基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.      

基于ARIMA的路面低温短临预测方法与模型

本文以试验观测站冬季历史路面温度数据为样本数据,按照一定时间间隔,周期性提取数据,并按照日期为标准进行排列,得到路面温度时间序列数据,利用R软件建立了路面温度随时间变化的短临预测的ARIMA模型,研究基于高级统计建模方法的公路路面温度短时临近预测方法,并对路面温度时间序列特性及预测结果进行比较分析,形成基于ARIMA模型的路面温度短临预测方法及模型建立。通过路面温度数据采集、路面温度预测及对比分析,验证了基于ARIMA模型与方法的在未来1~3h内路面温度短临预测方法的准确性、可靠性与适用性。     

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

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。     

基于PCA-GBDT的城市道路旅行时间预测方法

城市道路旅行时间预测是城市智能交通管理系统和交通信息服务系统的重要基础。利用实测的车辆旅行时间数据,提出了进行城市道路旅行时间多步预测的主成分分析-梯度提升决策树(PCA—GBDT)方法。首先使用主成分分析方法进行旅行时间序列分解和主成分提取,之后建立了利用梯度提升决策树方法的旅行时间多时段预测模型。实际案例结果表明,与传统kNN方法、时间序列ARIMA方法、支持向量机(SVM)方法相比,PCA—GBDT方法具有更高的预测精度与算法稳定性。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

基于 MOVES的上坡路段载重车碳排放规律研究

二氧化碳是造成温室效应的主要气体,上坡路段显著影响载重货车的碳排放。为研究上坡路段对载重车碳排放的影响特性,基于汽车动力学模型,通过计算重量功率比为148kg/kW的载重车在不同坡度路段上坡行驶过程中的瞬时速度,作为MOVES模型的基础数据,预测得到10~90km/h共9档初速度和0~8%共9个纵坡组合条件下的碳排放量数据,采用SPSS分析了坡度和初速度对碳排量的影响,建立了以坡度和初速度为自变量的载重车碳排放模型,利用该模型得到了碳排放量等高线图。结果表明:载重车上坡过程中碳排量随坡度的增加而增大,随初速度的增加而减小;载重车爬坡初速度越大,碳排量对坡度的敏感性越低,低坡度条件下碳排量对初速度的敏感性比陡坡更低;环保型的公路纵坡设计建议采用高坡度和短坡长组合。研究成果可以直观地分析纵坡和初速度对载重车碳排放的影响,指导环保型道路建设。     

多元交通资料融合进行旅行时间预测——以台中港路为例

利用倒传递类神经网路,单以资料本身进行路段旅行时间预测,避免建立高复杂度的模式以及环境所产生的干扰下,建立不失精准度的预测模式。研究过程中发现：若仅考量路段中的车辆侦测器资料用以预测旅行时间,其预测精准度较劣於融合车辆侦测器资料及公车旅行时间资料之精准度,且发现预测精准度於尖峰时段较准确,故可推论使用一种以上的多元探测器所得之交通参数资料且於车流量较大之路段皆可提高路段旅行时间预测之精准度。     

基于MOVES的小半径圆曲线路段载重柴油车碳排放预测模型

半径小于等于550 m的圆曲线路段是车辆易产生高碳排的路段。为揭示载重柴油车在这些小半径圆曲线路段的二氧化碳排放水平变化规律,以MOVES模型为基础,应用符合我国实际情况的道路、交通、车辆、燃油等信息,对MOVES模型中的参数做本地化修正及设置。通过采用MOVES模型进行载重柴油车碳排放模拟,得到了不同平面线形及行驶速度组合条件下的碳排量数据库。在此基础上,首先采用回归分析的方法分别建立了单位圆曲线长碳排量与圆曲线半径、圆曲线长度、车辆驶入圆曲线路段的初始速度3个参数的关系模型,其次采用迭代的方法建立了小半径圆曲线路段载重柴油车累积碳排放量预测模型。通过实地油耗试验,选用IPCC碳排放核算方法,将车辆油耗数据转换成碳排放数据,对比了碳排量核算值与模型预测值,验证了模型的预测精度。结果表明:单位圆曲线长碳排量以圆曲线半径、车辆驶入圆曲线路段的初始速度这2个参数分别为变量作二次函数形式的变化,以圆曲线长度为变量作幂函数形式的变化;累积碳排量以上述3个参数为变量作多元非线性函数形式的变化;经过参数本地化修正及设置的MOVES模型可以用于我国实际道路交通条件下的载重柴油车碳排放水平预测,以MOVES模拟为基础而建立的多元碳排量模型预测值与试验实测值的相对误差平均值为6. 02%,小于10%,具有较高的预测精度,可以在无需借助MOVES模型的情况下方便、快速地估算载重柴油车在小半径圆曲线路段的碳排量。     

