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PSO-LSSVM的高速公路短时行程时间预测

高速公路行程时间预测对指导公众出行具有重要意义。鉴于高速公路数据采集难,文中以高速公路收费数据为研究对象,建立最小二乘支持向量机模型对高速公路行程时间进行预测,并引入粒子群算法对最小二乘支持向量机的参数进行优化;利用广东某高速公路收费数据进行验证,结果显示该模型与以往研究相比其相对误差较小,用于高速公路行程时间预测具有一定的可靠性和实用性。     

考虑行程时间可靠性的阻抗函数及其应用

目前对于交通网络上交通阻抗的选取一般选用时间、距离、费用等因素,其最优路径通常为最小阻抗路径。随着城市交通变得日益拥挤及影响出行因素的不可靠的增加,行程时间可靠性成为人们选择出行路径的一个重要影响因素。文中考虑这个因素,建立了行程时间可靠性函数,并对其进行变形处理,提出了行程时间可靠性费用的概念,将其作为路阻函数,将求解最大可靠性路径问题转化为求解最小行程时间可靠性费用问题,使路阻不但考虑了交通阻抗中最关键的因素即出行时间,又考虑了出行时间的不稳定性,更符合实际路网中出行者对于出行路径的选择行为,还能作为路阻费用在交通规划软件中方便使用;最后将该方法用于交通影响评价中交通影响范围的确定,并在TransCAD中进行了实现,将其结果与基于时间确定的交通影响范围进行比较,证明了该方法的可行性及实际应用价值。     

最优预瞄加速度驾驶员模型参数试验辨识方法研究

研究通过试验辨识获得最优预瞄加速度驾驶员模型物理参数的方法。采用时域辨识方法确定模型传递函数,采用非线性最小二乘法确定传递函数中所包含的物理参数,利用已知目标函数优化预瞄时间和反应时间,针对仿真数据进行了辨识分析。结果表明,该方法对驾驶员模型物理参数的辨识具有良好的效果。     

基于行程质量的随机用户平衡分配模型

提出行程质量的概念以描述出行者在不确定环境下的路径选择准则。将行程质量定义为行程时间和行程时间可靠性的线性加权和,综合了影响路径选择的两个不同的重要因素:行程时间和行程时间可靠性。假定在路段通行能力随机变化的情况下出行者以估计行程质量费用最小作为路径选择的标准,建立了基于行程质量的随机用户平衡分配模型。证明了模型解的等价性和唯一性,给出了求解模型的MSA算法。在一个小型测试网络上的计算结果表明:模型能够反映出行者在随机路网中的路径选择行为。     

沥青混合料动态模量及其主曲线的确定与分析

研究中利用Superpave简单性能试验机(SPT)测量了SM A 13和Superpave20两种沥青混凝土在不同温度和荷载作用频率下的动态模量。并分析了温度和荷载频率对动态模量和相位角的影响。本研究还根据时间~温度置换原理,通过非线性最小二乘拟合,确定了两种沥青混合料的动态模量主曲线和时间~温度转化因子,并利用相同的时间~温度转化因子形成了相位角主曲线,从而完全确定了沥青混合料的粘弹性性质。     

城市快速路交通状态转变时刻确定方法研究

研究了城市快速路交通状态转变时刻的确定方法。在分析快速路拥挤状态和不拥挤状态交通流参数特性的基础上,根据Dganzo等提出的交通流参数调整累计曲线,设计了一种用于确定交通状态转变时刻的方法:利用流量和时间占有率两个参数的调整累计曲线来判定快速路交通状态转变时刻。论文利用北京快速路系统的调查数据检验了该方法,得出的交通状态转变时刻与实际情况相符,证实了该方法的有效性。交通拥挤转变时刻的确定可以应用于道路交通状态判别、交通波理论研究以及现有交通事件检测方法的技术评价。     

基于Vissim的Synchro干道信号协调优化方案选取研究

为了在Synchro进行干道信号协调优化时选取较好信号配时方案,应用Vissim模型搭建了基于最小延误、最少停车次数和最小PI值3种不同优化目标方案的仿真平台.以行程时间、延误、平均排队长度以及停车次数为评价指标,对比分析了3种优化目标方案.以北京市首都机场东区四纬路为例,研究结果表明,以行程时间、延误、平均排队长度以及停车次数为评价指标时,基于最小延误的优化方案均为最优.建议在利用Synchro进行干道信号协调优化时,采用基于最小延误的优化方案而不是默认的基于最小PI值方案.此外,基于最小PI值的优化方案在除停车次数之外的评价指标对比中,明显优于基于最少停车次数的优化方案.      

