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。     

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。     

基于数据融合的路段行程时间估计

基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波,采用K近邻法寻找相似的交通流状态来标定状态转移系数,建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是,平均相对误差为9.52%,相对误差的标准差为8.92%。研究表明,与基于移动检测器数据的估计方法相比较,该方法极大地改善了估计精度和可靠性,还具有收敛速度快、对初值不敏感、参数少等特点。     

道路拥堵程度对公交行程时间可靠性的影响研究

为了解决日趋严重的城市交通拥堵问题,进一步提高公交车辆的服务水平,本文结合国内外的研究经验从路段平均行程速度、交叉口饱和度、路段饱和度以及交叉口平均排队时间4个道路拥堵程度评价指标出发,构造了一个系统的多因素综合评价模型,建立了道路拥堵程度评价体系.在分析道路拥堵的基础上,建立了基于道路拥堵程度的公交行程时间可靠性的预测模型.通过采集实际的交通流数据以及公交车站点间的行程时间,讨论不同道路拥堵程度下的公交行程时间可靠性,验证了该模型.研究结果表明:道路拥堵程度对公交行程时间可靠性有较大的影响.     

路侧停车行为对车流行程时间的影响

为实施精准化、动态化路侧停车管理策略,协调道路行车与停车之间的关系,剖析了路侧停车行为对交通流的干扰机理.选取北京市4处典型路侧停车带,基于路侧停车订单和实地调研数据,对停车设施利用特征、停车时长分布特征、停放车辆数目分布和驶入车辆数目分布等典型的停车行为特征进行了量化,建立了道路周边用地性质与停车行为的映射关系;并根据以上特征规律建立路侧停车带设置于机非混行路段的仿真模型,分析最高允许停放时长、路段交通量和停车需求量等关键因素对路段机动车行程时间的影响规律,定量描述了各因素不同区间值对行程时间波动程度与波动范围的影响.选取新街下坡路侧停车带为例,以控制车流行程时间延误为目标,综合考虑各时段的交通流特征、停车设施利用效率和停车需求量等要素,从停车泊位数目设置、停车需求控制和停车时长角度提出了相关的优化措施.结果表明,限制停车时长为1h能有效降低道路交通影响,道路机动车交通量低于440 veh/h或停车需求下降30% 时,行程时间的波动程度和波动范围趋于稳定,交通影响的改善效果达到瓶颈期.      

基于行程-时间域的路段行程时间预测

为了提高高速公路路段行程时间预测的实时性与准确性,提出了基于行程-时间域的路段行程时间预测算法.该算法依据实时检测的交通数据和BP神经网络预测路段单元在不同时间单元的空间平均车速,构建车辆出行的行程-时间域,通过车辆穿越行程-时间域获得路段的预测行程时间.通过比较行程-时间域算法与传统神经网络预测算法,揭示了行程-时间域算法在预测精度上优于传统神经网络算法.以沪宁高速公路路段作为示例背景,基于Vissim仿真软件,验证了所提算法的准确性与可行性.      

手机信令数据支持下高速公路检测器布设研究

交通检测器的布设决定着路段行程时间估算及预测的精度.同时,检测器技术、行程时间估计方法也会影响到检测器布设方法.针对此问题研究利用手机切换数据交通信息提取支持,结合传统固定检测器,基于BP神经网络实现行程时间融合估计.基于新的行程时间估计方法,以估计精度为约束,研究传统固定检测器的布设.结合实例分析,验证行程时间融合估计方法有效性,并在均匀布设和盲区补充方案基础上,研究检测器布设间距对交通参数估计的影响.     

基于Edgeworth级数的行程时间可靠性的计算与实证

通过引入行程时间可靠性概念,研究因受交通事故、交通供需矛盾等因素的影响,而导致路网行程时间随机波动的现象。为了研究路段中行程时间的分布规律,基于连续3个月的历史行程时间数据,实证分析了几个典型时间窗的行程时间分布形态,对高峰时段的数据拟合正态分布,平峰时段的数据拟合对数正态分布。同时,对大多数不服从常用理论分布函数的路段行程时间,使用Edgeworth渐进级数来近似其概率密度函数和分布函数,进而构建出相应的路段行程时间可靠性的计算模型。最后,结合高峰时段实证数据计算路段行程时间可靠性,并将其与基于正态分布计算出来的行程时间可靠性进行比较,实证结果表明基于Edgeworth级数估计的行程时间可靠性明显优于正态分布,且该方法具有较好的移植性。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

