基于移动检测技术的城市路网拥挤预测模型

提出了一种新的基于移动检测技术、神经网络和模糊判断方法的城市路网动态交通拥挤预测模型.首先构建一个3层BP神经网络模型判断路网实时交通流状态,并应用实地移动检测数据和视频数据获取BP神经网络训练样本并对其进行训练;然后结合路网静态拓扑结构,应用多重模糊推理,对路段发生交通拥挤的发生可能性、拥挤程度和形成时间做出预测.现场实测数据表明,该模型具有良好的预测效果.     

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法.针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PN N算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析.结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性.      

干道交通状态识别及演变机理研究

为减少城市交通拥挤、避免交通瘫痪、保障出行安全,在综合分析交通信息采集技术、交通状态识别、交通状态演变研究现状的基础上,对干道交通状态识别及演变机理进行分析,建立适用于精细化交通管控的城市道路交通状态识别及预测框架,主要包括基于深度学习结合视频跟踪算法提取交通参数、基于路段单元运用堆叠式稀疏自编码结合K-均值聚类对车道和路段交通状态进行精准判别、基于LSTM循环神经网络与3D-CNN卷积神经网络对交通状态进行预测;最后提出干道交通状态识别与预测面临的挑战和研究方向。     

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

基于数据预测的区域道路状态模糊判别

区域路网交通状态判别是实施区域交通管理控制和交通诱导的基础。为有效且有前瞻性地描述区域路网拥挤状况,提出了1种基于时间序列数据预测和主成分分析相结合的模糊综合定量评价方法。以路段平均速度和交通流量为描述交通拥挤状况的参数,利用时间序列预测模型对数据进行预测;将路网中各路段的平均旅行时间作为总延误的影响因素;再利用主成分分析法确定各个路段对区域拥挤的影响权重;最后运用模糊综合评价法对区域路网拥挤状况进行评估。以山西省临汾市实际路网为例,通过 Vissim 交通仿真软件和 SPSS 数据统计分析软件对算法进行了仿真验证。仿真结果表明,该算法能够有效地预判城市区域的交通状况,为交通管理、控制和诱导提供准确的依据。      

基于视频检测技术的城市交通拥堵判别模型

针对日益严重的道路交通拥挤问题,基于视频检测获得的道路占有率、平均速度、车流量3个交通特征参数,提出适用于城市交通拥堵判别的改进模糊综合判别模型。通过研究交通特征参数与道路拥挤状况的关系,提出拥堵预判别和依据不同拥堵状况采用不同权重集合的方法。通过实际采集的视频数据,对算法进行验证,以证明本文方法的有效性。     

道路交通拥挤事件判别准则与检测算法

针对中国城市道路中存在的交通拥挤现象,通过对城市道路路段上环形线圈采集到的交通流流量和占有率数据进行对比性分析和统计推导,从理论上论证了交通拥挤产生的原因;提出了交通拥挤现象出现与消散过程的相对增量判别准则,并利用给出的判别准则构造出相应的拥挤检测指标,给出了城市道路路段上交通拥挤的平均占有率自动检测算法;最后结合实际调查的数据,对算法的正确性进行了验证。     

适于动态导航系统的城市道路交通状态判别

城市道路交通状态判别是动态导航系统中的关键技术之一,文章从城市道路交通流系统的高度复杂性特点出发,提出了一种基于神经网络的城市道路交通状态判别方法．首先,利用灰关联熵分析方法选取交通状态的关键性特征指标;然后,建立交通状态判别的神经网络模型并利用实测数据对其进行离线训练;最后,应用训练后的神经网络进行城市道路交通状态在线判别．实验表明,用于城市快速路的交通流状态判别方法效果良好。     

基于定点数据的道路瓶颈拥挤自动识别算法

为研究道路瓶颈处的交通拥挤现象,掌握由道路瓶颈引发的常发性拥挤的分布特点和变化规律,提出了道路瓶颈拥挤的自动识别算法.基于检测线圈历史数据,将交通状态定性划分为畅通和拥挤2种,根据瓶颈拥挤原理,识别道路瓶颈所在,并同时对由其引发的拥挤持续时长和拥挤范围进行鉴别.算法运算结果包含瓶颈定位及由其引发的拥挤持续时长和空间影响范围.以上海市南北高架路东侧10 d线圈检测数据为例,验证了算法的有效性和实用性.      

基于模糊的城市快速路交通流状态判别

"交通状态"具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视.因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态.在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则.该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据.