智能网联环境下城市路网通行能力分析

为了探究城市路网中混有智能网联车辆(CAV)的交通流特性，研究CAV不同渗透率分布下对路网通行能力的影响。应用智能驾驶模型(IDM)和协同自适应巡航控制模型(CACC)分别作为人工驾驶车辆(HDV)和智能网联车辆的纵向速度更新规则，并建立考虑车辆到信号交叉口距离影响的横向换道规则。推导基于各渗透率等级路段占路网长度比例下的混合交通宏观基本图模型(MFD),通过SUMO仿真验证模型有效性。最后针对模型中的比例参数进行敏感性分析。结果表明：混合交通MFD可以用于异质交通流组成的城市路网宏观交通状态的有效估计与通行能力分析。当CAV渗透率均匀时，在路段渗透率高于30%时，路网通行能力提升显著；当CAV渗透率非均匀时，异质路网的通行能力随着渗透率等级较高路段比例的增加而逐渐提高，100%CAV路段比例的影响尤为显著。混合交通MFD为混有CAV的城市交通调控和CAV在路网中的路径规划提供理论参考。     

基于GBRBM-DBN模型的短时交通流预测方法

为提高城市道路短时交通流预测的精度和效率,提出了一种基于深度学习的短时交通流参数预测模型,结合高斯-伯努利受限波尔兹曼机、Softmax回归模型和深度置信网络,对大规模路网中地点车速进行预测.该模型在网络底层加入高斯-伯努利受限波尔兹曼机,将传统二值输入转换为连续实值输入以适应地点车速的数据特征.在网络输入、输出矩阵中加入时空特征表达,并将深度置信网络顶层接入Softmax回归模型,根据深度学习模型提取到的地点车速时空特征对多路段多时刻的地点车速进行预测.选取广州市大规模路网中60条路段60 d的实测地点车速对网络结构和参数进行调试,并分析预测结果.结果表明,GBRBM-DBN网络结构能够提取大规模路网中地点车速的时空分布特征,预测精度较高.与长短时记忆循环神经网络预测结果进行对比,具有更高的时效性;与“深层模型+小规模数据”相比,平均绝对误差减小10.13 km/h,平均相对误差减少14.5%;对输入矩阵中的训练集和测试集数据量比例作不同划分,平均绝对误差变化范围在1.64 km/h以内,平均相对误差仅增大7.3%.      

高速公路短时交通流预测方法对比分析

高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容，发现了目前高速公路短时交通流预测研究存在的不足，给出了高速公路短时交通流预测的流程，对高速公路短时交通流预测模型进行了分类比较，明确了不同模型的适用场景和优缺点，通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度，研究发现KNN模型的预测精度最高，明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。     

城市路网交通流元胞自动机模型研究

研究城市路网交通流的动态特性,揭示交通拥堵、环境污染和交通事故的产生原因和规律,能为城市交通问题的解决提供理论依据.元胞自动机模型是研究城市路网交通流动态特性的一个有效工具,能够再现许多重要的交通流特征.从路段模型、交叉口模型和路网模型3个方面总结和评述了国内外各种典型交通流元胞自动机模型.在现有模型的基础上,通过对车辆起讫点分布、路径选择行为、双向通行多车道路段车辆换道规则、不同控制交叉口的车辆更新规则以及网络拓扑结构等方面进行改进,可以提高元胞自动机模型在城市路网交通流仿真中的真实性.     

基于SSA RX-N A RX模型的短时交通流预测

为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型.该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为N A RX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型.利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度.结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76% 和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大.      