高速公路上坡路段6轴铰接列车运行速度预测模型

为确保车辆在上坡路段的行驶安全，针对高速公路6轴铰接列车在上坡路段运行速度预测误差大、安全运营管理难的问题，提出了面向上坡路段6轴铰接列车的运行速度预测模型。采用雷达测速仪和AxleLight路侧激光仪采集西南某山区高速公路5处连续上坡路段的6轴铰接列车的交通流数据，并对实际运行速度与现有规范预测模型进行对比分析。以纵坡坡度、纵坡长度、车辆比功率、初始运行速度4个参数为变量，构建上坡路段运行速度预测模型。提出了预测模型误差修正方法，并分析了模型的有效性。结果表明:现有规范运行速度模型对6轴铰接列车运行速度的预测平均误差率达到了25.37%，模型误差较为显著；上坡路段6轴铰接列车的运行速度与坡度、坡长呈负相关，与车辆比功率呈正相关；构建的多元线性回归模型拟合优度R2为0.978，且满足相关检验指标；模型预测速度与实际速度差在2~4 km/h之间、相对误差平均值为8.86%，其结果较规范模型降低了16.51%；考虑交通密度因素修正后，模型预测速度与实际速度差在1 km/h以内、相对误差平均值为1.08%，其结果较未经修正的预测模型降低了7.78%，较规范模型降低了24.29%。由此可见，该速度预测模型对长上坡路段6轴铰接列车运行速度预测的准确性提升明显。      

高速公路平纵曲线组合路段交通风险评估方法

高速公路平纵曲线组合路段常出现单一平曲线和竖曲线要素满足规范，但二者相结合后存在安全隐患的情况。为评估这类组合路段的交通风险、提升组合路段安全性，综合运用可拓云理论与理想点法，提出了基于可拓云模型的交通风险评估方法。基于已有事故数据和文献，从驾驶员、道路、交通环境以及其他因素的角度出发，构建了包含15个指标的交通风险评估指标体系，并将每个指标划分为5个风险等级；利用层次分析法和熵权法确定各评估指标主、客观权重后，再通过理想点法确定各评估指标组合权重；参照公路路线设计规范及相关文献，考虑定性指标的边界模糊性划分各评估指标的风险等级，并按照等比原则实现定性指标的定量化描述；构造可拓云模型云隶属度矩阵，计算综合评判向量，最后根据最大隶属度原则确定路段风险等级。以云南省3段高速公路路段作为分析案例，利用基于可拓云模型的交通风险评估方法计算了各路段风险等级，并识别了各路段的危险性指标。结果表明:该方法与传统基于模糊综合评价法相比，评估结果相同，但信息更丰富，其综合评判模糊等级特征值的期望E_xr反映了路段的安全程度；Y路段的E_xr高于C路段，表明Y路段比C路段更安全；3段路段的评估结果的置信度因子θ均小于0.05，表明结果可信度较高，验证了该方法在交通风险评估过程中的适用性。      

规划网络路段交通量预测模型研究

交通量预测是公路网络规划过程中的一项重要工作，本文在传统的路段交通量预测方法的基础上，介绍了路段交通量ＯＤ模型法，根据实际道路网的形状，通过使路段交通量的预测值与观测值一致来进行模型推算，从而计算出规划网络上的交通量。与现有方法相比，可得出精度更高的结果。     

基于实时交通信息的行程时间估算及路径选择分析

路段行程时间的估计和预测是诱导系统的关键技术之一。由于路网参数不断变化,路段行程时间的估计必须满足实时性的要求。以城市交通控制系统的基本设施为基础,根据我国城市交通目前的发展状况,分析了影响路段行程时间的各种因素和路段行程时间的组成。利用设置在路段上的车辆自动检测装置搜集到的实时交通流信息,并结合随机服务系统的相关理论建立了城市道路路段行程时间的动态计算模型,提出了一种具有真实最短路径意义的实时动态最短路径选择的方法。     

弯坡组合路段可靠性设计方法研究

为了提高弯坡组合路段的交通安全水平,提出了基于货车交通安全的弯坡组合路段可靠性设计方法。先以现行公路工程结构可靠度设计统一标准为依据,对弯坡组合路段可靠度进行了定义,以货车转弯和下坡过程中制动器制动效能下降的临界安全温度、货车侧滑和侧翻失稳现象为约束条件,建立弯坡组合路段的功能函数,推导了其可靠性模型,提出了弯坡组合路段可靠性计算模型的求解方法。结合实际案例分析,示范了弯坡组合路段可靠性设计方法的应用,并验证了其合理性。研究结果表明:(1)货车在某些设计参数条件下的弯坡组合路段上行驶时,往往也会发生侧翻先于侧滑的现象;(2)现行的弯坡组合路段设计即使能满足现行有关规范和指南的验算要求,但不一定能满足可靠性设计的要求。提出的弯坡组合路段可靠性设计方法能够减少危险弯坡组合路段的出现,提高道路运营安全性。     

