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。     

小波理论及其在交通事件检测中的应用

简介小流变换的基本原理，给出Ｍａｌｌａｔ塔式算法的公式，采用小波变换的方法进行交通事件检测，并给出了利用小波变换进行交通事件检测方法的程序流程图。利用实际数据进行了分析，分析结果表明小波分析用于交通流数据分析有其优越之处。     

交通流非线性回归模型的变点统计分析

以往的交通流状态辨识主要集中在交通流状态预辨识(即交通流预测)和实时辨识(即事件检测或交通流突变检测)上,在一定程度上忽略了对交通流变量规律的辨认.依据交通流理论,采用非线性回归模型变点的统计方法,对变点识别的关键问题进行了分析.结合淄博市中心路的实地数据对本方法进行了标定和检验,验证了方法的有效性和可行性.     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于小波包变换的交通事件检测

简介小波包变换的基本原理。采用小波包变换的方法进行交通事件检测，并给出了利用小波包变换进行交通事件检测方法的步骤。经与实际数据分析、比较，表明小波包变换用于交通流数据分析有其优越之处。     

基于小波卡尔曼滤波的高速公路交通数据融合去噪算法研究

为去除交通信息采集过程中的噪声干扰,提出了一种基于小波分析和卡尔曼滤波相融合的交通数据去噪算法。该算法通过小波系数计算小波方差并代替卡尔曼滤波的初始协方差完成迭代,将小波阈值去噪重构后的信号作为卡尔曼滤波器状态最优估计中的测量值输入,实现了交通数据的分解去噪和最优估计。实例分析结果表明:一方面小波-卡尔曼滤波融合去噪算法的去噪指标优于小波分析算法;另一方面采用去噪后的实时交通数据建立时间序列预测模型,由三项预测误差评价指标及拟合预测图对比可知,小波-卡尔曼滤波融合去噪算法较小波分析算法可更好地提高预测精度,从而综合验证该融合算法能有效去除交通数据中的噪声干扰,并提高其数据质量。     

基于小波提升框架的交通目标检测与跟踪

交通图像分析是智能交通领域的关键技术之一。为实现复杂交通场景中的多目标检测与跟踪,设计了一种结合小波提升框架和KLT特征点跟踪的多运动目标检测与跟踪算法。对序列图像中相邻两帧图像的融合图像进行小波提升变换,求取水平和垂直方向上的小波能量,通过合理阈值二值化小波能量矩阵,再利用贴标签方法检测出运动目标;利用KLT特征点集合代表目标,通过跟踪后的特征点集合与目标检测区域的相互关联,实现多目标的跟踪。实验结果表明了所提算法的有效性。     

基于小波分析的事故检测算法

讨论了事件检测算法，建立了基于小波分析的算法。首先构造二进小波，对交通流数据进行二进小波变换，检测其奇异点。根据判断逻辑确定是否有事件发生。要用广佛高速公路交通流数据对该算法进行离线测试，与加利福尼亚算法，滤波算法比较，结果显示该算法具有较好的效果。     

局部比较的变点统计理论及其在交通流突变研究中的应用

交通流变点就是交通流模型中的某些参数起突变化之点，在变点附近的局部中，某种量有了显著的变化，而在非变点的局部中，量保持稳定，本文针对ITS开发，依据交通流理论并结合均值变点模型，建立用局部比较的方法分析交通流突变的变点统计理论，利用某种交通流参数构造有针对性的统计量并考察它在各个局部内的变化，取其显著之处作为突变发生位置的估计，使用实测数据对算法进行标定和检验，证明方法的有效性。     

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。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

基于激光雷达点法向量的车辆实时位姿估计

为解决复杂交通场景下激光雷达获取运动车辆点云残缺而导致位姿信息难以提取的问题,提出一种基于点法向量特征的动态刚性目标实时位姿估计方法。利用最小二乘拟合算法求解目标表面点法向量,采用自适应聚类算法求解点法向量聚簇中心数量,求取聚类点拟合平面,选择互相垂直的平面代表点法向量分别作为待测目标所属坐标系内X轴和Y轴,通过运动学方程完成目标三维姿态角的求解。试验结果表明,该方法能实时估计直线和曲线运动车辆的位姿参数,表现出较好的鲁棒性。     

基于BP神经网络的道路交通状态判别方法研究

根据交通流复杂性的特点,提出了基于BP神经网络的交通状态判别方法。并以高速公路隧道为例,通过Matlab软件编程实现模拟仿真,最后通过对神经网络的输出结果与决策阈值相比较,确定其所反映的交通状态。仿真结果表明,该算法可用于实时交通状态判别,并具有很高的精度和较好的收敛度。     

