基于BP神经网络的交通异常事件自动检测算法

对现有公路交通异常事件自动检测算法进行介绍,在此基础上提出从人工神经网络角度方向建立检测模型,摆脱以往使用仿真数据研究的局限,利用广深高速实测交通异常事件数据对BP神经网络（Back Propagation NN）在交通异常事件自动检测算法中的应用进行研究。结果表明BP神经网络算法具有检测率高、误报率低和检测速度快等优点。     

信息融合技术在交通事件自动检测中的应用

多传感器信息融合技术这一新兴信息处理技术的出现,为交通事件自动检测(Automatic Incident Detection,AID)算法的设计提供了新的解决方案。将多传感器信息融合技术引入交通事件检测领域,设计了一种基于信息融合技术的交通事件自动检测算法。该方法结合了信息融合理论和小波神经网络算法,充分发挥了多传感器信息融合与小波神经网络理论的优势,使得事件检测的结果更加准确。通过仿真试验,该检测算法的优越性得到验证。     

Application of Information Fusion Technology in Automatic Incident Detection

多传感器信息融合技术这一新兴信息处理技术的出现,为交通事件自动检测(Automatic Incident Detection,AID)算法的设计提供了新的解决方案.将多传感器信息融合技术引入交通事件检测领域,设计了一种基于信息融合技术的交通事件自动检测算法.该方法结合了信息融合理论和小波神经网络算法,充分发挥了多传感器信息融合与小波神经网络理论的优势,使得事件检测的结果更加准确.通过仿真试验,该检测算法的优越性得到验证.     

基于神经网络和多信息融合的高速公路交通事件检测算法

高速公路事件检测是事件管理过程的核心和关键,在总结国内基于神经网络事件检测算法的基础上,提出基于LVQ网络模型和信息融合的交通事件检测新算法,将主线检测器得到的信息和收费站处得到的信息进行融合来判断交通事件的发生。将LVQ神经网络作为分类器进行交通事件自动检测,为进一步提高神经网络的泛化能力,采用改进的Boosting算法,进行网络集成。仿真实验表明:该算法具有更高的检测率、更低的误报率,可以明显改善检测效果。     

城市快速路交通事件检测的自适应算法研究

针对城市快速路交通事件检测问题,提出了-种基于自适应遗传算法与神经网络相结合的自动检测算法.通过改进的自适应遗传算法优化神经网络结构和权值参数,保证了神经网络能以较小规模和最优的权值参数来描述事件发生与交通参数间的映射关系,从而提高检测效果.利用PARAMICS交通软件模拟了北京市京通快速路从大望桥到四惠桥路段间的一组交通数据,仿真结果表明,该算法同现有的典型算法相比较,具有较高的检测率和较快的检测速度.     

公路交通事件检测技术的研究与展望

分析目前国内外交通事件检测技术和检测算法的发展现状,对交通事件检测技术所采用的人工检测技术和自动检测技术进行具体介绍,对基于各种检测原理的检测算法进行深入剖析,并阐述交通事件检测技术的应用。     

公路隧道交通监控系统

本文就隧道交通安全设施配置与控制策略进行了探讨，论述了不同长度，交通量条件下，火灾检测，环境检测，ＣＣＴＶ及数据采集与控制设施等隧道交通安全设施的功能，作用与配置原则，分析了交通参数对阻塞等交通异常事件的敏感性，提出了交通异常自动检测算法。     

基于改进OLS算法的RBF神经网络 高速公路事件探测

提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法,同时改进了用于RBF神经网络训练的Oils(正交最小二乘)选择算法.仿真实验证明,改进的OLS选择算法大大提高了RBF神经网络的训练速度同时具有无须事先确定RBF中心的优点,将之运用于公路事件探测可以获得满意的性能.     

交通事件判别方法的研究

近年来,随着交通需求的进一步增加,交通管理逐步走向智能化。在交通控制系统管理中,交通事件的自动检测是目前最具代表性的智能化管理手段。通过对交通管理实际工作的研究发现,不同的应用对检测的要求是不尽相同的。通过探讨持续性检验在事件检测中的应用,在此基础上提出面向多用户需求的事件报警体系,最后提出基于数据融合的事件检测算法,并重点论述融合规则与三级报警输出,从而初步实现面向多用户需求事件报警的理念。     

交通事件判别方法的研究

近年来,随着交通需求的进一步增加,交通管理逐步走向智能化。在交通控制系统管理中,交通事件的自动检测是目前最具代表性的智能化管理手段。通过对交通管理实际工作的研究发现,不同的应用对检测的要求是不尽相同的。通过探讨持续性检验在事件检测中的应用,在此基础上提出面向多用户需求的事件报警体系,最后提出基于数据融合的事件检测算法,并重点论述融合规则与三级报警输出,从而初步实现面向多用户需求事件报警的理念。     

