基于GPS浮动车的自然路段行程时间估计方法

针对目前基于GPS浮动车交通信息采集技术的研究大多只是涉及宏观方案,细节研究较少,导致产生所得交通信息质量不高的问题,考虑数据用户需求以及路网空间数据的特点设计了自然路段划分方法,同时结合动态GPS数据与路网空问数据的特点提出了路段行程时间估计算法.利用编程语言完成了算法实现,并且利用实测数据进行了算法验证.结果表明,自然路段行程时间估计算法不仅运行高效、稳定,同时获取的路段行程时间数据精度较高.     

基于浮动车数据的交叉口范围动态划分方法

目前路网分析与行程时间计算的误差很大程度受路段和交叉口划分位置的影响。通过分析车流在交叉口的受阻交通过程,提出了基于浮动车数据的密度法和减速点法对平面交叉口范围进行动态划分的方法,并利用南京市浮动车数据对其进行了实证和延误对比分析,结果表明这2种方法能反应交叉口交通流的时变规律,准确地对交叉口范围进行动态划分,相对于交叉口静态范围划分,在交叉口延误计算等方面具有弹性优势。     

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。     

基于决策融合的城市道路交通事件自动检测算法研究

为了提高城市道路交通事件自动检测算法的性能,引入算法性能可靠度概念对基于浮动车数据和感应线圈数据的事件自动检测算法检测结果进行决策融合。决策融合算法包括3个模块：①感应线圈数据算法模块：选择流量、占有率、路段长度、前一个检测周期的检测参数作为输入参数,训练BP网络进行事件判别;②浮动车数据算法模块：使用误差分析理论确定满足数据精度要求的最小浮动车样本量,选择路段行程时间、行程速度作为BP网络输入参数,进行事件判别;③决策融合模块。引入算法性能可靠度概念,计算模块一和模块二判别结果的权重值,使用加权平均法进行决策融合。通过Vissim仿真获得数据,在Matlab中编程实现算法的计算,仿真结果表明决策融合算法的性能优于单数据源事件自动检测算法。     

浮动车在城市智能交通系统中的应用简述

以浮动车数据处理,基于浮动车的路段车速估计、行程时间估计以及交通状态判别和动态路网OD估计为序,对浮动车技术在城市智能交通系统中的应用进行递进式归纳和总结,并探讨目前研究的不足且对未来研究进行展望。     

基于支持向量回归的高速公路路段平均速度估计方法

为克服现有高速公路车辆检测器密度稀疏、损坏率高导致所估计的路段平均速度准确率不高这一缺陷,提出一种新的高速公路路段平均速度估计方法。一方面,高速公路收费数据具有车辆信息全面可靠、辐射路网范围广的优点,采取基于轨迹法的修正算法求取基本路段平均速度;另一方面,"两客一危"卫星定位数据实时性好,路网分布相对均匀分散,利用速度-时间积分模型对单车行程速度进行估计,再对单一浮动车作加权平均获得路段平均速度。最后,利用支持向量回归原理,对由高速公路收费数据和"两客一危"卫星定位数据所获取的路段平均速度进行融合处理,得到估计效果更好的路段平均速度。利用广乐高速公路上的实际数据对融合结果进行了验证。结果表明:与单一数据源的估计速度相比,融合后的路段平均速度具有更小的相对误差,更接近真实值,可更好地反映高速公路系统运行状态,为管理者和出行者提供决策依据。此外,分别以15,45 min和60 min作为统计间隔,使用上述融合方法进行路段平均速度估计。结果表明,模型效果与统计间隔大小呈负相关关系;统计间隔越小,模型的均方误差、可决系数、相对误差3个指标也越小;当统计间隔为30 min以下时,估计结果更为精确。     

基于浮动车定位数据的高速公路区间平均速度估计

通过对浮动车定位数据情况的分析,可知大部分速度估计算法仅适用于采样时间间隔不大于行程时间的情况,为在相同浮动车比例以及采样时间间隔的条件下,提高数据利用率,以提高速度估计结果的路网覆盖率,提出两种速度估计算法:车辆跟踪法、速度-距离积分法,并给出路段区间平均速度自适应估计模型.使用真实交通流OD 数据进行仿真,结果表明...     