高速公路交通流状态估计方法研究

为了估计高速公路交通流状态,针对中国当前高速公路交通流监测技术和检测数据细度不足的情况,利用高速公路主线断面交通量数据,提出基于出入量法的交通状态估计方法。采集湖南省长益(长沙—益阳)高速公路8个主线交通流检测站实时数据,以5 min为统计间隔,得到5周的交通流量数据;采用出入量法计算各路段区间实时密度,考虑出入口匝道的影响,引入驶入、驶出率β、α修正密度计算方程,绘制流量-密度散点图,得到流量-密度方程。研究结果表明,在中国目前高速公路交通流检测设备安装密度较低、检测数据不完备、检测频率低的情况下,结合采用饱和度和密度两个指标,能较好地对高速公路交通状态进行估计。     

基于驾驶人特性的自适应换道预警算法研究

本文中建立了基于驾驶人行为特性的换道危险感知模型,提出一种参数在线辨识、阈值可调的换道预警算法。通过模糊逻辑方法,以速度关联度、换道安全系数及横向偏移为指标确定周围车辆对自车换道的影响程度,修正换道参数;利用递推极大似然估计对模型参数进行在线辨识,获得实时危险评估值;并基于信息熵搜索最佳报警阈值,将实时评估值与报警阈值进行比较,判断系统的报警状态。采用实车试验的自然驾驶行为数据进行验证,结果表明,自适应预警模型的准确率达92.1%,预测危险状态的时间可提前0.3～1 s,符合驾驶员的心理预期,具备可操作性。     

交通异常贝叶斯动态检测方法

针对卡尔曼滤波方法在稳定性，滤波器发散及计算方面的缺陷，以占有率为观测变量，以交通流的密度和速度为系统状态，建立了交通异常贝叶斯动态检测模型及算法，能够实施无初始输入的异常检测。     

基于环形线圈检测器采集信息的交通状态分类方法应用研究

在智能交通系统中,交通状态判别算法通常被用来进行道路环境中实时交通状态的判断。这些算法将外场设备采集到的实时交通流数据与既有的交通状态分类标准特征作比较,来识别交通系统运行的状态。应用聚类分析方法,结合数据预备技术和交通工程技术,对环形线圈监测系统采集的交通流基础特征数据进行挖掘,实现了一种交通状态分类方法,并对交通管理控制系统中实时交通状态的判断识别提供可靠的参照标准。     

基于SVM的危险交通流状态实时识别模型

交通事故风险与交通流状态存在显著关系,危险的交通流状态易诱发交通事故。为降低交通事故的发生率,保障交通系统的运营安全,通过实时监测道路交通流参数的变化情况,构建支持向量机模型(Support Vector Machine, SVM)对易引发交通事故的危险交通流状态进行识别,及时预判潜在的交通事故。首先选用实际交通事故发生前的交通流状态作为危险交通流状态的判别标准,分析交通流特性,提取24个交通事故前兆特征变量。为提高模型性能,降低其计算复杂度,设计相关性选择算法(Relevance Selection Algorithm, RSA)对24个特征变量进行降维,该算法充分考虑各前兆特征变量与交通流状态类别的相关性以及各前兆特征变量之间的相关性,最终保留4个交通事故前兆特征变量。接着采用改进的网格搜索算法优化支持向量机模型的惩罚参数C和核函数参数γ,参数寻优效率比传统的网格搜索算法提高了98.3%,极大地节省了搜索时间。最后根据所构建的危险交通流状态实时识别模型,以某城市快速路的事故数据为例进行数值计算。结果表明:该模型具有较快的危险交通流状态识别能力和潜在交通事故的预警能力,且识别正确率比经典的K近邻算法提高5%、比BP神经网络算法提高22.3%。该方法能有效地对危险交通流状态进行实时识别,可为交通管理部门制订城市快速路交通事故风险管控方案提供理论依据。     

基于模糊理论的高速公路交通事件的自动检测

根据交通流量、速度和占有率,构造不同交通流状态的隶属函数,根据最大隶属度原则进行交通流状态的识别;利用支持向量机的全局优化、适应性强、泛化性能好等优点,针对实时交通流数据的随机性、高维、非线性和时变等特性,将模糊支持向量机(FSVM)应用于高速公路交通事件检测问题中。在识别阶段利用60组实测数据训练模糊支持向量机,利用60组实测数据进行测试,测试结果表明,利用FSVM进行交通事件检测,识别率达到96.7%,从而验证本文的方法是切实可行的。     

基于EMD-Wavelet模型的实时交通流噪声数据清洗方法

针对实时交通流数据的噪声污染,将具有处理非平稳非线性信号优势的经验模式分解方法(EMD)和小波变换(wavelet)相结合,构建EMD-Wavelet组合清洗模型.该模型首先将实时交通流序列进行经验模式分解,然后将含有噪声的高频分量用小波变换进行软阈值去噪,最后将去噪后的高频分量、未去噪的低频分量和残量进行重构,形成清洗后数据序列.通过实验表明:该方法的去噪效果要好于单独使用小波变换和EMD法,是一种有效可靠的实时交通量噪声数据清洗方法.