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.     

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.     

AKF算法在城市快速路行程时间计算中的应用

卡尔曼滤波算法具有动态性、实时性的优点,但在用FCD数据对城市快速路进行行车时间计算中,要求对参数计算值进行实时跟踪与识别,需要使用具有一定跟踪能力的自适应递推算法,如自适应卡尔曼滤波（AKF）算法。文中通过采用AKF算法计算上海市南北高架道路的行程时间,定量证明了AKF算法的高精度。     

一种改进的短时交通流多步自适应预测算法

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。本文先介绍一种基于AR(p)模型的线性最小方差自适应预测算法。它采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。在该算法的基础上提出了一种改进的多步自适应预测方法。新算法增加了误差补偿项,能较好地满足时变模型的预测要求。针对大量实测数据进行仿真实验,结果表明:改进算法在应用于时变性强的短时交通流量多步预测时具有较好的预测性能,而且其预测性能优于线性最小方差预报算法。     

CS优化BP神经网络的高速公路流量预测

随着高速公路交通控制和出行诱导需求的日益增加,对高速公路交通流量的预测提出了更高的要求。为了提高预测的精度,提出了改进的布谷鸟搜索(cuckoo search,CS)算法优化BP神经网络的高速公路流量预测模型(Weighted value of T dynamic disturbance CS-BP,WTCS-BP)。利用高速观测站的信息采集系统收集车流量信息;离散为时间序列,构建学习样本;利用BP神经网络对采集的样本进行训练,并采用改进的CS算法对网络参数进行优化;建立高速公路交通流量的预测模型。最后通过仿真实验进行测试。结果表明,该模型的拟合度较其他对比模型更接近实际流量。提高了预测的准确性,对高速公路出行起到有效的指导作用。     

基于自适应模糊扩展卡尔曼滤波的车辆运动状态联合估计

为准确实时地获取车辆运动状态信息,满足车辆主动安全控制系统的需求,基于模糊控制器和扩展卡尔曼滤波（EKF）算法,采用非线性3自由度车辆动力学模型,提出一种基于自适应模糊扩展卡尔曼滤波（AFEKF）的车辆运动状态联合估计策略。首先利用EKF算法对待测量噪声的输入量联合估计得到所需的状态量,然后建立模糊控制器对其进行自适应调节,最后应用MATLAB/Simulink仿真平台建立14自由度车辆动力学模型对估计算法进行仿真和实车试验验证。结果表明：AFEKF算法能够准确有效地估计车辆的行驶状态,且与EKF算法相比,准确性和鲁棒性更好。     

基于加权最小二乘拟合的电动车ACC模式仲裁切换策略研究

传统自适应巡航模式仲裁切换策略因未考虑环境变化对于基准加速度的影响,从而导致模式频繁切换,加速度控制不精确。因此,设计了实时在线拟合的模式仲裁切换策略,利用拟合方法辨识行驶阻力模型关系式参数。对传统最小二乘算法引入遗忘因子加权,削弱历史数据影响,满足对时变数据的跟随。优化求解算法,通过递推运算提高算法效率从而满足控制实时性要求。仿真验证算法在外界有风速干扰和坡度干扰的情况下预测基准加速度的准确性,结果显示,稳态时预测基准加速度准确性较高;在外界环境突变后,算法能较快适应新的环境参数。     

基于DSRC与点检测器数据融合的实时交通状态表达方法

为了更好地实时估计和预测高速公路的交通运行状态,提升出行信息服务水平,基于高速公路网现有的DSRC检测器数据和点检测器数据,构建了一种基于卡尔曼滤波的实时数据融合方法。首先,在DSRC数据分析的基础上,提出了DSRC数据预处理的方法,包括检测器间距的计算,异常数据剔除,数据匹配方法等;其次,结合DSRC数据及点检测器的数据特征,给出路段的划分方法,在此基础上,构建了基于卡尔曼滤波的实时DSRC数据与点检测器数据的融合模型;最后,通过北京某高速公路上实测的DSRC数据与微波数据对提出的数据融合模型进行了验证。研究结果表明,DSRC数据和点检测器数据实时融合后的结果能更准确地表征子路段实时的交通运行状态,提高了DSRC数据空间表达的实时性,改进了点检测器数据的局部有效性的特点。     

基于行程-时间域的路段行程时间预测

为了提高高速公路路段行程时间预测的实时性与准确性,提出了基于行程-时间域的路段行程时间预测算法.该算法依据实时检测的交通数据和BP神经网络预测路段单元在不同时间单元的空间平均车速,构建车辆出行的行程-时间域,通过车辆穿越行程-时间域获得路段的预测行程时间.通过比较行程-时间域算法与传统神经网络预测算法,揭示了行程-时间域算法在预测精度上优于传统神经网络算法.以沪宁高速公路路段作为示例背景,基于Vissim仿真软件,验证了所提算法的准确性与可行性.      

