基于粗模糊神经网络的高速公路路段交通事件识别

高精度、快速的高速公路路段交通事件自动识别将为合理诱导交通流,提高事故救援反应速度提供基础技术支持。设计了一个基于粗模糊神经网络的事故识别算法,用于高速公路路段交通事件识别。首先,利用粗糙集的数据约简技术提取精简的规则,得到系统的原始输入输出数据集。然后,建立交通突发事件识别的模糊神经网络系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围之内。最后,利用VISSIM软件进行系统仿真检测,检测结果表明系统具有良好的应用性能。     

基于SNN软件系统的神经网络交通事件自动检测算法

高速公路交通事件自动检测在我国是一个新的研究领域,它是解决高速公路突发交通事件的有效途径之一。随着神经网络技术的成熟与完善,许多学者把这项技术应用于高速公路交通事件自动检测。本文总结现有神经网络算法的不足,提出基于SNN(StatisticalNeuralNetworks)软件系统的神经网络交通事件检测新算法,通过与传统的加利福尼亚算法、滤波算法、标准偏差法进行比较和验证,得出新算法明显优于传统事件检测算法的结论。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于检测器脉冲数据的高速公路事件自动检测算法研究

提出了一种全新的高速公路事件自动检测算法,直接利用车辆检测器输出的脉冲宽度和脉冲间隔作为参数,运用LVQ神经网络对获得的脉冲宽度数据和脉冲间隔数据进行处理来判断是否有事件发生,从而大大减少了检测时间,为交通事件的快速处理提供了可靠的依据。此外,该算法利用神经网络的自学习能力,可以很好地确定各条道路发生交通事件的门限值。仿真结果表明:该算法具有较高的事件检测率(约为97%)、较短的检测时间和较低的误警率(约为0 41%),具有很好的应用前景。     

基于数据融合的城市道路交通事件自动检测

针对交通事件自动检测多以高速公路、城市快速路为对象以及使用数据源单一的现状,提出一种基于多源数据融合的城市道路交通事件检测方法。在对信号控制下交通事件引起的交通流变化进行分析的基础上,利用杭州市城区浮动车、SCATS、Citilog系统提供的实时交通数据,基于CUSUM算法构建差分流量和速度交通事件检测模型。该模型可以有效抑制交通信号对于交通流的周期性影响。实验表明,模型在高峰时段和平峰时段均能快速准确检测交通事件。     

基于RFID的隧道交通异常事件自动判别方法

隧道作为高速公路的瓶颈路段和事故易发段,其交通信息采集及异常事件自动判别一直是智能化交通管理的研究重点。文中分析了传统检测技术及其算法的缺点或不易实现的因素,在此基础上利用射频识别（RFID）技术进行单车动态信息采集,从速度和占有率2个参数考虑事件自动判别方法,以快速检测交通事件、提高事件的检测率、降低事件的误报率,实现交通异常事件检测变＂被动＂为＂主动＂、变＂救＂为＂防＂。     

基于因子分析和最小最大概率机的交通事件检测算法

为了进一步提高交通事件检测的精度与效率,在多角度构建事件检测初始交通变量的基础上,设计了1种基于因子分析和最小最大概率机的交通事件检测算法。通过分析交通事件上下游交通流参数的变化规律,构建了11种初始交通事件检测变量,利用因子分析方法对初始交通变量进行特征提取,实现初始交通变量的有效降维,并分别采用核函数最小最大概率机算法和线性最小最大概率机算法进行交通事件检测。最后,采用美国I‐880数据库的实测数据进行实验验证和对比分析,实验结果表明,FA‐M PM算法较M PM算法事件检测率提高3.5%,误报率降低0.17%,平均检测事件减少了27.5s,且最小最大概率机算法的交通事件检测效果明显优于支持向量机算法和BP神经网络算法。      

基于TAN分类算法的交通事件检测

事件检测算法是交通事件管理系统的关键技术之一,提出一种基于树增强朴素贝叶斯(TAN)分类算法对交通事件进行检测,它的网络结构和参数通过数据学习确定,相比贝叶斯网络算法,对专家经验依赖较小.采用小波去噪、标准化和基于熵的离散化方法对原始交通数据进行预处理,将交通事件作为"0-1"分类变量,交通特征参数作为属性变量,构建TAN分类器.采用新加坡艾耶尔国王高速公路(AYE)的数据集对该算法进行了实例验证,实验结果表明TAN分类算法与多层前馈神经网络(MLF)算法的检测性能相当,它们的检测率分别为95.97% 和98.8%,但TAN分类算法在模型训练和标定的速度上具有显著优势,且相比MLF算法,TAN分类算法的原理更加简单易懂,因此TAN分类算法具有更广泛的应用前景.      