基于局部路网空间结构特征的无检测器路段交通流预测方法

城市路网中存在大量尚未布设交通检测器的路段，其交通流数据难以获取，不利于开展精准路网管理，为此提出了利用局部路网空间结构特征预测无检测器路段交通流量的方法。基于有检测器路段的海量交通流数据，分析局部路网空间结构特征与路段交通流量之间的相关性；根据路网拓扑关系使用多元线性回归算法估计所有的有检测器交叉口交通流分配权重，并使用多元线性回归算法进一步挖掘局部路网空间结构特征对交通流分配权重的影响；结合空间特征影响度系数、无检测器路段所在的局部路网的空间结构特征及相邻路段的交通流，对无检测器路段进行交通流预测。实验结果表明，路段道路类型、相邻路段数量及相邻路段道路类型这3类局部路网空间结构特征与路段交通流量相关性显著，采用基于空间特征影响度系数对局部路网中只有单个相邻上游和具有多个相邻上游的无检测器路段进行预测，发现其平均误差分别在8%和22%左右。      

智能网联环境下的城市路网容量可靠性分析

网联自动驾驶车辆（CAVs）与人工驾驶车辆（HDVs）混行的交通发展模式会促进城市路网容量发生变化，为解析混合交通流对城市路网容量可靠性的影响，构建了智能网联环境下城市路网容量可靠性双层规划模型。为表征CAVs信息获取与自动驾驶的能力，假定CAVs遵循系统最优原则选择路径，而HDVs则根据自身经验选择路径，基于二者路径选择的差异建立描述混合交通分配的下层模型，刻画智能网联环境下的混合交通流分配特性。并且，为了快速求解大型路网交通分配，将下层混合交通分配模型转换为非线性互补下问题进行求解。考虑到实际路网的随机性，以及路网道路通行能力并非固定值，运用具有多种相关性的均匀随机分布理论，建立了的描述城市路网容量可靠性的上层模型。通过蒙特卡洛仿真分析不同CAVs渗透率下的路网容量可靠性，并进一步解析各路段对路网容量可靠性的敏感度。结果表明:当需求水平d > 0.5时，路网容量可靠性开始降低；当d > 0.7且CAVs渗透率λ＝0时，可靠性小于0.4；当d > 0.7而λ＝1时，可靠性接近1，说明CAVs可增强路网容量可靠性。研究还发现，当需求水平处于0.7~1区间时，渗透率的变化对路网容量可靠性有显著的影响，但随着需求的增大，路网处于超负荷状态，渗透率对路网容量可靠性影响较小。此外，CAVs渗透率从0增加至1的过程中，路网中存在“道路容量悖论”现象的道路从19条下降至3条，且当λ＝1时路网中仅有1条道路出现了显著的“道路容量悖论”现象，拥堵严重。表明CAVs渗透率的增大可以显著改善路网中的“道路容量悖论”现象，减少路网容量可靠性的波动，提高路网运行稳定性。      

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

城市交通拥塞辐射模型及其对路网服务能力损伤研究

为预防和治理城市路网系统中交通拥塞的辐射扩散以及由此造成的路网系统服务能力损伤，从新的视角对交通拥塞辐射扩散规律进行研究。将毒气在有限空间内的泄漏扩散抽象为交通拥塞的辐射蔓延，首先运用Python软件对高德地图API的WEB服务进行实时路况数据爬取，并对爬取的数据、浮动车数据、SCATS监测的流量数据以及其他交通信息数据进行预处理。在此基础上建立基于高斯烟雨模型的城市道路拥塞辐射时空模型并且充分考虑邻居节点和路段的交通运行状态以及不同道路等级对拥塞传播范围的影响。对模型调节参数U进行标定，得出快速路、主干路U值均为1，次干路U值为0.7。然后通过实例进行验证，结合实际值将模型计算结果与高德地图预测值进行比较，所建立模型的拥塞最大辐射边界、拥塞辐射时间预测精度要更准确，整个拥塞过程模型拟合度较高，模型适用性强。最后在城市道路拥塞辐射时空模型的基础上利用材料力学中切应力对材料的损伤原理，以拥塞某传播方向为研究对象，计算出拥塞辐射传播给路网中的某路段造成的通行能力失效值。分析路网中路段通行能力下降对路网服务能力的损伤影响，进而给出路段重要性识别方法。研究成果可为交通管理部门加强关键路段治理以及制定缓堵政策提供参考。     

