面向高速公路交通调度的动态数据融合

在高速公路交通动态数据融合需求分析的基础上,采用环形线圈和微波检测器建立多检测器动态数据的现场试验站,通过多检测器组合方式构建数据检测方案;应用基于自适应加权和改进BP神经网络的数据融合方法,建立交通动态数据融合模型,研究高速公路同一时间、相同断面的多检测器的数据融合。现场试验与检测数据分析表明：基于改进BP神经网络融合方法所获得试验数据的平均相对误差较微波和环形线圈各自的精度提高了10％-20％。     

基于环形线圈检测器采集信息的数据挖掘方法研究

智能交通系统(ITS)是以信息和信息技术为基础，随着大量多源的信息采集之后，如何对信息进行有效处理是面临的新挑战。章以环形线圈检测器采集的基础信息为对象，通过数据挖掘，即数据获取、数据准备、数据规约、数据转换和挖掘方法流程，论述了各阶段的要求和算法，最终从海量的基础数据层得到新的信息交通状态。     

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。     

基于神经网络算法的高速公路基本路段线圈检测器布设间距研究

为研究高速公路交通事件检测算法及线圈检测器布设间距,设计了高速公路基本路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距在200～700m不同情况下的事件检测效果。利用VISSIM4.2软件仿真获得数据,并在Matlab人工神经网络工具箱中计算,验证了所设计事件检测算法的有效性,得出基本路段线圈检测器的合理布设间距。     

城市路网中浮动车数据和线圈数据的融合

交通信息是 ATMS 的基础和核心,从实时交通数据中准确估计交通参数、判断和预测交通状态是 ATMS 的重要内容.文中在信息融合理论的基础上,介绍了交通数据融合的基本内容.分析了浮动车数据和线圈数据的特点后得出:在城市路网环境中,虽然浮动车采集和线圈采集方式各有优劣,但他们在时间和空间上具有很强的互补和冗余.为充分利用已获取的交通信息,应实现这两类数据的融合,并对浮动车数据和线圈数据的一般融合模型和基本融合方法进行了论述,明确了交通融合问题的2种研究方法,即通过仿真手段得到的数据和现场采集数据作为融合的数据源来验证融合模型.     

交通流缺失数据处理方法比较分析

针对交通数据的缺失问题,采用基于时间相关性、空间相关性和时空相关性的多种数据修复方法对缺失数据进行处理.基于时间相关性的修复方法包括历史数据法、移动平均法、指数平滑法和线性回归法等.基于空间相关性的修复方法利用相邻车道和相邻检测器所采集的数据对缺失值进行处理.基于时空相关性的数据修复方法结合交通流的时间相关性与空间相关性对缺失数据进行修复.基于美国加州I-880高速公路交通流数据的实验结果表明,平滑系数α=0.1时的指数平滑法和利用相邻车道数据加权平均法得到的缺失值修复结果最优.      

基于路网空间拓扑结构的交通流数据填补模型研究

由于传感器故障、状况不稳定或数据传输等问题,交通流数据存在大量丢失的情况,对依靠这些数据进行交通科学决策产生了很大的影响.基于以上问题,提出一种基于空间拓扑结构的交通流数据填补方法,模型通过选取区域的典型道路训练上下游之间相关参数,根据道路类型匹配典型道路,应用典型道路的参数进行交通流数据填补,并利用武汉市实际交通检测器数据进行模型验证.选取武汉市实际道路上2个典型地磁检测器进行数据填补误差分析,不同填补方式下的平均相对误差为52.88%和51.93%,相对于传统的交通流数据填补建模来说,基于空间拓扑结构的填补模型在实际的应用过程中,能够在更大的范围内对丢失的交通流数据进行填补.      

高速公路车辆检测器的应用及发展趋势

文章简单介绍了高速公路常用线圈车辆检测器和视频车辆检测器的工作原理、系统结构以及优缺点,同时展望了未来高速公路车辆检测器的发展趋势。     

锁相技术的环形线圈车辆检测器的研究

对一般环形线圈检测器的原理进行了定量分析，提出了一种采用锁相技术的环形线圈车辆检测器的设计原理，并给出了相应的软件设计框图，通过比较研究显示其良好的性能。     

单线圈检测器速度估计方法研究

实时精确的交通速度对于交通管理系统来说是至关重要的.然而,最普遍的单线圈检测器却不能输出速度参数.提出了一种新的单线圈检测器速度估计的模糊神经网络方法.采用杭州公路实地数据对算法进行了验证,模型的速度估计结果与实际速度接近,与传统的g因子算法相比精度有显著地提高.这一方法可以有效地应用于交通管理系统速度的估计.     

基于数据挖掘的固定型交通检测器配置优化

结合固定型交通检测器空间配置的4条原则和配置密度优化步骤,提出基于数据挖掘技术的固定型交通检测器配置优化方法.设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对象,运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型、ARIMA预测模型及神经网络预测模型.采用网格搜索技术确定Winters模型参数,设计一种比传统ARIMA模型参数估计方法更精确的算法程序,来估计ARIMA模型参数,采用3项误差指标评价模型预测效果.根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案.实例研究表明,在保证满足ITS 对交通参数精度要求的同时,通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本.     