基于小波变换的城市道路交通事件检测

利用出租车浮动车数据对城市道路行程车速的表达能力,针对出租车空车和重车2种数据运用小波变换技术分析了城市道路交通状态突变点,据此进行了城市道路交通事件的检测。区别于以往小波变换技术,首先运用于数据降噪,再将处理数据运用交通事件检测算法判断,直接采用小波变换技术实现了对城市道路间断流的交通事件的检测。并利用实际采集数据对提出的交通事件检测算法进行了验证,结果表明算法能够对交通事件进行更综合的检测,检测准确度得到了提高,能够为城市交通信息发布和交通诱导提供更加可靠的信息。     

基于改进的RBF神经网络的高速公路交通事件检测

根据高速公路有交通事件发生时交通流将产生突变这一原理,采用改进的径向基函数(RBF)神经网络研究高速公路事件检测问题。分析交通流参数在有交通事件发生时的变化规影影响神经网络泛化能力的同时,加入多余节点的删除和合并策略,从而得到精简的网络结构。采用自适应学习方法进行隐含层节点的调整,使网络在不同的训练阶段能够自动选取不同的学习速率。仿真试验表明,该改进算法在高速公路交通事件检测中具有检测率高、学习速度快等优点,具有良好的应用前景。     

区域高速公路网络交通事件传感器布设方法研究

针对如何使用有限的传感器而获得最大的事件检测效益的问题,依据区域高速公路网络拓扑特点,充分利用匝道以及出入口的重要特性,以常规的最短路径算法为基础研究了一种交通事件传感器的优化布设方法,以高速公路网络行程时间标准差作为优化目标,在充分利用现有资源前提下,分别布设和优化路段和出入口事件检测器,形成两层结构的事件检测传感器网络体系。并以上海市高速公路网为例进行了实例应用分析。结果表明,依据合适的优化方法可以确定传感器最佳布设位置和数量,同时结合高效的交通事件检测算法,可以全面提升交通事件检测技术。     

基于动态概率神经网络的公路交通事件检测算法

从公路隧道事件及其自身特点出发,依据人工神经网络这一强大的无模型模式分类器,采用人工神经网络算法建立动态概率神经网络（DPNN）事件检测模型：模型采用的输入指标不是单独的交通流参数,而是几个参数的组合,充分利用交通数据中包含的交通事件信息,大大提高算法的性能。     

城市快速路交通状态转变时刻确定方法研究

研究了城市快速路交通状态转变时刻的确定方法。在分析快速路拥挤状态和不拥挤状态交通流参数特性的基础上,根据Dganzo等提出的交通流参数调整累计曲线,设计了一种用于确定交通状态转变时刻的方法:利用流量和时间占有率两个参数的调整累计曲线来判定快速路交通状态转变时刻。论文利用北京快速路系统的调查数据检验了该方法,得出的交通状态转变时刻与实际情况相符,证实了该方法的有效性。交通拥挤转变时刻的确定可以应用于道路交通状态判别、交通波理论研究以及现有交通事件检测方法的技术评价。     

基于过程神经元网络与遗传算法的交通流预测

高速公路变通量预测对于高速公路建设和管理具有重要的指导作用。针对传统预测方法准确性低、预测时间长等问题,建立了遗传过程神经元网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用过程神经元网络非线性描述、自学习自适应的优点,并以实际道路为例进行计算机仿真,实证分析的结果表明,该方法能够有效提高交通量的预测精度。     

基于情景分析的高速公路事件检测决策系统研究

高速公路事件检测是为了及时、准确地检测偶发性事件的发生,以便于尽量减少事件所造成的不利影响,使事件总的影响降到最低。目前,事件检测算法多种多样,可以从不同的角度对其进行分类。在对高速公路的交通流量进行情景分析的基础上,提出了一种新的事件检测决策系统。即使在高速公路不同的服务水平下,这种系统也都能很好地实现对事件的准确检测。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

高速公路事故响应控制模式构建

为优化高速公路发生交通事故后的入口匝道调节率,以达到减缓交通拥挤、降低事故冲击的目的,对高速公路交通事故发生后的车流行为进行了研究,以车流行为改变引起的检测信号为基础,建立了控制所需的行为参数集;利用控制理论,构建了高速公路事故动态随机响应控制模式,并利用卡尔曼滤波和线性二次高斯方法求解,通过实例演算进行评析。研究结果表明:提出的控制模式与无控制和定时控制相比较,对中等流量具有较好的控制效果,对较高流量和较低流量具有一定的控制效果,对较高流量和中等流量下的通过率有一定的改善。该控制模式可运用于高速公路智能控制系统之中,提高事故条件下的道路交通服务水平。