可准确预测飞机过站上客过程持续时间。     

面向动态交通流的高速公路事故风险模型空间移植研究

本文旨在探究不同尺度数据集对高速公路实时事故风险建模的影响，并实现不同数据特征路段间事故风险模型的空间移植。首先，提取不同特征路段检测器信息，以动态交通流匹配事故数据构建多尺度数据集：高精度数据集、小样本数据集、低精度数据集以及同尺度条件下(同为高精度大样本量)的空间差异数据集；进而，通过贝叶斯Logistic回归量化不同样本量对事故风险模型预测性能的影响；分别采用统计学和机器学习手段建模分析高精度和低精度数据集；最后，基于贝叶斯更新方法建立实时事故风险移植模型，对高速公路实时事故风险预测模型进行空间移植，并验证其可靠性。结果显示：贝叶斯Logistic回归的性能随着样本量增大而有所提升；高精度数据条件下，贝叶斯Logistic回归和RF-SVM(Random Forest-Support Vector Machine)模型的AUC(Area Under Curve)值比低精度条件下分别高出0.092和0.037；在不同数据精度的空间移植中，贝叶斯更新方法可令低精度路段模型的AUC值从0.645提至0.714，在相同数据尺度的空间移植中，该方法可将被更新路段模型的AUC值从0.737提...     

交通事件持续时间预测及参数标定

有效的交通事件管理应基于精确的交通事件持续时间预测。交通事件持续时间包括4个部分:事件发现时间,事件响应时间,事件清除时间和交通恢复时间。提出了基于元胞传输模型的交通事件持续时间预测模型以及参数标定方法。实测数据和仿真数据对比结果表明,基于元胞传输模型的交通事件恢复时间预测方法具有较高的精度。     

基于随机重复爬山法的交通状态预测

合理构造影响交通状态网络结构,是实现交通状态预测的前提条件.为克服爬 山法易陷入局部最优的缺陷,提出一种基于随机重复爬山法的交通状态预测方法.对随机 生成的有向无环图迭代运行爬山法得到多网络结构;通过有向边置信度的定义和置信度 阈值的计算,确定了最优贝叶斯网络结构中节点和有向边选取准则;利用最优贝叶斯网 络结构,实现了畅通、平稳、拥挤和阻塞等4 种交通状态的预测并综合评价.分析结果表 明,该方法仅选取时段、节假日等两变量时,对交通状态预测总体准确率超过85%,能够 为高速公路运行状态监测预警和决策分析提供有效方法和数据支撑.     

基于HighD数据集的高速公路交通冲突预测方法

为改进高速公路交通冲突模型,基于High D数据集提取某路段交通冲突数据和交通流数据,依据TTC(time to collision,碰撞时间)的大小确定轻微冲突、一般冲突以及严重冲突的阈值。研究不同影响因素与冲突次数之间的关系,并对4种模型的效果进行比较,为冲突预测方法的研究提供思路。首先,针对不同严重程度的交通冲突数分别采用Poisson(泊松)模型、NB(Negative Binomial,负二项)模型、ZINB(Zero-inflated Negative Binomial,零膨胀负二项)模型及ZIP(Zero-inflated Poisson,零膨胀泊松)模型进行回归分析。其次,利用赤池信息量准则、贝叶斯信息准则对4种模型的拟合效果进行比较。结果表明:不同冲突次数预测模型中表现最佳的模型分别为NB模型、ZIP模型以及Poisson模型,3种模型中加速度标准差和平均速度都与冲突次数显著相关。     

基于朴素贝叶斯分类器的公交通勤人群辨识方法

公交IC卡数据中通勤用户卡号ID的辨识和提取是其公交出行行为特征分析的前提.本文以厦门市公交IC卡刷卡记录为依托,结合相关问卷调查,提出一种基于朴素贝叶斯分类器(Na?ve Bayesian Classifier,NBC)的公交通勤人群辨识方法.首先,利用两种数据源中(问卷调查数据与IC卡数据)同时包含的公交出行信息,例如工作日首次刷卡时间、每周工作日刷卡天数等,建立其与调查数据中独有的类别变量(通勤人群/非通勤人群)之间的贝叶斯概率关系,并以此构建与训练NBC模型.然后,利用未参与训练的调查样本对标定后的模型的预测准确性进行测试,通勤人群的预测成功率达到88%.最终,利用测试验证后的NBC模型对公交IC卡数据中通勤人群进行识别,结果显示,厦门市公交通勤人群的数量介于26万人到32万人之间,并给出相关指标的统计结果.     

