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。     

基于模糊C均值聚类的快速路交通流相态划分

交通相态的识别问题是智能交通系统里一个关键问题,基于模糊C均值聚类分析可以很好地解决这种没有先验知识情况下的分类问题。文中介绍了三相流理论,根据我国实测快速路交通流数据,利用模糊C均值聚类方法对交通流相态的分类进行了研究,实现了一种交通相态的划分方法,研究结果表明：该方法能够识别出三相流理论中的自由流和同步流状态。     

基于K近邻非参数回归的交通状态概率预报技术

针对城市道路交通系统中交通流演变的随机性和复杂性,以及实时交通状态判别本身所具有的不确定性,基于模式识别和相似预报的思想,提出了一种交通状态概率预报的K近邻非参数回归模型。模型首先利用城市道路路段上环形线圈采集的交通流数据,采用模糊聚类技术,生成历史样本数据库;接着采用相似离度指标进行近邻搜索;然后根据近邻子集,构建交通状态概率预报函数,对路段未来时段的交通流运行状态进行预报,并用概率定量描述该状态发生的可能性大小。最后根据该模型,结合实际数据,进行了不同预报时长的分级交通状态的概率预报试验,独立样本检验结果表明,该模型预报准确率高,稳定性好。     

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。     

交通流实时动态信息采集、处理／分析、发布系统在北京的研究与实施

随着汽车保有量的增加，交通基础设施的建设已经满足不了交通发展的需要，采用智能交通系统改善道路状况已是必然的选择。而真正的智能交通系统就是能向交通参与者提供全方位的、实时的和可靠的交通信息以及与交通有关的其它信息。本文在研究了国外交通流实时动态采集、处理／分析、发布系统现状的基础上，提出了交通流实时动态采集、处理／分析、发布集成系统的规划方案及在北京的具体实施方案。     

交通事件检测算法的参数敏感度研究

在交通事件发生条件下,对交通流占有率、车辆占有率、速度3个特性参数进行分析,研究交通参数对于交通事件检测算法的敏感程度。通过TSIS交通仿真软件获得交通流的实时数据,最终得到交通事件检测算法中交通流参数的选择方法。     

城市道路冰雪路面交通流状态特性研究

在采集冰雪期北方城市主干路交通流数据基础上,采用多元统计中的因子分析法对冰雪期不同路面状态上的交通流状态进行研究,并对因子得分进行聚类分析,将交通流状态分为三类,根据这三类交通流状态在各种路面状态下出现的频率,再次聚类,得到不同路面状态下关于交通流状态的分类。这一结果为中国北方城市冬季交通诱导系统中交通流状态的识别提供了一定的理论基础和依据。     

基于视频技术的微观交通流信息采集系统研究

现代检测理论与技术，完全有能力采集到完整的微观交通流数据，即断面或区域车辆序列信息，包括每一辆车的车辆属性、位置属性和运动属性．微观交通流信息对于通行能力分析、智能交通控制、异常交通状态识别、微观交通流特性研究、宏观交通流行为理解以及实验交通工程学的发展，具有重要的意义。视频检测技术在微观交通流信息采集和研究中具有无可替代的作用。章系统分析和完整描述了断面和区域两类微观交通流信息，介绍了在此基础上开发的微观交通流视频信息采集系统．     

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于地空信息融合的无人机交通状态感知方法研究

现有的无人机（UAV）交通状态感知方法，主要针对宏观交通状态参数的获取，同时尚未克服UAV自运动对交通参数检测精度的影响，难以满足智能交通系统对于高精度微观交通参数的应用需求。为此，提出一种基于地空信息融合的UAV交通状态感知方法，该方法包括：地空信息融合模型、道路关键点（IKP）检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中，地空信息融合模型利用地基信息（IKP世界坐标）与空基信息（IKP像素坐标）进行最优化融合，并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数，以此克服UAV自运动对车辆轨迹精度的影响，进而获取可靠的车辆级（瞬时速度、车头间距和车头时距）与车道级（车道动态密度、车道流量和空间平均车速）交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验，同时比较了基于不同交通流模型的车道级参数估算方法。结果表明：该方法在车辆检测的mAP@0.5指数超过90%，同时提取的车辆轨迹相对完整，获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后，将该模型应用于实地道路的交通拥堵检测及交通事件检测，该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。