基于线性路段行程时间描述的交通输出流特性

已知路段输入流u(t)条件下,利用动态交通分配模型中广泛使用的路段行程时间与路段车流量具有线性关系即τ(t)=α βx(t)的模型,给出了路段输出流v(t)的一般表达式和路段行程时间的递归表达式。在路段车流满足先进先出(FIFO)的条件下,结合任意时刻t的车流量表达式和线性路段行程时间模型得出了输出流v(t)与输入流u(t)的关系式。并由此得出了时刻的路段车流量表达式,从而给出了关于路段行程时间更明确的结果。根据文章的结论,对文献[2]中的实例进行了数值仿真,验证了其结果;同时运用道路交通流调查所得到的数据,进行了数值仿真,所得结果与实际相符。     

高速公路弯坡组合路段载重车最小安全车距模型

为降低高速公路弯坡组合路段载重车追尾碰撞风险,通过研究不同平纵组合下高速公路弯坡类型,界定弯坡组合路段参数范围,选取具有较强代表性的车型,针对现有最小安全车距模型的缺陷,建立基于载重车制动减速系统且满足驾驶人驾驶行为特性的弯坡组合路段安全车距计算模型并对其参数进行标定;利用载重车仿真软件TruckSim 2016建立弯坡段双车跟驰模型,分析小半径平曲线下载重车爬坡与下坡行车状态时车辆滑移率、行驶速度、车间距等指标,验证该最小安全车距模型的有效性。     

基于BiLSTM神经网络的交通事故黑点路段日均事故频次预测方法

为交通管理部门和出行大众提供精准的事故高发黑点预警信息具有重要的意义。为此,研究了1种基于双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）的黑点路段交通事故频次预测方法。通过对传统K-means聚类算法的k值选取进行改进,实现了道路交通事故黑点的有效识别,并统计黑点每天事故数作为事故时间序列;利用小波分解对该序列进行降噪处理,通过多层网格搜索法对隐藏层层数、神经元个数等模型的参数进行标定,构建了基于BiLSTM网络的事故频次预测模型;采用滑动窗口的方式将事故时间序列作为内部参数输入模型,以交通流量、节假日、事故天气和事故发生环境等特征作为外部参数,对事故黑点路段未来1 d内可能发生的事故数进行预测,并基于预测结果提出了1种事故黑点路段交通事故预警模型;以浙江省宁波市交警部门某辖区2020年4月—2021年9月常态采集的事故数据为测试集,以7 d的事故数据预测未来1 d的黑点路段事故频次,将BiLSTM模型与门控循环神经网络（GRU）模型、长短期记忆神经网络（LSTM）模型、反向传播神经网络（B...     

基于ARIMA-FNN的道路交通事故最优加权组合预测模型

1个适应性良好的道路交通事故预测模型对于交通管理、控制和有关规划设计起着重要作用,文中根据交通事故发生的时空性和多因素性,利用ARIMA模型良好的时间序列线性拟合能力和FNN强大的非线性映射能力,通过最优加权方法确定模型权重,建立ARIMA和FNN的组合模型,并对我国道路交通事故进行预测。结果表明：这一模型可以提高事故预测精度,是1种有效的事故预测模型。     

高速公路连续下坡路段货车制动毂温升模型修正研究

为使下坡路段货车制动毂温升模型更加符合货车制动毂温度变化规律,提高连续长大下坡路段的安全性,从而更好地指导连续下坡路线纵断面设计,基于连续下坡路段货车制动毂温升机理,通过对长下坡路段主导车型的行车动力学以及热力学分析,对同济大学制动毂温升模型进行修正,在同济模型以三轴载重货车为主导车型的基础上,采用与规范和实际中更符合的东风六轴铰接列车为主导车型,并在发动机辅助制动工况条件下,利用雅西高速3处连续长大下坡路段对该修正后的模型进行了实车验证。结果表明:修正温升模型得到的温升曲线与实测温升曲线更贴合,且修正模型预测的温度与实测温度间的差异随坡长的增加逐步减小,平均差异为16.5℃,低于修正前模型温度与实测温度的平均差异41.5℃。制动毂在3段下坡的预测温度与实测温度间的平均温差分别为21,12.4,21.4℃,均未超过25℃,且温度变化趋势基本一致,说明修正后的温升预测模型精度更高,货车制动毂温升修正模型能更好地预测连续下坡路段的货车制动毂温升状况。     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。