基于车联网的城市路网实时行程时间预测

近年来,车联网技术快速发展,其不仅具备车辆对车辆和车辆对路侧的联网通讯功能,而且还能提供交通信息的实时交换功能。在车联网条件下,假设所有车辆均为浮动车,则基于浮动车和交通检测器信息可构建城市路网的行程时间预测模型。该模型针对路网行程时间进行预测,并对浮动车实时和历史数据进行比较和分析。分析结果表明:使用浮动车实时数据预测的行程时间误差最小,但变异系数很高;而使用融合模型,则误差和变异系数都较低。     

基于浮动车移动检测与感应线圈融合技术的行程时间估计模型

综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。     

基于联合卡尔曼滤波器的交通信息融合算法研究

基于现有的研究方法,提出了一种基于联合卡尔曼滤波器的交通信息融合算法。首先利用浮动车的覆盖率和浮动车的历史平均行程时间来修正浮动车的平均行程时间估计值,用于浮动车覆盖率不满足最小覆盖率时的路段平均行程时间估计;利用路段上浮动车的覆盖率来确定联合卡尔曼滤波器的融合系数;利用联合卡尔曼滤波器对固定型检测器的平均行程时间估计和浮动车的平均行程时间估计进行信息融合,得到路段的平均行程时间估计。该融合方法计算量小,融合时间快,有利于实际应用。试验结果表明,该方法提高了区间平均行程时间估计的精度。     

基于数据挖掘的固定型交通检测器配置优化

结合固定型交通检测器空间配置的4条原则和配置密度优化步骤,提出基于数据挖掘技术的固定型交通检测器配置优化方法.设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对象,运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型、ARIMA预测模型及神经网络预测模型.采用网格搜索技术确定Winters模型参数,设计一种比传统ARIMA模型参数估计方法更精确的算法程序,来估计ARIMA模型参数,采用3项误差指标评价模型预测效果.根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案.实例研究表明,在保证满足ITS 对交通参数精度要求的同时,通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本.     

基于数据融合的路段行程时间估计

基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波,采用K近邻法寻找相似的交通流状态来标定状态转移系数,建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是,平均相对误差为9.52%,相对误差的标准差为8.92%。研究表明,与基于移动检测器数据的估计方法相比较,该方法极大地改善了估计精度和可靠性,还具有收敛速度快、对初值不敏感、参数少等特点。     

手机信令数据支持下高速公路检测器布设研究

交通检测器的布设决定着路段行程时间估算及预测的精度.同时,检测器技术、行程时间估计方法也会影响到检测器布设方法.针对此问题研究利用手机切换数据交通信息提取支持,结合传统固定检测器,基于BP神经网络实现行程时间融合估计.基于新的行程时间估计方法,以估计精度为约束,研究传统固定检测器的布设.结合实例分析,验证行程时间融合估计方法有效性,并在均匀布设和盲区补充方案基础上,研究检测器布设间距对交通参数估计的影响.     

基于粗糙集交通信息提取计算的城市道路行程时间预测

针对城市道路的行程时间预测问题进行研究。由于城市道路交通问题具有不确定性和不精确性,故采用基于粗糙集的交通信息提取计算理论建立城市道路行程时间预测模型。模型建立后,利用在荷兰代尔夫特市采集到的实际数据,对该预测模型进行检验。检验结果表明:如果不进行原始数据的前期处理,那么得到的预测误差在35%左右;而在剔除了质量较差的数据后,预测精度明显提高;同时,条件属性和决策属性的分类,显著影响到预测的精度。通过计算得到分类范围值,该模型能够较好的对交通状态进行物理解释同时预测精度能够达到可以接受的范围。     

基于浮动车数据的交通事件参数特性研究

利用微观交通仿真软件Vissim搭建交通事件环境,对在不同堵塞程度和不同交通流量的交通事件情况下,浮动车采集的浮动车速、行程时间、浮动车位置等移动检测交通参数变化特性进行了分析比较,总结出交通事件情况下的浮动车移动检测各交通参数变化规律,并以此为基础对模式识别法、统计预测法、时间序列和智能算法等4种基于浮动车数据的交通事件检测算法进行了探讨,具有覆盖面广、成本低等特点。     

基于相空间重构和PSO-GPR的短时交通流预测

准确实时的短时交通流预测是智能交通诱导的关键.为提高短时交通流预测精度,研究了基于相空间重构和粒子群优化高斯过程回归的短时交通流预测模型.针对交通流时间序列的非线性、复杂性和随机性,基于混沌理论确定原始时间序列的最佳延迟时间和嵌入维数,进行相空间重构,获得与原始数据具有相同动态特性的更为合理的模型输入-输出数据集.利用粒子群算法改进传统高斯过程模型参数优化的不足,构建预测模型.以重构序列作为预测模型的训练集和测试集,实现短时交通流预测.采用北京市东四环快速路检测器实测数据对比分析模型预测效果.结果表明,基于PSR和PSO-GPR的短时交通流预测模型评价指标均优于对比模型,其中绝对误差平均降低4.88,绝对百分比误差平均降低3.97%,均等系数达到0.963,所研究模型能够有效提高短时交通流预测精度.      

