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。     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

移动交通检测系统中探测车的样本数量

基于各国移动交通检测系统中探测车样本数量问题的研究现状,分析了现有成果存在的不足。在考虑探测车速度、计算时间间隔、数据精度要求等因素基础上,针对交通流密度均匀分布和非均匀分布两种情况,利用数理统计方法建立了道路网上探测车样本数量的双层模型。结果表明:当计算时间间隔为5 min时,若道路网上交通流密度均匀分布,则探测车比例至少为5.0%;若道路网上交通流密度非均匀分布,则探测车比例至少为7.0%。     

基于交通流理论的公交站点间行程时间预测

分析了公交站点间车辆运行过程,将行程预测时间划分为交叉口排队等待时间、路段行驶时间和停站时间3个部分,利用交通波理论和延误三角形,分别建立了无公交专用车道和有公交专用车道2种情况下排队等待时间的动态预测模型;根据乘客到站规律和上下车规律,提出了公交车进站停靠时间模型;针对无公交专用车道条件下的时间预测方法进行了实例演算.实验数据表明,基于交通波行程时间预测方法具有较高的精度,可以满足站点间行程时间预报要求.     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

基于行程时间累积分布曲线的微观交通仿真模型参数标定

仿真模型参数标定是微观交通仿真技术科学应用的前提,以单个集计点作为校核目标制约了参数标定结果的可移植性。将校核对象拓展为多点组成的曲线,提出以行程时间累积分布曲线作为校核对象的模型参数标定思路,并结合动态时间规整算法(DTW算法)重新设计校核目标函数,提出基于Kolmogorov-Smirnov检验(K-S检验)、信息熵的标定结果有效性判定方法,优化微观仿真模型参数标定流程。然后以信号交叉口为仿真场景,应用遗传算法分别开展模型参数单个集计点校核标定和多点曲线校核标定的试验对比研究。结果表明:(1)与单个集计点标定方法相比,曲线标定方法输出的行程时间累积分布曲线与实测曲线相似度和K-S检验结果均更好,说明多点曲线标定方法标定结果精度更高;(2)仅用均值点去标定模型参数,模拟输出的行程时间累积曲线会存在多种分布,并不能刻画车辆通过交叉口的运行特征,均值标定方法多为一种组合优化问题,只考虑了模拟仿真结果与实测值的误差,并没有考虑实际车辆运行特性,因此并不能说明标定结果的有效性;(3)曲线标定方法比均值标定方法的标定参数集分布更集中,更符合实际驾驶行为特性,由此论证了曲线标定方法的有效性,同时选取试验外新交叉口验证了曲线标定方法得到参数标定结果的可移植性。     

城市道路平面交叉口设计过程质量控制研究

针对目前国内城市道路平面交叉口设计的理论及应用问题,基于质量控制理论、"交叉口时空一体化设计"和"以人为本"的设计方法提出了交叉口设计过程的质量控制模型;分析了交叉口4个不同设计阶段的校验指标;建立了交叉口设计过程的6个强约束校验指标及其计算模型,包括:多股车流冲突通行能力校验、左右转车道校验、行人等待时间校验、短车道校验、考虑行人、非机动车通行时间及机动车消散时间的机动车通行空间校验以及最小绿灯时间校验.杭州市某典型交叉口改善设计表明该模型可显著提高平面交叉口设计的效率和效果.     

城市道路交叉口选型及优化设计

随着城市人口的持续增长,交通问题日益凸显。在城市道路中,交叉口作为车流及人流汇合、转向、分离的关键节点,对于城市交通系统来说是十分重要的。通过对城市道路交叉口形式及其特点进行分析,并对城市道路交叉口设计流程及其评价方法进行研究,并结合某交叉口优化工程,进行交通现状的调查和交通量的预测,提出了相应的交叉口优化方案。另外,通过道路交叉口评价方法对上述优化方案进行了比选,为实际工程提供了参考。     