城市快速路匝道车辆汇入影响因素识别与行为预测

分析了美国US101快速路瓶颈路段(简称“US101”) 和上海市延安高架上虹许路匝道瓶颈路段(简称“SHHX”) 的车辆轨迹数据, 研究了城市快速路入口匝道车辆的汇入行为; 考虑了汇入行为的13个瞬时影响因素和25个历史经历影响因素, 采用随机森林算法对38个影响因素进行重要度排序, 并识别关键影响因素; 分别对2个瓶颈路段构建了贝叶斯网络汇入行为预测模型, 并评价了模型预测精度。分析结果表明: 瓶颈路段US101和SHHX共有14个关键影响因素, 包括6个历史经历影响因素, 其中瓶颈路段US101和SHHX历史经历影响因素分别占关键影响因素总数的45.45%、36.36%, 说明汇入行为的历史经历影响因素对最终汇入决策有显著的影响; 考虑历史经历影响因素的贝叶斯网络模型预测精度较高, 瓶颈路段US101和SHHX汇入行为的总体预测精度分别提高了2.53%、8.85%, 其中未考虑历史经历影响因素时, 瓶颈路段US101和SHHX汇入行为的总体预测精度分别为87.94%和73.17%, 考虑历史经历影响因素时, 瓶颈路段US101和SHHX汇入行为的总体预测精度分别为90.47%和82.02%;此外, 预测模型无过度拟合, 测试集汇入事件与非汇入事件的预测精度之差在1.2%以内。      

地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明：相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%～44.8%,均方根误差降低16.9%～47.4%,对短时客流的预测结果误差改善显著。     

基于最小风险的单一表文件垃圾邮件过滤算法

研究探讨了传统贝叶斯模型的原理和优缺点,指出朴素贝叶斯算法没有考虑到合法邮件和垃圾邮件被误判带来的不同损失,因而有一定的局限性,而后以朴素贝叶斯为基础,结合最小风险的贝叶斯邮件过滤算法,提出改进的基于垃圾单词的单一表文件垃圾邮件过滤算法,提高了系统的执行效率,减少合法邮件的误判对用户造成的损害,并构建了邮件过滤模型．     

高速公路交通事件清除时间模糊逻辑预测模型

清除时间是高速公路交通事件持续时间中的一部分,与事件影响范围密切相关.通过对某高速公路事件数据及交警执勤记录进行分析,提出了救援车辆的清除时间新定义,该定义与事件持续时间有更强的相关性.随后采用含自适应算法的TSK模糊逻辑推理方法,通过对基于事件数据的人工神经网络训练,建立了交通事件清除时间的预测模型,并讨论了模型的适...     

城市快速路交通事件持续时间生存分析

提出城市快速路交通事件持续时间生存分析方法.依托上海市中心快速路网的 交通事件数据,将生存分析引入交通事件形成及演化机理分析.其根据大量交通事件样本 的特征属性,采用Kaplan-Meyer 的非参数回归构建基于风险的交通事件持续时间模型, 解析其在五类影响因素作用下的时空分布特性,并采用Cox 回归线性模型综合评价交通 事件持续时间的显著影响因素,分析其作用的强度和方向,提取表征上海市快速路交通 事件运营管理水平的重要特征参数.结果表明：上海市快速路的交通事件持续时间在不同 类别的影响因素下分布特性存在明显差异,日夜、事件类型、涉及车辆数、影响车道数、涉 及货车、所处路段位置、瓶颈处、出动拖车和出动消防车等影响因素对事件持续时间有显 著影响.     

基于朴素贝叶斯算法的船舶异常行为监测

随着海事事故与海上违法行为的不断增多,智能的监控方法成为降低海事事故,打击海上违法行为的有效手段.同时,船舶自动识别系统(Automatic Identification System,AIS)的普及及船舶交通管理系统(Vessel Traffic Service,VTS)的扩建,又为智能监控提供了数据支持.鉴于此,利用船舶自动识别系统提供的数据,分析通航水域船舶信息的分布情况,根据其概率分布采用朴素贝叶斯算法,从船舶航速、航向及距航道边界距离3个方面,构建船舶异常行为检测模型.最后,以成山角通航水域为例,检验模型的有效性.实验结果表明,构建的模型能够有效地完成异常行为监测,减少海事监管人员的工作强度,同时根据实验结果分析了成山角水域船舶航行的特点,并对成山角定线制提出合理化建议.     

��ͨ�¹ʳ���ʱ���������

对交通事故持续时间分析的发展现状进行了综述．首先简要介绍了交通事故的定义，事故种类和交通事故管理系统，并分析了交通事故持续时间的统计分布．然后，对最近应用的几种主要的交通事故持续时间的分析方法及结论进行了概述．主要包括：方差分析，线性回归，非参数回归，决策树法，hazard duration method，模糊逻辑．主要的结论包括；大量的研究发现交通事故持续时间的分布形状是向左偏斜的钟型分布．交通事故数据采集标准化是事故分析中非常重要的环节．传统的统计分析方法处理不完整的数据有局限性．最后，本文提出了将来的发展方向，包括应用人工智能方法建立事故持续时间模型，及建立交通事故数据库标准．     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

Online sequential extreme learning machine based multilayer perception with output self feedback for time series prediction

This study presents a time series prediction model with output self feedback which is implemented based on online sequential extreme learning machine. The output variables derived from multilayer perception can feedback to the network input layer to create a temporal relation between the current node inputs and the lagged node outputs while overcoming the limitation of memory which is a vital part for any time-series prediction application. The model can overcome the static prediction problem with most time series prediction models and can effectively cope with the dynamic properties of time series data. A linear and a nonlinear forecasting algorithms based on online extreme learning machine are proposed to implement the output feedback forecasting model. They are both recursive estimator and have two distinct phases: Predict and Update. The proposed model was tested against different kinds of time series data and the results indicate that the model outperforms the original static model without feedback.