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据，基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素，选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据，选取3 000组实际运行数据完成公交行程时间预测模型的训练，另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间，预测值平均相对误差为3.23%，绝对误差集中在8 s左右，明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型，可认为选择RFID电子车牌数据作为组合模型的输入，能够明显改善模型预测精度；组合模型预测值的残差分布更为集中、鲁棒性较好，泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标，结果进一步表明，组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

不同的自适应卡尔曼滤波在地铁隧道沉降监测数据处理中的应用研究

由于传统卡尔曼滤波所建立的数学模型不是很精确,且动态噪声统计特性不易确定,可能导致滤波发散而无法获得准确的预测结果。为了克服这种现象,提出自适应卡尔曼滤波方法。分别用卡尔曼滤波、基于极大验后估计原理的自适应卡尔曼滤波和基于方差补偿的自适应卡尔曼滤波在地铁隧道沉降监测数据处理中的应用进行分析比较,结果表明,与其他方法相比,基于方差补偿的自适应卡尔曼滤波方法的变形预测精度更高。     

A hybrid model based method for bus travel time estimation

Providing accurate information about bus arrival time to passengers can make the public transport system more attractive. Such information helps the passengers by reducing the uncertainty on waiting time and the associated frustrations. However, accurate estimation of bus travel time is still a challenging problem, especially under heterogeneous and lane-less traffic conditions. The accuracy of such information provided to passengers depends mainly on the estimation method used, which in turns depends on the input data used. Hence, developing suitable estimation methods and identifying the most significant/appropriate input data are important. The present study focused on these aspects of development of estimation methods that can accurately estimate travel time by using significant inputs. In order to identify significant inputs, a data mining technique, namely the k-NN classifying algorithm, was used. It is based on the similarity in pattern between the input and historic data. These identified inputs were then used in a hybrid model that combined exponential smoothing technique with recursive estimation scheme based on the Kalman Filtering (KF) technique. The optimal values of the smoothing parameter were dynamically estimated and were updated using the latest measurements available from the field. The performance of the proposed algorithm showed a clear improvement in estimation accuracy when compared with existing methods.     

公交到站时间预测研究现状与发展趋势

实时的公交到站时间预测是智能公交的重要组成部分,准确的预测有利于帮助居民进行出行规划和减少等待时间.通过研究公交到站时间预测的原理和方法,系统总结了基于GPS、APC等数据的统计学方法和分析模型.对历史平均法、神经网络、卡尔曼滤波、支持向量机和基于概率的预测模型等几种典型方法的预测原理进行了介绍,从预测精度、实时性、计算复杂性等几个方面对模型的优缺点进行了比较.分析了公交到站时间预测发展趋势,提出了该领域需要进一步研究的问题.      

基于卡尔曼滤波的交叉口动态O-D反推模型与算法

交叉口各进出口道之间的实时转向交通量是信号控制系统重要的输入数据,也是难以获得的数据.针对已有模型收敛速度较慢、无法满足实际系统应用需要的问题,提出了基于卡尔曼滤波的状态空间模型,设计了顺序卡尔曼滤波进行求解,并采用裁切和标准化对反推结果进行了修正.实例研究表明,模型和算法具有较高的效率和准确性,能够为实时自适应信号控制系统的开发提供支持.     

Travel mode identification using bluetooth technology

Bluetooth technology has been widely used in transportation studies to collect traffic data. Bluetooth media access control (MAC) readers can be installed along roadways to collect Bluetooth-based data. This data is commonly used to measure traffic performance. One of the advantages of using Bluetooth technology to measure traffic performance is that travel time can be measured directly with a certain level of error instead of by estimation. However, travel time outliers can commonly be observed due to different travel mode on arterials. Since travel mode information cannot be directly obtained from the raw Bluetooth-based data, a mathematical methodology is in need to identify travel mode. In this study, a genetic algorithm and neural network (GANN)-based model was developed to identify travel mode. GPS-enabled devices were used to collect ground truth travel time. In order to additionally compare the model performance, K nearest neighbor (KNN) and support vector machine (SVM) were also implemented. N-fold cross validation was applied to statistically assess the models’ results. Since the model performances depend on the model inputs, seven collections of model inputs were tested in order to achieve the best travel mode identification performance. An arterial segment with four consecutive links and three intersections was selected to be the study segment. The results suggested that correctly identifying the three travel modes successfully every time was not possible, although the GANN based model had low misidentification rates. In our study, 6.12% of autos were misidentified as bikes and 10.53% of bikes were misidentified as autos using three links.     

基于Vague集的道路交通状态决策信息融合

为了获取更加合理、准确的交通状态决策信息,针对交通状态决策信息的多源、模糊、时变特性,基于vague集建立了浮动车、感应线圈与人工报告作为信息源的模糊信息融合模型,能够实现路段与区域路网的交通状态判别。给出了一个路段多源交通状态决策信息融合的算例,验证了该方法的有效性。该方法同时为主客观信息融合提供了一种实现途径。     

基于径向基函数神经网络的城市道路路段行程时间实时预测模型

提出利用径向基函数（RBF）神经网络方法对城市道路路段行程时间进行建模NN,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性。并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高。