����̽�⳵������·��ƽ���ٶȹ���ģ��

在讨论探测车样本数量统计需求的基拙上，提出了一种基于探测车技术的路段平均速度自适应加权指数平滑佑计模型，模型中加权系数随着跟踪误差大小和路段上探测车数量的变化而自适应调整，并利用VISSIM仿真数据验证了该模型。结果表明：在路段上探测车占交通流比例随时间变化且不能充分满足统计要求的情况下，相对传统的算术平均方法，基于指数平滑的路段平均速度佑计能够有效提高估计精度，并且可有效减小由路段上探测车数量变化而引起的速度佑计方差。     

����̽�⳵���ݵ�·�ν�ͨ�����о�

现有探测车系统的探测车数量不足,尚无法满足实时采集交通状况的需求.因此,现阶段探测车历史数据是了解城市道路的交通状况变化（Time of day variability）的重要依据.基于日本名古屋探测车实证试验获得的探测车历史数据,研究了某一干线路段的平均速度的变化特性（Time of day variability）,并分析了平均速度的变动是否能够正确地反映路段交通状况的变化特性.结果表明,获取城市道路的路段交通状态不能仅依靠平均路段旅行时间、平均速度等旅行时间指标,还需要探测车数据量等流量指标：在高峰时段,应以平均速度等旅行时间指标作为拥挤程度变化趋势的依据,而在非高峰时段,应以探测车数据量等流量指标作为估计交通状况变化趋势的依据.     

融合卡尔曼滤波的高速公路状态估计误差界限分析

为分析高速公路交通流检测数据质量,本文构建平方流量误差界(Squared Flow Error Bound, SFEB)和扩展卡尔曼滤波(Extended Kalman Filter, EKF)的决策级融合模型SFEB-EKF,在检测器空间覆盖不足情况下,计算检测路段和无检测器路段的交通状态估计误差界限。与SFEB 算法相比,融合模型利用EKF交通状态估计模型估计全路段交通状态,基于得到的估计样本计算全路段交通状态估计误差下界。同时,采用最近邻法(Nearest Neighbor Method, NNM)计算全路段交通状态估计误差上界。应用开源高速公路数据集测试模型,结果表明,与需要输入真实样本的SFEB算法相比,融合模型SFEB-EKF在缺少真实样本情况下,能取得相似的结果且误差保持 在5%以内,不同检测器覆盖率实验下模型表现出良好的稳定性。本文模型通过给出无检测器路段交通状态估计界限,为高速公路交通检测器布设方案提供参考。     

基于出租车GPS数据的路段平均速度估计模型

为了解决现有基于GPS数据的路段平均速度估计模型应用条件苛刻、难以满足低成本和高精度信息需求问题,考虑不同类型GPS车辆运行特征,设计了两个基于出租车GPS数据估计路段平均速度的改进模型.基于两个改进模型,设计了路段平均速度的融合估计方法.用某城市局部路网的出租车GPS数据验证两个改进模型,并与传统模型进行了对比分析....     

带延迟过境O-D流的回归估计

为带延迟过境O-D流估计问题建立了概率分布约束的多元线性回归模型，设计了求解算法，利用这个模型分别估计出驶入车流量、过境车流量占路段车流量的百分比和流出车流量的大小，并且对模型进行了样本数据有误差时的抗差分析。结果发现当路段交通量数据有不超过3％的误差以及路段上不同去向交通流量的比例有较小摆动时，该模型总体结果能达到8％的相对误差精度，具有较好的抗干扰能力，是可行的。     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

基于GPS的路段旅行时间和速度估计算法研究

GPS已经广泛应用于交通领域。本文探讨了利用GPS车辆定位信息,进行路段旅行时间和路段平均速度估计的相关算法。重点讨论了在GPS返回数据的不同情况下,进行旅行时间的推算,以及平均速度的估计。通过路上试验,说明该算法能够得到路段合理的旅行时间和平均速度,能够描述路网的运行状态。     

基于土地利用的城市卡口缺失数据修复方法

为解决城市道路卡口原始数据大量缺失问题,从道路两侧土地利用的角度出发,提出一种能够描述路段出入口交通量运行状况的出入口交通量估计模型。以该模型为基础,充分利用城市道路交通流运行的时空特性,构建基于土地利用的卡口缺失数据修复方法,并结合济南市经十路两个相邻卡口的交通流数据对该数据修复方法进行实例验证。结果表明,在全天卡口数据修复以及特定时段数据修复中,交通量数据修复的误差大大降低,修复精度能够较好满足工程应用的实际需求。     

�ֻ�̽�⳵�쳣�л�λ�����������о�

以切换定位技术作为手机探测车的定位技术,针对切换定位技术低定位精度的特征,对手机探测车异常切换位置修正问题进行了研究．根据问题描述,提出一个两阶段手机探测车异常切换位置修正方法,分别为异常切换路段速度修正和异常切换位置重置．在第一阶段中,结合桥接切换路段构建一个双层数据融合模型,对异常切换路段速度修正值进行求解．在第二阶段中,采用遗传算法求解异常切换位置重置问题得到异常切换位置修正结果．通过实证数据,评估分析了基于本文修正方法计算得到的手机探测车切换路段速度估计绝对误差,与原始数据比较表明,本文提出的方法是可行有效的,可以应用于道路交通信息提取的研究中．     