基于影响因素分类的路段行程时间融合研究

对基于固定检测信息和浮动车GPS信息的路段行程时间估计方法进行介绍和分析,明确了对基于以上两种检测信息进行路段行程时间估计方法有重要影响的因素,并设计试验对影响因素进行量化分析。在影响因素量化分析基础上,讨论两种估计方法的适用条件。对影响因素进行组合分类,并在分类的基础上对两种估计方法采用加权融合进行处理,分析了最优权重的分配原则。最后,用试验数据对融合方法进行验证,结果令人满意。     

基于浮动车的交通信息采集系统研究

阐述了基于浮动车数据的实时交通参数如平均速度、行程时间、OD矩阵等的估计方法，并利用Vissim仿真软件进行了验证。实验结果表明，笔者提出的交通参数估计方法具有较高的精度。     

考虑不同出口转向的城市道路行程时间估计

为了有效利用城市道路行程时间数据,提高道路交通状态预测精度,提出了一种考虑交叉口不同出口转向的行程时间估算方法。针对现有行程时间计算模型存在忽略交叉口不同出口转向交通运行状况不均衡性的现象,提出了交叉口上下游出口转向的概念,通过融合定点检测器和探测车数据,在原有累积直方图模型的基础上建立了交叉口不同出口转向的行程时间累积直方图模型。最后以香江路为例进行数据分析,验证了模型的有效性和准确性。研究结果表明:新模型得到的行程时间计算值与视频检测设备获取的实测值相比误差在10%左右,且相对纯探测车方法预测精度更高,说明考虑不同出口转向的城市道路行程时间估计模型可行。     

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。     

考虑数据缺失的高速公路交通参数计算方法

为提高数据异常状态下的高速公路交通参数计算的精确度，提出了基于数据融合的交通参数计算方法，首先结合收费站数据对门架数据所缺失的行车记录进行填充，再根据每辆车的平均行程速度，利用两阶段的聚类算法剔除驶入服务区和行驶异常的车辆，最后计算各个路段的路段流量和路段平均行程速度，对缺失的交通参数利用融合时间特征的KNN算法进行填充。选取3 d 15个门架的行车数据作为实验数据。结果表明，门架数据行程记录缺失较大，平均缺失率为46.95%,其中门架数据记录最大缺失率为56.25%,最小缺失率为31.73%,并且速度较快的小客车相较于速度较慢的中大型货车的行车记录更容易缺失。两阶段的聚类算法可以有效地识别并剔除驶入服务区和行驶异常的车辆。在填充连续复杂缺失场景下的交通流时空数据集方面，KNN算法相较于最大似然估计、决策树、链式方程多重填补方法在RMSE指标上分别下降24.90、15.88、5.81,添加时间特征以后RMSE在原始KNN基础上下降3.03,证明了融合时间特征的KNN算法在填充连续复杂缺失的交通流场景下的可行性和有效性。数据异常情景下的交通流缺失值填充以及交通参数计算方法为管理部门在高速...     

基于浮动车停车点数据交叉口车辆排队长度计算方法

浮动车数据中存在许多行驶速度为零的停车点数据记录,它们和交叉口车辆排队长度存在一定的空间关系.针对此提出一种新的基于浮动车停车点数据计算交叉口前车辆排队长度的方法.首先根据车辆停车点地理位置和正常行驶点的连续关系及和路段的相对位置进行地图匹配,提取出路段上交叉口前正常排队停车点数据;然后从正常排队停车点数据中计算出相对交叉口的浮动车数据相对位置关系,根据对浮动车停止点距离交叉口的位置密度分布变化进行2次统计计算,推算出交叉口前车辆排队长度.最后通过实际浮动车数据计算实例对本方法进行了说明和验证.     

基于行程时间和路口延误的网络VMS选址算法

路段车辆行程时间和交叉口延误共同构成路径的综合阻抗,通过实际路段车辆行程时间和交叉口延误的交通数据计算路网的路径阻抗,以路网效用函数最大化为优化目标,在比较各种选址方案目标函数的基础上,选取效用函数值最大的方案作为实施方案.采用北京市西直门桥至复兴门桥之间的实际路网作为算例,经计算,其结果与实际情况吻合较好,并与该区域的VMS建设趋势一致.     

