交通事件持续时间预测方法综述

对交通事件持续时间的预测方法进行综述。分析了交通事件对交通拥堵的影响,解释了交通事件持续时间的含义。交通事件持续时间预测方法主要包括：基于统计分析的模型,如概率分布、条件概率、回归分析、时间序列,其次包括不需要知道其分布特点的决策树模型、非参数回归模型,模糊逻辑模型。分析了各种方法的优缺点和适用性,并指出交通事件数据的质量影响了模型的准确性和精度。大量的研究发现事件持续时间的分布近似于正态分布,并向左侧偏斜。最后,提出今后交通事件数据库的建立和交通事件的科学分类可从根本上提高基于统计学模型的精度。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30．7463％,分类回归树的误差平均值为29．5197％,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65 000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8 000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30.746 3%,分类回归树的误差平均值为29.519 7%,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

Cox Regression模型在交通事件持续时间研究中的应用

有效的交通事件管理要求交通管理者全面了解交通事件的各种特征才能准确估计事件持续时间,从而及时地疏导交通拥堵。利用某高速公路应急指挥中心管理系统中记录的近3 a的交通事件持续时间数据,建立Cox Regression模型探索影响持续时间的危险因素并评价其作用强度和方向。研究表明,日夜、报警方式、事件类型、占用车道数、涉及车辆数、涉及死亡、救护车、牵引车、吊车、驳车、涉及货车等11项是交通事件持续时间的显著影响因素,因此,交通管理者对这些因素进行改善可有效提高交通事件管理效率和安全性。     

基于状态观测器的城市快速路交通事故识别

针对城市快速路网中交通事故频发的现象,为及时准确地对事故进行识别,提出一种基于宏观交通流模型的状态观测器估计算法.根据利用交通仿真软件Paramics的实验数据,并结合元胞传输模型(CTM)理论分析事故发生前后,事故路段及其上下游路段的交通流密度分布特征.同时基于路网的交通流模型构建了城市快速路事故的状态观测器估计模型,模型通过估计密度的变化规律,并结合交通状态分布特征来对事故进行识别.以京通快速路为例,通过对观测器估计误差进行计算,得出了实验路段平均百分比误差(MPE)的均值为11.56%,模型估计精度为88.44%.该方法能较为准确的对事故进行识别,为快速路中的交通事故识别提供有效的参考.      

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。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

交通事件持续时间影响因素分析及其回归模型

交通事件的快速处置对于交通事故的快速救援、交通拥堵的及时疏导、交通安全隐患的有效排除具有重要意义。文中就某高速公路交通事件管理系统中记录的近3年的交通事件信息进行数据统计处理;采用方差分析的方法,分析高速公路交通事件持续时间的影响因素及其作用;采用多元逐步回归建模的方法找出主要影响因素并进行多元回归预测。经样本检验,此回归模型能够很好地预测交通事件持续时间。     

交通事件持续时间预测的贝叶斯网络模型

交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件。基于MIT打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以S-ACOB算法为核心搭建最优贝叶斯网络模型。增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性。通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间。     

基于核密度模型的上海市快速路交通事件空间自相关分析

伴随着城市快速路的发展,城市快速路交通事件发生的频次和严重程度也随之增加,对交通参与者的生命和财产安全构成了巨大的威胁,因此交通事件多发点的检测有着极大的意义。为此引入了核密度模型,寻求交通事件点之间的空间自相关性,通过特征值的聚类找出交通事件多发的路段,并提供直观的可视化密度云图,为相关管理人员后期改善措施的提出打下基础。最后根据上海市2010年4月至2012年12月间的中心城快速路交通事件数据进行了样例分析。     

基于云模型的城市快速路交通状态评价方法研究

交通状态具有模糊性和随机性的特点。基于北京市快速路检测线圈数据,引入了基于云模型的模糊系统来评价快速路交通状态。在充分分析交通流特性的基础上,提出了交通状态划分原则、依据,评价指标,以及基于云模型的模糊综合评价方法的算法流程。为实施交通信息发布以及后期交通状态的改善提供依据。最后,以北京市快速路系统为例,进行实证研究。     

