信号交叉口集聚车辆的跟驰行为分析与建模

为了更好地模拟城市信号交叉口集聚车辆的跟驰行为,进而应用于城市信号交叉口信号配时和交通流理论研究,采用一种基于视频的交通流数据采集方法来采集信号交叉口的微观交通行为数据.运用灰色关联分析方法对采集到的微观交通数据进行分析,挖掘出其中的有用信息,从而寻求能够最大程度反映信号交叉口集聚车辆跟驰行为的影响变量.构建城市信号交叉口车辆集聚过程中的跟驰模型并进行参数标定、效果验证和比较分析.研究表明,新提出的跟驰模型能够很好地拟合信号交叉口集聚车辆的跟驰行为实测数据,其拟合性和稳定性优于重新标定后的扩展GM模型.     

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

一种基于检测器数据的交叉口交通运行特性研究方法

为了发现交叉口各进口交通流量变化的细微差异,实现交叉口交通运行特性中潜在属性的挖掘,基于道路检测器数据,结合谱聚类算法和快速独立成分分析(Fast Independent Component Analysis,简称Fast ICA)算法,提出了一种研究不同时间长度(1小时、1天、1周)各进口交通运行特性的方法。以交叉口各进口道路检测器数据为研究对象,利用常规的数据处理方法得到短时交通运行特性,然后通过谱聚类算法挖掘出观测当天对向交通运行特性,采用Fast ICA算法获得较长时间内各进口交通运行特性。最后,依据南昌市某交叉口数据进行了计算。结果表明,该交叉口西进口交通运行情况受不稳定交通流的影响,南、北进口交通流处于相对稳定的状态,东进口交通运行状态是整个交叉口交通运行状态的主要影响因素。基于此,上述方法的可行性得到了验证。     

基于改进的隐马尔可夫模型交通拥堵识别研究

为准确高效地追踪识别城市区域交通路况信息,提供合理的交通出行策略,针对原始的隐马尔可夫模型(hidden markov model,HMM)初始状态参数难以选择且训练过程极易陷入局部最优解的问题,提出了一种改进的隐马尔可夫模型的交通拥堵态势识别机制,有效地拟合了城市道路相邻交叉口交通拥堵状况.将粒子群优化(particle swarm optimization,PSO)算法引入到隐马尔可夫模型的训练中,结合Baum-Welch算法分别对该模型的状态数等参数进行优化,最后根据Viterbi算法聚类出城市道路交叉口最佳拥堵状态序列.根据采集的真实交通流和GPS数据、车辆延误时间特征数据进行实验,其结果表明,改进的隐马尔可夫模型在道路交通拥堵识别的准确率和稳定性上有明显提升.     

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.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

�����е�·�źŽ�������г������˵���Ϊ�о�

对北京市信号交叉口的自行车和行人在混合交通流中的微观行为进行研究分析。研究中使用视频采集技术和数据分析技术来收集和分析自行车和行人在交叉口的行为。论文的主要研究结果是信号交叉口字自行车和行人的各种微观行为特征和基础行为模型， 这些结果有助于理解信号交叉口混合交通流的行为，并为城市混合交通流的微观交通模拟模型提供基础数据和理论依据。     

动态交通数据故障识别与修复方法

为提高交通模型输入信息的可靠性,通过对交通传感器采集到的动态交通数据的故障进行识别,并根据不同的故障种类采取补充、还原或修正等方法对数据进行修复。分析结果表明,动态交通数据的故障识别与修复方法是可行的,尤其是对数据的补充处理,可以很好地解决因为数据丢失而给后续处理带来的困难。     

GM（1，1）灰色模型与土工离心试验联合推算路堤沉降

以灰色系统理论为基础,将高路堤沉降过程看成一个灰色系统,建立适合高路堤沉降预测的GM(1,1)沉降预估模型及其残差模型,将某高速公路的已知观测数据代入GM(1,1)模型,推算该观测点的最终沉降。同时,在室内进行土工离心模型试验,将试验结果与灰色模型得到的预测结果进行对比分析,表明预测精度良好。     

