基于需求预测与CTM的高速公路交通事件影响范围预测

交通事件在高速公路上经常发生,其时间与空间上的不确定性,以及对上游路段和相邻国省道带来的动态衍生影响,使得提前制订具有针对性的预案难度很大.如何快速预测交通事件的影响范围以及交通管控措施的实施效果,成为高速公路应急处置管理的基础.提出基于交通需求预测与元胞传输模型相结合的技术,首先通过卡尔曼滤波算法估计和预测交通需求矩阵,并将上述交通需求加载在元胞传输仿真模型中模拟未来路网的交通运行状态,用于实时、快速预测交通事件发生后未来短时的交通拥堵发展态势.基于该技术,开发了公路网交通运行状态预测系统,通过实际数据的测试,证明该系统在公路网交通事件影响范围预测方面具有良好的精度,并且预测精度随着路网基础交通量的增大而提高.     

基于元胞传输模型的交通事件消散建模

介绍了元胞传输模型(CTM)的基本原理,并建立了交通事件消散时间的元胞传输模型。分析了上海市城市某段快速路交通事件发生位置处拥挤波的产生与消散,并对此问题用元胞传输模型建模并进行仿真计算。仿真结果表明,事件发生的上游形成拥挤区并慢慢向上游传递;事件清除后,拥挤波的消散较慢并会蔓延较长的距离,其消散也需要较长的时间。因此,有效的交通管理对缓解交通拥堵,减少交通延误有着重要的意义。     

基于动态分流元胞传输模型的城市道路网络韧性评估

为全面评估重大扰动事件下城市道路网络抵御扰动并从扰动中快速恢复的能力，提出以改进元胞传输模型模拟路网流量分布状态，以韧性为测度指标的路网性能评估模型。针对传统元胞传输模型交叉口分流比例恒定的不足，明确考虑扰动事件影响期内因出行者调整路径可能导致的路径流量波动，构建出行决策行为与元胞流量传输的强耦合机制，提出一种新的动态分流元胞传输模型；基于动态分流元胞传输模型获得的路网性能参数，以路网效率为路网基础性能指标，构建反映扰动事件影响期内路网效率累积动态变化的韧性指标；并基于Sioux Falls网络开展算例研究。算例结果表明：相比传统元胞传输模型，提出的动态分流元胞传输模型通过设置交叉口动态分流参数，建立出行决策行为与元胞流量传输的动态耦合关系和路径流量变化与交叉口元胞分流比例的自洽机制，可准确描述路网实际流量分布状态；提出的基于路网效率的韧性指标可全面反映扰动事件发生后路网性能退化到恢复全过程的动态累积性能，直观展示路网抵御扰动并从扰动中恢复的能力，契合韧性内涵；韧性评估中若忽视出行决策行为潜在影响，将获得次优甚至明显偏离实际的方案或结果。     

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。     

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...     

融合多源数据与元胞传输模型的高速公路交通状态估计方法

针对高速公路管控和决策应对交通状态进行准确、可靠和精细化估计的需求,本文提出了一种基于多源数据+元胞传输模型（Multi-Source Data Cell Transmission Model,MD-CTM）的交通状态估计方法。该方法针对传统CTM模型要求元胞长度必须一致的局限性,提出了一种元胞长度划分的优化方法,能够灵活调整元胞长度和数量。同时,应用卡尔曼滤波技术,将ETC门架流量、稀疏视频检测器流量和样本车辆平均速度数据融合,并与CTM模型相结合,实现高速公路元胞级交通状态估计。为了验证本文提出方法的有效性和准确性,我们利用VISSIM软件构建了长度5 km的高速公路仿真场景。仿真案例结果表明,本文提出的MD-CTM模型能够较为准确地反映不同流量需求下交通流状态的时空演化特征,且相较于CTM模型,其元胞密度估计精度提高12.59%～36.26%。此外,本文选取了成都市绕城高速路段实际场景,对模型的运行效果进行了展示。     

快速路入口匝道瓶颈宏观交通流模型

基于入口匝道汇入方式与基本图形态, 提出了一种调整型元胞传输模型; 增加了入口匝道状态变量以追踪入口匝道交通状态, 定义了新的入口匝道汇入规则; 将双通行能力基本图引入到调整型元胞传输模型中, 以适应不同交通状态下通行能力的变化; 将单纯形法与遗传算法相结合, 提出了混合多目标参数优化方法; 建立了3个仿真场景, 评价调整型元胞传输模型与混合多目标参数优化方法的效果。仿真结果表明: 在预测入口匝道上游主线拥堵发生与结束时间方面, 与经典元胞传输模型相比, 调整型元胞传输模型将时间预测准确性分别提升了22.3、10.8 min; 在模拟入口匝道汇入段主线拥堵传播与消散方面, 调整型元胞传输模型模拟结果更加符合实际的传播与消散规律; 在模拟试验路段早发性失效交通特性方面, 调整型元胞传输模型对于拥堵前最大流量与拥堵后消散流量的拟合误差在4%以内, 小于经典元胞传输模型; 在模型仿真精度方面, 调整型元胞传输模型各项评价指标均优于经典元胞传输模型, 前者的仿真速度误差为10.42 km·h-1, 较后者降低了25.4%;与传统的遗传算法相比, 混合多目标参数优化方法的总计算次数更少, 参数标定过程总耗时缩短了29.3%。      