基于RBF神经网络的城市互通立交短时交通量预测

根据实测数据,分析了城市互通立交交通流运行特性,研究了城市互通立交主线总交通量、交织流量比和第2车道大型车比例3种因素对合流区端部交通量的影响,应用神经网络原理建立了输入层为3个神经元,输出层为1个神经元的RBF神经网络,研究了该RBF神经网络的训练算法,应用实测数据进行了网络训练,对训练后的网络进行了仿真.仿真输出结果与实测数据之间的误差很小,证明应用RBF神经网络对互通立交合流区的短时交通量进行预测是一种可行的方法.此研究为分析互通立交内各功能区之间的相互影响,为研究互通立交桥的预先控制和运行状态分析提供了理论参考.     

遗传算法优化的RBF神经网络模型在公路隧道群交通事故微观预测中的应用

本文根据构建的遗传算法优化的RBF神经网络模型,提出了公路隧道群交通事故微观预测方法,对以任意断面为中心的单元长度内的交通事故率进行合理预测,为公路隧道群事故多发点的鉴别及预防管理措施的制定提供理论支撑。最后,以西汉高速公路隧道群区段为例,以调研所得的交通事故微观预测模型参数基础资料,运用本文构建的预测模型进行工程实践应用分析,同时与传统的RBF神经网络预测结果进行对比,分析说明遗传算法优化的RBF神经网络预测模型的科学性及可行性效果良好。     

基于非线性主成分分析和GA-RBF的高速公路交通量预测方法

为了提高高速公路交通量的预测精度, 综合考虑高速公路交通量的高度非线性和受多因素影响的特征, 提出一种基于非线性主成分分析和GA-RBF神经网络(NPCA-GA-RBF) 的高速公路交通量预测方法; 确定了高速公路交通量的主要影响指标, 运用非线性主成分分析法降低高速公路交通量影响指标的维数及其相关性, 用少数主成分代替原有的多指标, 以简化神经网络结构; 利用GA优化RBF神经网络的参数, 进一步提高交通量的预测精度; 以普洱市某高速公路为例, 对交通量预测方法进行实例验证。分析结果表明: 2组试验GA-RBF和NPCA-GA-RBF方法的平均相对误差分别比RBF方法降低1.62%、3.53%和2.27%、3.32%, 说明GA优化RBF神经网络能提高RBF方法的交通量预测精度; 与GA-RBF方法相比, 2组试验NPCA-GA-RBF方法的平均相对误差分别降低了1.91%、1.05%, 其交通量预测值更接近实际交通量, 预测结果更为可靠, 表明非线性主成分分析法消除了指标的相关性, 进一步提高了交通量预测精度, 减少了交通量预测复杂度。可见, NPCA-GA-RBF方法具有更高的交通量预测精度, 能为高速公路的良好管理提供可靠的决策依据, 满足高速公路合理运营管理的客观需求。      

基于突变强度的交通事件自动检测算法

为设计1 种检测率高的快速路交通事件自动检测(Automatic Incident Detection， AID)算法，基于突变强度理论，分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征，得出事件时段，交通参数突变强度值较大. 本文以三参数突变强度乘积为事件评价指数设计了1 种快速路AID 算法. 新算法与3 种AID 算法对比得出：新算法检测率高 (100.00%)，误检率低(5.75%)；与横向时间序列相比，纵向时间序列数据稳定性更好；参数数量的增加可提高检测率. 新算法适用于各种流量，在低峰检测率为100.00%，误检率为0，检测效果最佳；高峰时段保持100.00%高检测率，误检率为5.66%，误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.     

基于突变强度的交通事件自动检测算法

为设计1 种检测率高的快速路交通事件自动检测(Automatic Incident Detection， AID)算法，基于突变强度理论，分析交通事件下流量、速度、占有率突变强度在纵向时间序列的变化特征，得出事件时段，交通参数突变强度值较大. 本文以三参数突变强度乘积为事件评价指数设计了1 种快速路AID 算法. 新算法与3 种AID 算法对比得出：新算法检测率高 (100.00%)，误检率低(5.75%)；与横向时间序列相比，纵向时间序列数据稳定性更好；参数数量的增加可提高检测率. 新算法适用于各种流量，在低峰检测率为100.00%，误检率为0，检测效果最佳；高峰时段保持100.00%高检测率，误检率为5.66%，误检事件多发生在上下班早晚高峰和午休3个交通流量变化较大的时段.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

���л�·��ͨ��ʵʱ����Ԥ��ʵ��ģ��

基于BP神经网络和RBF神经网络构建了城市环路交通流动态实时预测模型，并对北京市三环路的实测交通流数据进行了预测分析。实证结果表明，该模型具有较高的精确度，算法的动态实时性也满足实际预测系统的要求，具有较好的实用性。