基于探测车数据的路段行程时间估计

利用探测车数据进行路段行程时间估计面临着两类误差：采样误差和非采样误差,从而导致估计结果精度不高和可靠性差。在回顾已有估计方法的基础上,有针对性地引入了自适应式卡尔曼滤波,建立了相应的状态方程和观测方程,利用相似时间特征的历史数据标定了状态转移系数,并对滤波进行了求解。以实际数据对估计方法进行了验证,平均相对误差为13.13%。研究表明,自适应式卡尔曼滤波能够应用到基于探测车数据的路段行程时间估计中来,并具有估计精度高、收敛速度快、参数少、对初值不敏感等优点。     

基于决策树模型的信号控制交叉口交通状态估计

为了探究城市干道信号控制交叉口交通状态与检测器数据之间的关系,以低频定点检测器(5 min集计)采集的流量、占有率、速度数据与交叉口离线信号配时方案作为特征变量,以路段平均行程速度为标签变量,基于分类回归树(CART)模型,提出了一种新的交通状态估计方法。首先,以车辆路段行程速度为评价指标,将交通状态分为畅通状态、拥挤状态与阻塞状态3类;然后,通过VISSIM软件建立微观仿真模型,采集不同周期时长、绿信比和饱和度下的64 000个样本对分类回归树模型进行了训练与验证。结果表明,训练集估计精度为84.41%,验证集估计精度为84.08%,模型总体估计精度在84%以上。不同因素对交通状态估计的影响程度不同,由大到小依次为:占有率、绿信比、检测器速度、流量、信号周期。最后,以107组微波检测数据与视频数据对模型进行试验验证。验证结果表明,拥挤状态下模型估计精度最高,为89.19%,其次为畅通状态,为75.00%,阻塞交通状态下模型估计精度最低,为63.15%,交通状态总体估计精度为75.70%。可见,分类回归树模型能够较为准确地估计城市干道信号控制交叉口交通状态,该精度能够基本满足我国中小城市交通状态估计需求。     

5G车联网环境下交通流参数提取方法与仿真

5G车联网的快速发展,为交通流参数的获取提供新机遇和条件。文中研究了5G车联网环境下9个交通参数的提取方法,搭建基于VISSIM交通仿真的车联网仿真平台,选取典型路段和交叉口,对比各交通流参数计算值与仿真值的偏差。结果表明,各交通流参数的计算值与仿真值基本一致。     

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.     

城市交通拥塞辐射模型及其对路网服务能力损伤研究

为预防和治理城市路网系统中交通拥塞的辐射扩散以及由此造成的路网系统服务能力损伤，从新的视角对交通拥塞辐射扩散规律进行研究。将毒气在有限空间内的泄漏扩散抽象为交通拥塞的辐射蔓延，首先运用Python软件对高德地图API的WEB服务进行实时路况数据爬取，并对爬取的数据、浮动车数据、SCATS监测的流量数据以及其他交通信息数据进行预处理。在此基础上建立基于高斯烟雨模型的城市道路拥塞辐射时空模型并且充分考虑邻居节点和路段的交通运行状态以及不同道路等级对拥塞传播范围的影响。对模型调节参数U进行标定，得出快速路、主干路U值均为1，次干路U值为0.7。然后通过实例进行验证，结合实际值将模型计算结果与高德地图预测值进行比较，所建立模型的拥塞最大辐射边界、拥塞辐射时间预测精度要更准确，整个拥塞过程模型拟合度较高，模型适用性强。最后在城市道路拥塞辐射时空模型的基础上利用材料力学中切应力对材料的损伤原理，以拥塞某传播方向为研究对象，计算出拥塞辐射传播给路网中的某路段造成的通行能力失效值。分析路网中路段通行能力下降对路网服务能力的损伤影响，进而给出路段重要性识别方法。研究成果可为交通管理部门加强关键路段治理以及制定缓堵政策提供参考。