交通事件持续时间预测贝叶斯网方法研究

交通事件持续时间的预测是事件管理系统的重要组成部分,根据I-880实测数据集,利用逐步回归分析的方法确定事件持续时间的主要影响因素,分别建立了应用于事件持续时间预测的朴素贝叶斯(NB)模型、加树朴素贝叶斯(TAN)模型以及一般贝叶斯网(BN)模型,在分析数据特点的基础上确定了贝叶斯网的推理算法、参数学习以及结构学习方法.在不同数据缺失的程度和不同训练样本规模下,分别对三种模型的预测准确率进行了评价,结果表明贝叶斯网预测模型在数据缺失30%的情况下30min准确率高于80%.     

基于多变量决策树交通事件持续时间预测模型

基于粗集理论和决策树方法,建立了交通事件持续时间的多变量决策树预测模型。通过分析交通事件的属性特点,运用粗集理论中的属性约简方法,确定了交通事件的核心属性;运用等价关系相对泛化原理构造了多变量组合检验,并根据变量依赖度确定了最优变量组合;以多变量组合判据代替单变量判据建立了决策树模型,利用决策树高度和节点样本数对树的规模进行控制,优化了决策树结构。实例应用表明,该模型对交通事件持续时间的分类和预测能力较强,预测精度较高。     

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.     

���ڿɱ�Ԫ������ģ�͵ij��е�·��ͨ�����Ʒ���

城市道路交通流预测的可靠性、实时性是城市交通管理与控制的基础. 为提高城市道路交通流的预测能力,提出了可变元胞传输模型（VCTM模型）. 在分析元胞传输模型（CTM模型）在城市道路交通流预测方面应用不足的基础上,根据流量守恒定律,将元胞的交通流密度和元胞的长度两个参数引入CTM模型,建立了VCTM模型. VCTM模型根据路段连接、汇聚、分流等三种形式的不同特点,分别建立了元胞连接、汇聚、分流的交通流传输公式. 虽然VCTM模型引入了元胞的交通流密度和元胞的长度两个参数,增加了模型求解的运算量,但克服了元胞长度必须相等的局限性,确保VCTM模型可以应用于城市路网中的不同道路. 仿真结果表明,VCTM模型能够满足城市道路交通流预测的要求.     

一种考虑交叉口因素的改进元胞传输模型

为使元胞传输模型(Cell Transmission Model,CTM)适用于城市道路环境下的交通流仿真,以流量守恒定律和宏观基本图为基础,推导出使用交通流密度描述元胞动态特征的迭代公式,克服了基本CTM中所有元胞长度必须相等的局限性.同时提出了基于车道功能和信号相位的进出口路段和交叉口内部的元胞划分方法,并根据停车线处的放行流率动态调整受信号控制元胞的发送流率,由此提出了考虑信号控制的改进CTM.最后,分别使用该CTM和VISSIM软件对一个包含2个交叉口的城市道路进行仿真,并对比分析输出结果.实验表明,两者输出的交通流密度曲线吻合度高,对信号控制交叉口交通流的排队和消散特征的描述十分接近,与此同时,改进CTM显著地减小了计算开销和用时.     

ͻ���¹��½�ͨ��Ϣ�����о�

突发事故及其所造成的非重复性拥堵会对城市交通系统正常运行有重大影响,其造成的拥堵传播会使得拥堵区域内的大量路段瘫痪.因此研究缓解突发事故下交通拥堵的策略具有十分重要的意义.本文研究突发事故下先进的交通信息系统策略设计问题.建立了ATIS策略设计的双层规划模型,上层目标从交通管理者的角度追求出行者的系统总阻抗与交通信息运营成本最小化,下层描述在ATIS作用下出行者的动态路径选择行为,并通过元胞传输模型仿真拥堵的传播与路段上车辆的走行.提出了基于遗传算法的求解方法.算例结果表明,优化的ATIS策略能够有效地缓解突发事故所导致的交通拥堵,提高交通网络的系统性能.     

前景理论下道路网络的级联失效演变

为了避免城市交通网络在突发事件的影响下陷入大范围的瘫痪,本文提出了一种 将路径改变行为和失效持续时间相结合的级联失效模型.模型以需求的演变定义了初始荷载, 提出了失效时间的概念,以及网络交通量的延迟加载方式;然后,考虑出行者在面对突发事件 的主观因素,基于前景理论确定了负载的动态重新分配方法;最后,采用MSA算法给出了模 型求解步骤.仿真结果表明：随着路段失效时间的增加,驾驶员的路径改变概率有显著差异;该 模型可定量的分析路网在不同的失效时间和初始需求下,由于路段造成的失效演变过程;在 考虑路段方向性时,路段的2 个方向均瘫痪后,相继失效速度明显加快.本文为研究突发事件 的管理方法提供了一定的理论依据.     

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.