基于改进型CTM模型的城市快速路交通事件仿真

交通事件是城市快速路拥堵的重要原因,有必要对交通事件发生后的交通流特性进行分析。为更好地适用于城市快速路交通流仿真,引入元胞密度和元胞长度2个参数,改进了传统元胞传输模型(CTM)。在Matlab上建立改进的快速路元胞传输模型,考虑不同交通密度条件下拥堵形成过程和消散机理,选取了交通事件后的交通流特征指标并定量计算。结果表明,改进的CTM模型能较好地对城市快速路交通事件仿真,不同交通密度下的交通事件引起的交通流特征有很大差异。     

城市快速路通行能力再认识与新分析体系构建

为了解决目前城市快速路通行能力理论与经验研究中存在的3个问题,基于上海城市快速路与美国加州快速路的大量实测数据,从期望通行能力、随机通行能力、动态通行能力与运行通行能力4个方面系统梳理了快速路通行能力的计算方法。研究结果提出依次采用失效前稳定流率、考虑删失数据的生存分析方法、综合考虑动静态影响因素的多层统计分析模型、不同时间占有率/速度区间下的威布尔分布来估计上述4类通行能力;构建了一套适用于城市快速路规划、设计、运行与管理几个不同阶段的通行能力新分析体系,旨在为快速路生命周期全过程的通行能力计算提供关键技术支撑;对比分析国内外基本通行能力研究结果,从规划设计角度给出了基本通行能力的新定义：在通常的道路、交通与管控条件下,某一点或均匀断面,在15%的失效概率下,所容许通过的5 min失效前稳定流率。     

基于匝道控制的快速路合流区通行能力分析

对快速路合流区交通运行特性进行了研究,由交通调查数据得出合流影响区汇入车辆数与主线车道交通量的关系.通过研究合流区通行能力及其影响因素,由交通运行特性及运营管理的需要,给出了合流影响区通行能力定义;用实地调查数据并借助交通仿真技术对分析需要数据进行补充,得出主线到达流率、汇入流量和合流影响区通行能力三者间的关系.应用回归分析方法得出快速路合流影响区通行能力计算模型,并借鉴RWS-C控制策略提出基于影响区通行能力的匝道控制方法.      

基于中观模型的福州快速路动态交通仿真研究

分析了经典交通流模型的特点与适用性;以福州市快速路及主干道为对象构建仿真路网模型,引入中观交通流模型,利用仿真软件DynuStudio对路网进行交通分区、OD交通量估计、交通流模型主要参数标定,对快速路进行动态交通分配仿真分析。结果表明,福州市三环快速路交通服务水平稳定且通畅,但二环快速路情况复杂,高峰时段拥堵严重,与现实情况基本一致。     

一种新的快速路交通事件综合检测算法

介绍了传统交通事件检测系统的组成及传统交通事件检测算法,在指出传统交通事件检测算法存在的主要问题的基础上,提出了一种新的快速路交通事件综合检测算法。该算法主要舍事件检测、检测学习、综合判断三部分,将加州算法、基于交通流模型优化的McMaster算法、基于统计的相邻车道数据比较算法、基于模糊聚类的事件检测算法的检测结果进行综合判断,从而得到交通事件信息。实验表明,该交通事件综合检测算法的判断准确度优于其他算法,且运算速度满足实际应用需要。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

降雪天气对乌鲁木齐市快速路交通运行影响特征分析

为缓解降雪天气对乌鲁木齐市快速路交通运行产生的不利影响,以控制冬季灾害天气下的交通管理局面,采集乌鲁木齐市河滩快速路的交通数据,基于交通构成、交通量、车速、车头时距等交通特征参数,分析乌鲁木齐市降雪和正常天气下快速路机动车运行规律。分析结果表明:降雪对城市快速路交通量车型构成的影响不大,但对交通量时空分布有较为明显的影响;降雪致使车速与车头时距的分布区间变小。基于研究数据,提出除雪、信息控制与紧急事件管理等改善对策。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。