连续数据环境下的道路交通事故风险预测模型

针对现有研究多基于病例对照的欠采样方法,即每起事故从连续交通流数据中按一定比例抽取对照的非事故数据构建模型,而该类模型在连续数据环境中的预测精度存在缺陷的状况,对城市交通连续观测并动态调控的技术环境（简称连续数据环境）开展道路交通事故风险预测模型构建研究。首先提出基于全样本交通流数据,结合“调整事故分类阈值”的方法解决事故风险预测研究中的非平衡数据分类问题;而后采用上海市城市快速路2014年5,6月的线圈检测交通流数据及历史事故数据开展实证研究,以受试者工作特征曲线下面积为评价指标,对比基于全样本和抽样样本构建的常用事故风险预测模型（逻辑回归、随机森林）的整体预测能力;以灵敏度和特异度的几何均数为评价指标,对比3种分类阈值计算方式（约登指数法、事故占比法和交叉点法）对事故/非事故综合预测精度的影响。结果表明：在连续数据环境下,采用全样本数据建模能使模型整体预测能力提高13.06%;基于约登指数法进行分类阈值计算可使模型的事故/非事故综合预测精度最佳。     

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%。      

Improving the Performance of Loop-Sensor-Based Traffic-Information System by (M+PLL) Circuit

Conventionally a phase-shift detection method (PSDM) and a frequency-shift detection method (FSDM) have been used in loop detectors. The PSDM has a fast response time and is very effective in detecting vehicles traveling at normal speeds. However, it is well known that the detection results are erroneous for vehicles traveling at low speeds in heavy traffic conditions. On the other hand, the FSDM greatly improves the detector performance for heavy traffic conditions. However, this method is not effective in fast and normal traffic conditions. Thus, in order to collect accurate traffic data for all traffic conditions, this paper proposes combining two methods using the digital OR logic. In the developed circuit, a phase-locked loop (PLL) circuit is used for measuring the phase change. This paper also develops a new loop detector instrumentation method using the so-called M circuit for detecting frequency change. The developed method has been tested for various traffic conditions. Experimental results show that the new combined M and PLL detection method greatly improves the accuracy in all traffic conditions, reducing the error rate in measuring traffic flow by more than 83%, when compared to the PSDM.     

Improving the Performance of Loop-Sensor-Based Traffic-Information System by (M+PLL) Circuit

Conventionally a phase-shift detection method (PSDM) and a frequency-shift detection method (FSDM) have been used in loop detectors. The PSDM has a fast response time and is very effective in detecting vehicles traveling at normal speeds. However, it is well known that the detection results are erroneous for vehicles traveling at low speeds in heavy traffic conditions. On the other hand, the FSDM greatly improves the detector performance for heavy traffic conditions. However, this method is not effective in fast and normal traffic conditions. Thus, in order to collect accurate traffic data for all traffic conditions, this paper proposes combining two methods using the digital OR logic. In the developed circuit, a phase-locked loop (PLL) circuit is used for measuring the phase change. This paper also develops a new loop detector instrumentation method using the so-called M circuit for detecting frequency change. The developed method has been tested for various traffic conditions. Experimental results show that the new combined M and PLL detection method greatly improves the accuracy in all traffic conditions, reducing the error rate in measuring traffic flow by more than 83%, when compared to the PSDM.     

基于数据融合的城市道路交通事件自动检测

针对交通事件自动检测多以高速公路、城市快速路为对象以及使用数据源单一的现状,提出一种基于多源数据融合的城市道路交通事件检测方法。在对信号控制下交通事件引起的交通流变化进行分析的基础上,利用杭州市城区浮动车、SCATS、Citilog系统提供的实时交通数据,基于CUSUM算法构建差分流量和速度交通事件检测模型。该模型可以有效抑制交通信号对于交通流的周期性影响。实验表明,模型在高峰时段和平峰时段均能快速准确检测交通事件。     

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。     

基于监控数据的高速公路实时事故风险模型

近年来,高速公路事故发生率高居不下.同时,对于高速公路而言,其交通流检测器安装又较为普遍.因此研究如何深入挖掘交通流检测数据以实现对高速公路事故风险实时预测很有必要.基于美国加州2012年发生事故最多的4条高速公路I5,I10,I405和I15的全年事故数据和交通流数据,以病例对照基本思路选取事故组和对照组数据,选定交通流数据研究范围,并选用ADASYN算法处理不平衡数据集问题.基于随机森林模型,利用事故发生前10~40 min内的事故地上游4个检测器、下游2个检测器的3种基本交通流数据构建高速公路实时事故风险模型,事故预测准确率可达到88.02%.选取重要性前十的变量作为事故重要诱导因素,对事故重要诱导因素进行调值,将调值后的测试集放入之前构建的随机森林模型进行分类预测,结果显示减少了41.82%的事故,故可认为利用事故重要诱导因素可进行事故先兆预警工作,从而减少事故的发生.      

基础交通数据质量评价研究

高质量交通数据是智能交通系统（ITS）有效发挥其功能的基础,建立一套数据质量评价体系是ITS数据质量管理的基本要求。文中采用客观评价法,以固定型车辆检测设备采集的基础交通数据为对象,通过分析引起基础交通数据质量降低的主要原因以及数据质量问题的主要表现,建立评价基础交通数据质量的多维指标体系（即完整性、有效性、准确性、实时性）及其评价方法。研究成果已成功应用于上海市道路交通信息采集系统对基础交通数据质量的评价。