大规模施工对城市路网交通影响评估技术研究

传统的施工期交通组织研究一般只针对单个建设项目，而城市在举办特别重大活动之前往往有一轮建设高潮，形成大范围集中性施工，对城市路网运行的影响很大，需从全局角度系统性评估其交通影响。针对大批量建设项目同时施工对路网整体的交通影响，提出了路网敏感路段划分、路网通行能力损失测算、基于交通模型推演的交通拥堵指数预测等评估技术，并在杭州“迎亚运”重大基础设施建设中予以运用，应用效果较好。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。     

基于5G+智慧灯杆的区域交通协调优化控制系统功能分析与研究

随着国内城市化的稳步推进,智慧交通建设的理念逐渐得到了广泛的关注.在智慧交通的建设中,车载传感器因其载体局限性,对于规避道路拥堵、优化行车路线上无法起到关键性作用.车路协同的模式越来越受到科研人员的关注.智慧灯杆,因其可拓展性成了智慧交通建设中最佳的感知载体.杆件上可安装监控设施、广播、大屏幕,以及各类传感器、检测器等等一系列的感知设备.依托5G技术,相关交通管理部门可以更及时地掌控实时的交通运行情况.通过对交通流预测模型及区域交通协调优化模型的建立,提前预测中短期内道路交通流的运行情况,依托5G+智慧灯杆编织起的城市感知网络及定向广播系统,对沿途车主定向定量地决策最优的行车导航方案,对城市道路交通进行高效、有效的管理.现以上海5G+智慧灯杆的工程实例为依托展开基于交通流预测模型而开发的区域交通协调优化控制系统功能分析与研究.     

观测路径出行时间下随机网络交通需求估计

道路网络起讫点（OD）需求是城市决策长期交通规划和短期交通管理中的基础参数,准确的交通需求更是实施交通拥堵控制、限行限速、路径诱导等措施的先决条件。综合运用观测的轨迹已知和未知路径出行时间,建立随机网络交通需求估计双层规划模型。上层广义最小二乘模型最小化历史交通需求与待估交通需求、观测路径出行时间与待估路径出行时间之间的偏差,约束为交通需求、路段流量、路段出行时间与路径出行时间之间的传播关系,通过高斯混合模型（GMM）对其中轨迹未知的观测出行时间依概率聚类。下层为随机网络交通出行均衡模型,分别运用出行时间预算和随机用户均衡处理路网不确定性和出行者感知误差。上、下层之间通过交通需求和OD-路段关联比例进行信息传递。设计迭代算法框架求解双层规划模型,迭代算法包含求解上层模型的最速下降法、求解下层模型的相继平均算法和求解GMM模型的最大期望（EM）算法。通过算例表明轨迹未知的路径出行信息的加入在提升需求估计精度的同时也增大了估计值的方差;设计的迭代算法能够稳定收敛到10^-5的精度;GMM软聚类方法估计的交通需求显著优于硬聚类方法估计的需求值;交通需求值对观测路径出行时间的扰动更加敏感。研究考虑出行者风险态度,通过轨迹信息的重新构建揭示城市交通需求演化规律。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

雄安城际站、小里站交通预测及交通组织分析

雄安新区作为北京非首都功能疏解集中承载地,必须完善其区域综合交通网络,构建新区便捷的交通体系.在上位规划和城市设计研究的基础上,构建了雄安城际站及小里站区域范围交通预测模型,采用人口高限进行测试.利用模型预测与交通流线布局的互馈结果,进一步应用预测模型对流线布局进行检验分析.研究结论:在规划年限内,路网的建设规模适宜,能够支撑雄安城际站、小里站枢纽区域周边的交通需求;将东西轴及雄安城际站周边部分支路设置为单向交通,具有可实施性;对研究范围内地下环路的设计进行了交通组织优化,可有效缓解两车站间的地面道路交通压力.     

基于轨迹数据的山区危险性弯道路段交通事故风险动态预测

针对山区双车道公路危险性弯道路段交通事故多发的现实问题,提出主动评估短时交通流状态下的交通事故风险,以降低交通事故发生率.采用无人机高空拍摄弯道路段交通流运行状态,利用计算机识别技术提取高精度的车辆轨迹和交通流数据,结合山区双车道公路弯道路段危险驾驶行为特征表征交通冲突,以距离碰撞时间为交通冲突量化指标,提出山区车道公...     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。