基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度,提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值,进而通过D-S证据理论进行数据融合,整合了BP 神经网络自学习的特点与D-S 证据理论推理的能力。提出了融合方法的框架,给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证,并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明：融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7．90％、20．72％,融合方法能够得到较好的效果。微波检测器失效的情况下,融合精度有所下降,但融合数据的误差仍然小于仅使用浮动车数据的误差,说明融合方法具有一定的鲁棒性。     

Study of Probe Sample Size Model in Probe Vehicle Technology

In this paper, market penetration of a probe vehicle for real-time traffic data collection is discussed. A new comprehensive probe sample size model that satisfies the need of traffic flow parameter estimation and traffic network coverage is established, in which many factors like location error, probe ‘report’ transmission interval, probe data analysis interval, traffic flow density, link length, and road type are included. Based on this model, this paper proves the relationship between market penetration of the probe vehicle and other indexes, when probe data is used for link average speed estimation based on VISSIM simulation. The simulation result shows that the sample size model can provide effective probe information to accomplish the estimation of link speed.     

基于自适应加权平均融合的路段行程时间估计

在固定检测器和浮动车数据的路段行程时间估计基础上,利用两种估计方法数据之间的互补性,应用自适应加权平均融合算法对估计结果进行融合处理,从而实现对路段行程时间更为精确的动态估计.以大连市中心城区为主要研究对象,通过交通调查和VISSIM仿真环境实现对固定检测器和浮动车的数据收集和行程时间估计.结果显示自适应加权平均融合能够有效提高路段行程时间估计精度,且适用于不同流量状态下的路段行程时间估计.     

����·�����Ա����ĸ�����������ģ���о�

作为一种新型的交通信息采集方式,浮动车技术得到了广泛的应用.在浮动车系统中,目前的难点在于浮动车配置数量的确定,即在保证一定覆盖率的前提下,如何合理配置路网中的浮动车数量.本文针对现有浮动车覆盖率模型的局限性,从覆盖率的产生机理入手,以路段为研究对象,研究路段属性对单位时间内浮动车通过该路段次数的影响,建立基于路段属性变量的浮动车覆盖率模型,并采用极大似然估计法求解.最后结合南京市的浮动车数据进行实例分析,验证了方法的可行性和有效性,可以为浮动车配置计划的确定提供参考依据.     

���е�··������ʱ������Է���

了解路段旅行时间随交通状况变化特性对利用探测车等新式交通检测技术估计交通状态非常重要.基于交通微观仿真模型,分析了路段旅行时间随交通状况的变化特性,验证了平均路段旅行时间是否能够采集通畅、拥挤到堵塞这三个状态,以及是否能细分这三个交通状态.结果表明：（1）平均路段旅行时间能够判断上述三个状态;（2）在拥挤阶段,随着交通状态恶化,平均路段旅行时间逐步增加,因此能够细分拥挤状态为多个子状态,但由于在通畅阶段,即便流量增加,平均路段旅行时间基本不变,因此无法细分通畅状态,细分通畅状态需要流量信息;（3）路段旅行时间在拥挤状态时处于双峰分布,难以用少量的探测车提供的数据可靠地估计平均路段旅行时间.     

Property Analysis of Urban Road Travel Time

To estimate arterial link traffic condition based on probe vehicles, it is necessary to investigate the fluctuation characteristics of road travel time with traffic condition. On the basis of micro traffic simulation model, this paper analyzes the fluctuation of road travel time with traffic condition, and examines whether the mean travel time can reflect the variation of traffic conditions including free flow, congestion to traffic jam. As a conclusion, (1) mean link travel time can be used to identify free flow, congestion, and traffic jam; (2) mean link travel time divides congestion condition, but cannot subdivide free flow condition; (3) in the condition of congestion, travel time is distributed as a two-peak mode, and the average travel time is difficult to be estimated by small size sample.     

����BRT���ź���ʱ�ĸɵ�ͨ����������

由于城市道路交通行为的复杂性以及高质量交通数据的缺乏,实时估计城市主干道的旅行时间具有一定的难度.基于实时的快速公交（BRT）以及信号配时数据,作了一系列研究,用以估计主干道旅行时间以及交通服务水平（LOS）.本文通过将公交车的排队延误时间、平均信号灯等待时间和自由流旅行时间综合在一起来实现旅行时间的估计.并以Valley Transportation Authority（VTA） BRT和智能驾驶系统作为数据源进行实验.实验结果表明,本文提出的估计主干道性能的方法非常有效.其中根均方误差（RMSE）和根均方百分比误差（RMSPE）分别为49s和9%,LOS估计的精度高达73%.     

���ڸ����������ij���·�����㷽��

城市道路交通运行状况信息（路况信息）的准确、实时的获取和处理是交通诱导、交通控制等应用的基础。而路况信息一般用路段平均通过时间和平均速度来表示。本文在分别对基于平均速度和基于平均通过时间的算法误差分析的基础上，提出了基于浮动车技术的城市路况计算方法。并利用广州市出租车综合管理系统提供的浮动车数据，结合车牌计时和跟车测试等实验对该方法的有效性进行了验证。实验结果表明本文所提出的方法是有效且实用的。     

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.