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。      

基于群决策理论和双层规划模型的交通信号控制优化

基于干道延误时间最小和路段行程速度最大的设计理念,利用智能优化算法和群决策理论,建立了一种双层规划模型下的城市干道交通信号控制方法。算法结合了智能优化策略中的遗传算法和丰富的群体专家意见,并采用模糊数的描述方式实现对不同控制目标的分析评价,给出了一套完善的干道交通信号配时优化方案,使交通问题的分析得以更加客观和实际。最后给出一个实际主干道问题的算例分析,运用MATLAB和Visual C++编程计算对控制方案进行模拟。仿真结果表明,这一方法能有效地改善延误和路段行程速度。     

Bus travel time modelling using GPS probe and smart card data: A probabilistic approach considering link travel time and station dwell time

Abstract

Path travel time estimation for buses is critical to public transit operation and passenger information system. State-of-the-art methods for estimating path travel time are usually focused on single vehicle with a limited number of road segments, thereby neglecting the interaction among multiple buses, boarding behavior, and traffic flow. This study models path travel time for buses considering link travel time and station dwell time. First, we fit link travel time to shifted lognormal distributions as in previous studies. Then, we propose a probabilistic model to capture interactions among buses in the bus bay as a first-in-first-out queue, with every bus sharing the same set of behaviors: queuing to enter the bus bay, loading/unloading passengers, and merging into traffic flow on the main road. Finally, path travel time distribution is estimated by statistically summarizing link travel time distributions and station dwell time distributions. The path travel time of a bus line in Hangzhou is analyzed to validate the effectiveness of the proposed model. Results show that the model-based estimated path travel time distribution resembles the observed distribution well. Based on the calculation of path travel time, link travel time reliability is identified as the main factor affecting path travel time reliability.     

基于二次函数型路段行程时间模型描述的交通输出流特性

根据动态交通分配模型中广泛使用的路段行程时间与路段车流量具有二次函数关系的模型，在已知路段输入流的条件下，给出了路段输出流的一般表达式和路段行程时间的递归表达式.在路段车流满足先进先出的条件下，结合任意时刻的车流量表达式和线性路段行程时间模型得出输出流与输入流的关系式，导出此时刻的路段车流量表达式，从而给出了更明确的关于路段行程时间的表达式;同时结合道路交通流调查数据，对一些实例进行了数值仿真，所得结果与实际相符.     

包含出入口匝道的高速公路路段行程时间估计方法

针对高速公路路段是否包含出入口匝道的特征,提出了1种行程时间估计改进方法。根据不同类型路段流量变化及影响范围,通过匝道物理位置对传统半距离法中路段行程时间的取值进行优化,获得了适应于匝道引起流量不均衡的行程时间估计方法。以南京机场高速公路为背景,通过Vissim仿真所得地点速度值,结合路段行程时间真实值,检验所提方法的性能。实验结果表明:当路段出入匝道的流量均衡时,所提方法较半距离法的精度提高3.71%,较空间线性插值法精度提高4.59%,当出入匝道的流量相差较大时,所提方法较半距离法的精度提高16.27%,较空间线性插值法精度提高17.29%。结果验证了改进方法较半距离法和空间线性插值法更具优越性。      

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

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。     

动态输入下路段行程时间研究

以元胞传输模型(LWR模型的离散形式)作为分析工具,以行程时间为研究对象,研究了单车道路段没有出入口的基本路段受交通信号控制影响下的动态行程时间.考虑到路段上车辆密度对车辆速度的影响,文章定义了路段加权密度来表征车辆进入路段时路段的状态.分析结果表明,动态行程时间和车辆进入路段时的流量基本上没有关系;当车辆进入路段时刻一定时,路段加权密度和车辆的动态行程时间成线性关系.     

通行能力约束下的弹性需求交通投影动态演化模型

利用投影动态系统理论建立了具有路段通行能力约束的弹性需求交通网络动态演化模型.通过分析节点路段处交通流量与出行阻抗关系,揭示了出行者在网络局部对出行路线进行调整的决策过程,并分别建立了有通行能力约束的路段流量更新方程和弹性交通需求下的节点最短行程时间估计方程.通过在整个网络上整合上述两类方程,得到最终的交通网络投影动态...     

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.