土工直剪试验的最小二乘法拟合

通过对直剪试验结果数据处理的误差分析,提出用最小二乘原理对试验结果进行优化,并对最小二乘原理作了推导和阐述,然后将此方法应用于两个算例,并与两个算例的矛盾方程的结果进行了对比,直观地体现了最小二乘法在实际应用中的意义。     

基于偏最小二乘回归法的城市土地利用与交通发生量关系模型研究

以实际调查得到的建筑容积率、建筑密度、总建筑面积、交通小区面积以及各类型土地利用面积等14个土地利用指标作为直接变量,建立交通发生量预测模型.相关分析的结果表明土地利用指标间存在着严重的多重相关性,普通的回归分析方法很难有效解决这一问题.采用偏最小二乘回归方法,通过构建主成分.采用交叉有效性检验确定成分个数,最终建立的...     

基于仿真的G6回龙观收费站周边交通优化研究

大城市周边高速公路收费站是连接主辅路交通的瓶颈处,在分析收费站通行效率模型后,采用VISSIM仿真软件对G6回龙观收费站周边交通进行研究.首先对收费站交通属性参数进行标定,进而利用信号灯模拟车辆通过收费站的通行时间,建立适用于大城市周边高速公路收费站交通优化仿真模型.最后结合实测交通状况标定回龙观收费站仿真模型参数,对...     

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.     

降级路网的认知及交通流平衡分析模型

为定量衡量因路段降级原因导致路网通行能力的丧失量,分析出行者在降级路网中的路径选择行为将导致何种网络交通流平衡状态,通过将降级路网划分为车流外界因素导致路段可通行能力降级和路段上车流量增加导致道路服务水平的下降两种类型,辨别旅行时间长短与旅行时间波动对出行者路径选择行为的影响,推导出同时考虑这两方面因素影响的可变路径旅行时间风险度量;在此基础上建立了降级路网中的交通流平衡分析模型,该模型满足存在性和惟一性,并能正确描述出行者对降级路网结构认知差异性情况下的网络交通流平衡状态。通过实例展示了不同旅行可靠性要求下,出行者对路径旅行时间长短的权衡关系以及整个路网交通流平衡结果。     

基于SB分布的Mixed Logit交通方式分担模型及其验证

研究了SB分布函数的分布特性,发现SB分布比正态分布和对数正态分布能更好地表达单向偏好因子的参数,结合合肥市居民出行调查数据,建立了Logit交通方式分担模型和两种约束条件的SB分布Mixed Logit交通方式分担模型MIXED1和MIXED2,通过对比分析发现MIXED2模型对原始数据解释更合理,且更能体现出行者对出行时间认识上的差异性,文章最后对模型进行了公交出行时间敏感性测试,结果表明实施公交优先后,公交客流转移量主要来源于自行车使用者。基于SB分布Mixed Logit模型不存在Logit模型的IIA缺陷,且能体现出行者对影响因素认识上的差异性,其更适合于交通方式分担建模。     

基于元胞自动机的动态路段走行时间计算模型

为建立合理的动态交通网络中路段走行时间模型,分析了动态路段走行时间函数的一般形式,对比国内外常用的几种离散型动态路段走行时间函数,基于元胞自动机交通流模型,建立了动态路段走行时间模型。模型可以根据实际路段驶入率、驶出率,推算出任意时刻进入路段车辆的走行时间,并利用M atlab对模型进行求解和数值分析。结果表明,车辆进入路段后的交通状态是动态路段走行时间的主要影响因素;根据累积驶入驶出车辆数曲线可以直接求出动态路段走行时间,能够为动态交通网络中路径走行时间求解奠定基础。      