基于燕尾突变理论的拥挤控制模型研究

为了解决日益严重的道路交通拥挤问题,通过对城市道路拥挤情况的分析,基于燕尾突变理论讨论交通流预测问题,同时考虑时间因素和不同车辆对交通流的影响,建立相关模型分析拥挤状态附近的突变现象,进而提出缓解城市交叉口拥挤的方案。     

高速公路交通预测分配实用方法研究

基于现状高速公路交通分配预测方法的不足,提出了一种基于改进Dijkstra标号法的高速公路分配预测的实用方法。方法的研究分别从忽略公路交叉口转向阻抗和考虑公路交叉口转向阻抗的两种分配情况的优缺点出发,通过引入虚拟节点,建立改进的分配网络,由此基础上提出了改进的Dijkstra标号法。最后,通过一个网络分配实例验证,显示该方法具有较好的分配精度和可靠性。     

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。     

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。     

单车场景下城市交叉口的智能驾驶车辆左转决策研究

在复杂动态的城市道路环境中,不同的交通参与者之间会不可避免地产生时间或空间上的冲突.针对该问题,对智能驾驶车辆在城市交叉口左转时潜在的冲突行为进行分析并建立决策模型.考虑了车辆运动模式并基于高斯过程回归模型(GPR)建立了直行车辆长时轨迹预测模型,结合轨迹预测提出了基于冲突消解的智能驾驶车辆决策流程(模型)和考虑多因素...     

突发事件对城市道路交通系统影响的评价指标研究

行程时间可靠性可作为衡量突发事件对城市道路交通系统影响的基本评价指标,行程时间可靠性可用行程时间指数、规划时间指数、缓冲指数来表征。结合我国城市公安交通管理实践,提出基于公安交通指挥中心检测的每5min的实时交通量和车速数据,计算行程时间指数。在行程时间指数的基础上,提出以行程时间指数变化率作为评价突发事件对城市道路交通系统影响程度的评价指标。最后通过一起重大交通事故来说明行程时间变化率的计算。结果表明,行程时间指数变化率简便易算,能够有效解决突发事件对城市道路交通系统影响的评价问题。     

基于安全可靠性的多类用户交通分配模型

为探究出行安全对用户出行选择行为的影响,提出了考虑事故风险成本和旅行时间的多类用户交通分配模型。针对事故发生的随机性特征,定义了路径出行安全可靠性概念,并以此计算用户的事故风险成本预算,体现出行者的安全偏好。基于考虑事故机会和事故风险的基础事故预测模型,针对路段和交叉口的不同特征,分别定义了路段和交叉口的事故风险成本分布。构建的交叉口事故风险成本模型,体现了交叉口不同转向的事故风险成本的差异性。为了求解基于安全可靠性的多类用户交通分配模型,采用路径配流法和相继平均法设计了相应的求解算法,并通过算例分析了模型和算法的有效性。研究结果表明：安全可靠性在用户出行选择中具有重要影响。当在广义出行费用中考虑事故风险成本时,出行者会更多地选择事故风险成本较小的路径;不同风险倾向的用户会有不同的选择特征,保守型出行者倾向于选择路径事故风险成本标准差相对较小的路径,即事故风险成本波动小的路径,而中立型出行者倾向于选择事故风险成本均值相对较低的路径;考虑交叉口的事故风险成本与否会直接影响流量分配结果,即路径交叉口数量和转向的差异性同样会影响出行者的选择。所提出的模型对于客流预测和网络安全评价与管理具有潜在的应用价值。     

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.      

无信号控制交叉口行人过街间隙选择模型研究

我国城市道路交叉口中大量行人与机动车冲突导致了交叉口运行效率降低,同时也引发了不容忽视的安全问题。在对无信号控制交叉口进行录像调查的基础上,分析了行人与机动车冲突特性,利用实测数据建立了行人过街间隙选择行为概率与安全间隙之间的数学关系模型,并对模型进行了检验与验证,证明该模型具有较好的拟和度和预测精度,同时与已有的Logit模型进行比较分析。     

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。