浮动车数据在车辆路径问题中的应用

利用浮动车信息采集系统预测路段行程时间,实现对带时间窗的混合车辆配送路径选择的优化.提出了带时间窗的混合车辆路径选择优化问题的求解模型;设计了浮动车地图匹配和路段行程时间预测算法,以实现对路段行程时间的预测,并通过给出的成都市浮动车数据证明了所提出的算法比同类算法更有效——地图匹配率提高6%,路段行程时间预测值与实测值的拟合度更高,运输总费用节约24%.     

短时路段行程时间分布预测方法研究

为有效利用历史路段行程时间数据,提高短时路段行程时间分布估计精度,提出了一种自适应数据融合方法。通过分析历史行程时间数据与实时行程时间数据间的关系,构建了二者间的映射模型,有效地将非精确对应下的数据区间映射为精确对应状态,并根据所建非线性模型得到预测数据分布,极大地提高了行程时间分布的预测精度。考虑时间延迟等因素,采用DYNASMART仿真软件对所提出的方法进行了模拟验证。结果表明:随着采集步长的增加,应用自适应数据融合方法得到的短时行程时间预测分布与随时间变化的实际行程时间分布状态保持一致,这有效保障了数据预测的质量,为智能交通管控策略的制定提供可靠的依据。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

基于微观仿真的路段行程时间预测方法

实时路段行程时间预测是动态交通分配中路径选择的关键技术之一,采用微观交通仿真手段和指数平滑方法估计路段行程时间,在路段行程时间估计模型中考虑了交叉口排队延误、信号控制延误和交叉口内转向行程时间,提出了基于灰色等维新息GM(1,1)模型的路段行程时间预测方法,根据路段行程时间的历史数据和实时采集数据,滚动预测未来的路段行程时间,通过实例应用证明了模型有很好的预测精度.     

基于车牌照数据的城市快速路行程时间短时预测方法研究

为了深入研究基于路段与基于路径两种不同的建模方法在城市快速路行程时间短时预测中的预测效果,以车牌识别系统采集的行程时间数据为研究对象,分别采用历史平均法、神经网络模型、支持向量机回归模型、非参数回归模型4种典型的预测算法,对快速路的行程时间进行预测。研究结果表明,考虑交通特征的支持向量机模型会显著提高基于路段的行程时间预测效果,同时基于路径的非参数回归建模方法优于基于路段的组合建模方法,更适合城市快速路行程时间预测。     

基于Gaussian-支持向量回归机的高速公路短时交通量预测

针对高速公路短时交通量的实时性、波动性和非线性的特点,将支持向量回归机(SVR)应用于高速公路短时交通量预测,并采用Gaussian损失函数来代替ε-不敏感损失函数,对原始序列进行降噪处理,为了更好的优选SVR模型参数,采用遗传算法(GA)进行参数优选,建立了基于GA优化的GA-Gaussian-SVR高速公路短时交通量预测模型,将本路段前几个时段交通量、天气因素和出行日期作为影响因素输入,结合实例进行了仿真预测.结果表明该方法可有效应用于高速公路短时交通量预测.     

基于FCD的旅行时间估计算法研究

根据FCD(Floating Car Data浮动车数据)的特点建立基于FCD旅行时间估计的Kalman滤波模型以及BP神经网络模型,运用上述两种模型进行路段旅行时间短时预测,路段平均旅行时间为输入变量,输出预测路段的旅行时间,并用实测数据进行分析验证.结果表明,针对路段短时旅行时间估计,Kalman滤波模型方法的预测精度要优于BP神经网络方法.     

基于遗传算法的城市应急车辆调度优化

分析应急车辆到达事故地点行程时间的各种影响因素,结合实时路段交通量和交叉口控制状况,计算路段行程时间和交叉口延误时间,以总行程时间作为适应度函数,基于遗传算法优化城市道路应急车辆调度。遗传算法采用可变长度节点序列编码方式,并引入邻接矩阵概念,对应急车辆出行的合理路网进行路径集合估计,为初始路径个数的选择提供理论支撑。最后以西安市曲江区路网为例进行计算与检验,验证了优化方法的有效性与合理性。     

基于自适应加权平均融合的路段行程时间估计

在固定检测器和浮动车数据的路段行程时间估计基础上,利用两种估计方法数据之间的互补性,应用自适应加权平均融合算法对估计结果进行融合处理,从而实现对路段行程时间更为精确的动态估计.以大连市中心城区为主要研究对象,通过交通调查和VISSIM仿真环境实现对固定检测器和浮动车的数据收集和行程时间估计.结果显示自适应加权平均融合能够有效提高路段行程时间估计精度,且适用于不同流量状态下的路段行程时间估计.     