一类动态交通分配中的输出流模型及其数值解法

已知路段输入流,基于Greenshields提出的速度-密度关系模型以及Jayakrishnan et.al提出的改进的Greenshields 速度-密度关系模型所描述的路段交通流特征,分别给出了关于路段输出流的常微分方程模型.针对无法得到该模型的解析解,利用龙格-库塔-芬尔格算法给出初始条件下的数值解.在已知输出流的条件下,每个时刻的路段交通流的行程时间也相应给出.仿真结果表明,针对两类不同速度-密度关系所建立的输出流模型,所得到每个时刻的输出流基本相似,但路段行程时间存在明显差异.与交通流调查数据比较,基于改进的Greenshields速度-密度关系的输出流模型的行程时间更接近真实情况.     

中小城市起讫点（OD）调查最优抽样量模型

基于抽样理论、最优化理论和出行需求预测方法，提出了以中小城市起讫点（OD）交通调查费用最小为目标，以调查精度为约束的最优抽样量计算模型和算法。实践结果表明：该方法有效地解决了调查费用和精度的矛盾，减少抽样量，仅用国际上推荐抽样率的1／10的抽样量就能得到预定精度的预测结果；对于具有简单交通流向的中小城市，能明显提高OD调查工作效率。     

运行时间可靠度在单向交通组织中的应用

运用网络可靠性计算的串并联理论,提出了道路网络中节点OD（Origin-Destination）对之间的路径运行时间可靠度计算方法,建立了基于节点OD需求的路网运行时间可靠度计算模型。在节点OD需求已知的情况下,根据交通组织状况,采用动态交通分配和交通仿真方法获得模型参数,计算节点OD对之间分别在双向和单向交通组织条件下的运行时间可靠度,并建立交通组织方案的临界判别条件,作为单向交通组织方案评价和决策的量化指标。     

观测路径出行时间下随机网络交通需求估计

道路网络起讫点（OD）需求是城市决策长期交通规划和短期交通管理中的基础参数,准确的交通需求更是实施交通拥堵控制、限行限速、路径诱导等措施的先决条件。综合运用观测的轨迹已知和未知路径出行时间,建立随机网络交通需求估计双层规划模型。上层广义最小二乘模型最小化历史交通需求与待估交通需求、观测路径出行时间与待估路径出行时间之间的偏差,约束为交通需求、路段流量、路段出行时间与路径出行时间之间的传播关系,通过高斯混合模型（GMM）对其中轨迹未知的观测出行时间依概率聚类。下层为随机网络交通出行均衡模型,分别运用出行时间预算和随机用户均衡处理路网不确定性和出行者感知误差。上、下层之间通过交通需求和OD-路段关联比例进行信息传递。设计迭代算法框架求解双层规划模型,迭代算法包含求解上层模型的最速下降法、求解下层模型的相继平均算法和求解GMM模型的最大期望（EM）算法。通过算例表明轨迹未知的路径出行信息的加入在提升需求估计精度的同时也增大了估计值的方差;设计的迭代算法能够稳定收敛到10^-5的精度;GMM软聚类方法估计的交通需求显著优于硬聚类方法估计的需求值;交通需求值对观测路径出行时间的扰动更加敏感。研究考虑出行者风险态度,通过轨迹信息的重新构建揭示城市交通需求演化规律。     

The influence of alternative data smoothing prediction techniques on the performance of a two-stage short-term urban travel time prediction framework

This article investigates the impact of alternative data smoothing and traffic prediction methods on the accuracy of the performance of a two-stage short-term urban travel time prediction framework. Using this framework, we test the influence of the combination of two different data smoothing and four different prediction methods using travel time data from two substantially different urban traffic environments and under both normal and abnormal conditions. This constitutes the most comprehensive empirical evaluation of the joint influence of smoothing and predictor choice to date. The results indicate that the use of data smoothing improves prediction accuracy regardless of the prediction method used and that this is true in different traffic environments and during both normal and abnormal (incident) conditions. Moreover, the use of data smoothing in general has a much greater influence on prediction performance than the choice of specific prediction method, and this is independent of the specific smoothing method used. In normal traffic conditions, the different prediction methods produce broadly similar results but under abnormal conditions, lazy learning methods emerge as superior.