多源交通信息融合技术在重庆市智能交通诱导系统中的应用研究

由于特殊的地理条件和历史原因,重庆市道路交通信息采集设备形式多样,形成的交通信息数据格式和设备数据接口标准不尽相同,多源交通信息数据的存储、处理和使用过程中遇到了诸多困扰.为此,重庆市交通管理局与重庆市科委共同谋划了“重庆主城区交通诱导示范工程”项目,将多源交通信息数据融合技术作为项目研究的重点,采用数据融合技术对多源交通信息数据进行处理,通过判别算法实现对道路交通状态的实时判别,并利用VMS、WEB等多种形式进行道路交通状态的发布,从而实现对主城区路网交通流进行策略性分流的目标.     

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。     

在城市交通信息集成中基于本体的语义融合模型

交通信息融合技术已成为智能交通系统中研究热点,它对于城市交通综合管理、交通预案应急联动以及数字城市建设有着十分重要的意义. 采用本体技术和语义逻辑代数方法,
对多源异构的城市交通信息的统一表示、融合等问题进行了深入探索. 通过城市交通本体建立静态和动态的城市交通信息的统一语义模型,并定义本体在语义层面上的融合规约和代数操作,以实现城市交通信息融合在语义上的完备性和一致性. 在城市交通信息集成中增加语义融合功能,对降低交通信息集成的数据量,提升集成后交通信息的查询和分析效率及准确性都有较大帮助,在实践应用中也体现了一定的效果.     

智能交通信息特征分析与处理系统设计

智能交通系统(ITS)的普遍应用与系统整合,使得交通信息越来越复杂,交通状态更加难以把握,信息处理面临新的挑战.本文的工作集中在以下三个方面:①剖析了ITS信息的特征—— 多源性、异构性和层次性;并指出交通状态作为最高层次的文通信息,具有双重属性的特点——客观、抽象、确定、连续性以及主观、形象、模糊、离散性。②分析了信息融合和数据挖掘技术在ITS信息处理中的重要价值,提出其信息处理的模式与流程。③设计出ITS信息处理系统的逻辑结构,实现了信息融合和数据挖掘技术的集成,体现出该系统的信息中心功能和平台支持功能。     

基于GIS-T的交通信息发布系统设计

基于GIS-T和MTD技术的智能城市交通信息发布系统的原理和运行机制,是将交通信息采集发布、交通流评估模型、交通流预测模型和WebGIS有机地结合在一起,构成一整套完善的城市智能交通信息发布系统,实现交通信息的直观、实时发布,辅助出行者进行出行最优路径选择和出行时间预估,从而达到交通流动态调控的目的。     

区域路网交通信息提取方法

为提取区域路网交通信息,基于物元分析理论提出了道路交通状态的判别方法．将交通状态的判别结果作为决策属性,综合考虑道路等级、时间及交通参数,构造区域路网的交通流特征信息表．用粗糙集方法提取交通流特征．用区域路网交通流特征提取示例验证了提出的方法的有效性．该方法可实际应用于在线交通状态判别和历史数据库的交通信息提取．     

云计算在智能交通中的应用

随着汽车数量的迅速增长,交通拥堵日益严重。交通参与者的交通行为变得繁杂多变,交通安全问题突出,交通流预测的准确度下降。为了给用户提供时时高效的交通信息,同时为交通管理部门提供有效的交通管制措施,必须完善智能交通系统的信息采集、处理、分析、存储和发布等功能。云计算具有分布式存储、超强计算能力、信息融合共享等优点,利用云计算的这些优点,构建智能交通系统云平台,实现交通信息从采集到发布全过程的优化,最显著的是提高了交通信息的时效性和准确性。云计算已经在基于GPS的浮动车技术、短时交通流预测、最优路径诱导和交通信号控制等智能交通的各个领域得到应用,并且对综合交通的发展起到了积极的推动作用。     

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。     

基于模糊推理的区域路网交通状态分析方法

为准确判别区域路网的交通状态,对区域路网交通流的宏观特性进行了详细分析,建立了路网交通状态评估指标体系。结合区域路网的拓扑结构与交通流特征,基于模糊推理技术提出了路网交通状态分析方法。以城市主干道路网为例,验证了路网交通状态分析方法的有效性。该方法可应用于在线交通状态分析和历史数据库交通运行特征的提取,为交通管理决策提供基础信息。     

基于仿真数据的异类交通传感器信息融合研究

通过系统模拟中的相关原理,以实际传感器的性能参数为背景,可生成供交通信息融合算法使用的训练集和测试集仿真数据.结合这些数据,相关神经网络训练和仿真结果表明:交通信息融合方法对于提高异类传感器的速度检测是有效的,同时信息融合技术在智能交通系统中的应用能够提高信息获得的准确性.