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.     

基于LSTM 神经网络的降雨天旅行时间预测研究

降雨给城市道路行程时间的计算和预测带来了许多不确定因素. 以出租车GPS数据为研究对象，在考虑降雨数据的基础上，设计一个基于非最小路段的行程时间计算方法，建立基于LSTM(Long Short-Term Memory)循环神经网络的行程时间预测模型进行算法验证. 最后，以北京市中关村西区出租车行驶的10 d 的GPS数据进行方法验证. 结果表明，加入降雨特征预测的结果比未加入降雨特征拥有更高的准确率. 并与应用较为广泛的BP 神经网络和 SVM进行对比分析，发现在满足数据精度的前提下，本文应用的算法和预测模型有较高的训练速度和预测可靠性.     

����SVM�ij��п���·�г�ʱ��Ԥ���о�

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求. 本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测. 最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析. 结果表明：与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息，提高出行效率，需提升高速公路行程时间的预测精度。鉴于此，将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中，构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化，截取其中有效字段，获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型，利用Matlab进行实验。实验结果显示，PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高，而且能较准确地预测出行程时间的走向及波动情况，在收敛速度方面也呈现出一定的优势，具有较好的适应能力。     

基于卡尔曼滤波算法的公交车辆行程时间预测

通过分析公交车辆的行驶特性,利用卡尔曼滤波算法建立行程时间预测模型,并用该模型预测未来时段的公交车辆路段行程时间.预测结果表明,该方法预测精度较高,可有效地改善公交车辆动态调度效果,提高交通资源利用率,因此该方法具有推广意义.     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。     

谱分析法在路段行程时间预测中的应用

路段行程时间超前预报是动态交通诱导方案制定的基础,应用短时交通预测的方法可以获得将来某个时刻的路段行程时间数据,但已有研究成果,还存在适应性不强,计算量大,基础数据需求多等不足。应用谱分析及Karhunen-Loeve变换对随机序列的分解与重构功能,通过挖掘路段历史行程时间序列与当前检测行程时间序列的相似性特征进行序列重构,实现对后一时段路段行程时间的预测,结果显示,该方法具有良好的预测精度。     

基于建成环境和低频浮动车数据的路段行程时间估计

将城市道路周边建成环境的相关属性作为路段行程时间的解释变量,结合城市低频浮动 车数据,在不需要速度等GPS信息的条件下研究建成环境属性因素对路段行程时间的影响。同 时,给出一种新的路段行程时间分布估计方法,即利用路段车辆数的分布代替路段长度作为路段 行程时间的分配比例系数,得到路段行程时间的分布情况。为验证所提方法的正确性,以辽宁省 丹东市振兴区锦山大街为例进行分析,用极大似然估计法得到各类建成环境对行程时间的影响 参数值,并对比研究路段在有、无建成环境影响下的行程时间。结果表明：道路周边的建成环境 会在不同时段导致路段行程时间显著增加,学校的影响时间段主要在6:00-7:20,医院、诊所集中 在7:00-8:00,交叉口造成的行程时间增量在研究范围内整体较为平均。通过似然比检验,验证了 将建成环境变量作为路段行程时间影响因素的可靠性。     

基于随机森林算法的路段行程时间预测

利用随机森林算法对路段行程时间进行预测,根据行程时间的相关性提取了四个特征向量作为决策树节点分裂的依据,对原始数据集进行训练,并将预测值与实际数据对比,发现绝大部分时刻两者基本吻合,MAE均小于2.49 min,MAPE都控制在10%以内,相对于该时段平均行程时间来说误差在可以接受的范围内,预测精度较高,这说明基于随机森林算法的路段行程时间预测是可行的。     

低频GPS数据和交叉口延误下的行程时间估计

为解决低频GPS数据条件下路段行程时间估计误差较大的问题,分析了车辆在道路交叉口影响区域的延误特征,根据两个相邻GPS点跨越一个或多个交叉口,以及跨越的交叉口影响区域內有无GPS点,划分了4种GPS分布类型,并设计了相应类型的基于交叉口延误计算的路段行程时间插值算法.以北京市八角地区实际GPS数据为例验证了本文算法,结果表明:在平峰和高峰时段,用本文算法计算的路段行程时间的平均绝对相对误差不超过14%;与改进插值法相比,平均估计精度提高了7.9%,在交叉口延误时间较大的路段效果更显著.