短时交通流量两种预测方法的研究

实时、准确的完成短时交通流量预测是实现交通控制与诱导的关键。采用基于L-M算法的BP神经网络预测方法和基于混沌时间序列的预测方法对短时交通流量时间序列进行了预测研究,给出两种方法的基本原理及具体的预测步骤,并对一组实际的流量数据进行了预测。仿真结果表明:两种方法都能较准确的预测交通流量,但混沌时间序列方法的实时性更好一些,更适合于预测短时交通流量。     

IntelliWay-变耦合模块化智慧高速公路系统一体化架构及测评体系

根据当前智慧高速公路系统的发展历程,总结一些典型的车路协同系统逻辑与物理模型。在总结国内外智慧高速公路系统的整体架构之后,提出新一代智慧高速系统的总体架构-IntelliWay,包括智慧高速公路系统分层模块化架构、基于变耦合程度的智能分级和基于事件驱动的数据分发机制。同时,根据当前智慧高速公路系统的主流应用技术,总结车载高精度定位、高级驾驶辅助系统(Advanced Driver Assistance System, ADAS)与车载总线、路侧设备优化、异构网络融合、网络负载均衡、网络信息安全、多传感器融合与协同感知、以用户为中心的场景自适应信息发布、车辆群体协同自动驾驶、基于大数据与人工智能的交通态势预测、车道级主动交通管理、组件式应用服务开发等驱动智慧高速公路系统快速发展的新兴技术研究现状,然后基于以上关键技术的特点提出未来智慧高速公路系统应用的实施建议;分析广播式交通信息服务、主动交通管理、伴随式信息服务、自动驾驶专用道、车辆队列协同驾驶等智慧高速公路系统的典型应用场景,进行智慧高速系统的测评方法分析和相关案例分析。最后,系统性地分析和预测智慧高速系统存在的挑战及未来发展趋势,以...     

卡尔曼滤波短时交通流预测普通国省道适应性研究

短时交通流预测是提高普通国省道交通运行效率和安全的关键技术之一。普通国省道具有分布地域广、情况复杂的特点,要求短时交通流预测方法具有良好的适应性,然而,针对短时交通流预测算法适应性及其机制的系统性研究尚不多见。选取1种自适应卡尔曼滤波算法,系统分析其适应性和适应机制。获取江苏省徐州市普通国省道路网中8个交通调查站所采集的实际交通流数据开展实例分析,结果表明:在不同的交通流量水平下,所选算法均值预测的平均绝对百分比误差在10.98%~15.92%之间,区间预测的无效覆盖率在5.21%~6.15%之间,表明所选的自适应卡尔曼滤波算法在不同交通流水平下都具有良好的预测性能;对所选算法的参数进行分析发现,算法参数能够随交通流水平的变化而自动调整,具有良好的自适应机制;所选算法能够在预测初期实现有效的性能调整和收敛。      

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于R树的非参数回归交通流预测方法

非参数回归在交通流预测中已得到广泛应用,但实际使用中存在实时性差的缺陷.为提高非参数回归预测速度,提出了使用空间索引结构R树作为模式库的存储结构,并依据R树空间聚类的特点进行K近邻搜索,最后根据搜索到的近邻点估算未来的交通流量.实验结果表明R树结构下的K近邻搜索速度比线性结构下的搜索速度提高了59.6%,但预测精度下降了8.8%.而通过缩小K近邻搜索中的距离上限这一参数,可以提高预测精度.结果表明当2种结构下的距离上限相同且小于0.02时,R树结构下的预测精度平均高于线性结构下11.9%,且搜索速度也平均提高了30.8%.因此,该算法能够在满足预测精度的条件下有效地提高预测速度,为实时短时交通流预测系统提供了1种实现算法.      

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。     

基于非参数回归的快速路行程速度短期预测算法

基于北京市快速路上的检测器所采集的历史数据，经过数据筛选，剔除判别，小波滤噪平稳处理，聚类分析等过程，建立了交通状态演变系列的历史样本数据库。基于所构建的历史数据库，通过数值试验，确定了状态向量、距离匹配原则，K近邻值等参量，构建了一种基于K近邻的非参数回归短时交通预测模型，实现了对路段行程速度的短时预测。最后，利用随机选取的历史数据系列对预测模型的精度进行了检验。结果表明，预测算法的精度可以达到90％以上，可以很好地满足ITS应用系统对于交通预测数据的精度要求。     

路段短时交通量预测自适应控制法

基于自动控制理论,文章提出一种路段短时交通量的动态预测算法。以历史交通量观测数据为输入,下一时刻交通量预测值为输出,构造了单输入单输出的离散时间动态系统,设计了反馈控制回路和自适应PID控制器对预测结果进行修正。实例分析表明,该算法能较快跟踪交通量的变化,实时修正算法,能实现时间和空间上的移植。     

A framework for short-term traffic flow forecasting using the combination of wavelet transformation and artificial neural networks

The main objective of this paper is to develop a framework for short-term traffic flow forecasting models with high accuracy. Due to flow oscillations, the real-time information presented to the drivers through variable message signs, etc., may not be valid by the time the driver reaches the location. On the other hand, not all compartments of the flow signal are of same importance in determining its future state. A model is developed to predict the value of traffic flow in near future (next 5–35?minutes) based on the combination of wavelet transformation and artificial neural networks. This model is called the hybrid WT-ANN. Wavelet transformation is set to denoise the flow signal, i.e., filtering the unimportant fluctuations of the flow signal. Unimportant fluctuations are those that have little or no effect on the future condition of the signal. The neural network is set and trained to use previous data for predicting future flow. To implement the system, traffic data of US-101 were used from Next Generation Simulation (NGSIM). Results show that removing the noises has improved the accuracy of the prediction to a great extent. The model was used to predict the flow in three different locations on the same highway and a different highway in a different country. The model rendered highly reliable predictions. The proposed model predicts the flow of next 5?min on the same location with 2.5% Mean Absolute Percentage Error (MAPE) and of next 35?min with less than 12% MAPE. It predicts the flow on downstream locations for next 5?min with less than 8% MAPE and for the different highway with 2.3% MAPE.     

交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。