Traffic Flow Data Recovery Algorithm Based on Gray Residual GM(1, N) Model

Because of the basic data support and continuous motive force for the intelligent transportation systems (ITS), the quality of the raw traffic data detected from traffic sensors directly affect the follow-up benefits of the entire system. In view of the widespread failure problems of collected traffic data, the paper takes the traffic flow data of intersection detector as the research object. A traffic flow data recovery algorithm based gray residual GM(1, N) model is proposed to effectively improve the quality of traffic flow data. First, the grey relational analysis is conducted on the traffic flow of four links at an intersection. Then a grey model GM(1, N) is developed for the estimated recovery of failure data. The residual modification is used to improve the accuracy of the repaired data. The results indicate that the proposed traffic flow data recovery algorithm is feasible. It is able to solve the post-processing difficulties due to data failure and it serves as a good method for failure data recovery in other areas as well.     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP)，有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢，容易陷入局部极值的问题，提出一种自适应递减的收敛因子，使灰狼算法区分全局搜索和局部搜索；改进灰狼个体的位置更新公式，引入惯性权重，调节惯性权重大小使灰狼算法具有跳出局部极值的能力；对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型，结果显示，TGWO-BP的短时交通流预测模型误差为10.03%，达到较好的预测精度.     

基于社会力的信号交叉口施工区交通流建模

由于施工区的存在,城市道路信号交叉口通行能力下降,车流运行混乱.本文为 了从微观层面研究信号交叉口施工区交通流运行特性,以初始社会力模型为基础,首次提 出一种新的适用于交叉口交通流的社会力模型;通过对影响岛式施工区通行能力的因素 进行分析,设计出一套数据采集方案;利用实测数据并结合遗传算法对提出的模型进行标 定,使用统计学指标对标定结果展开评价.结果表明,提出的新模型仿真得到的交通量与 实测值平均绝对相对误差仅为0.028,能为信号交叉口施工区交通流模拟提供参考.     

基于行车安全场模型的交叉口车辆控制算法

为了提高网联环境无信号交叉口自动驾驶车辆的行车安全与通行效率问题,首先,建立无信号交叉口的行车安全场模型,构建包括车辆动力性能、制动性能以及通行交叉口所有车辆行车风险的目标函数,并设定相应的约束条件;然后,采用模型预测控制方法优化驶向交叉口车辆的行车策略;最后,基于VISSIM、MATLAB和NS3构建联合仿真试验平台,分别以车辆碰撞冲突类型、行车风险改善和道路拥堵程度验证并分析算法性能. 试验结果表明:在车流量和流量容积比大于1.0时,相比于传统的感应控制系统,本文提出的算法在延误时间、行程时间、冲突数目和通行能力的收益率分别大于90%、10%、10%和5%;在通信延迟低于100 ms,数据丢包在35%内,仍能够保证交叉口内车辆的通行效率.      

基于GM(1,1)模型的道路交通事故预测

道路交通事故的发生虽具有偶然性,但也可利用预测理论的方法加以预测。在分析道路交通安全系统灰色属性的基础上,提出将道路交通事故作为道路交通安全系统行为特征量处理,运用灰色理论和方法来进行道路交通事故预测,在此基础上,建立了道路交通事故的GM(1,1)灰色预测模型,并通过实例验证了预测模型的适用性。     

基于交通流生存函数的交叉口通行能力计算模型

针对基本通行能力不能全面反映道路交通状况的缺点, 提出了城市道路随机化通行能力概念; 依据评价体系定义交通中断与持续中断, 量化了城市道路交通拥堵程度; 研究了现有通行能力估计方法, 利用乘积限与寿命分布列构造并估计了交通流分布函数; 结合交叉口各入口交通流数据特性改进传统连续交通流参数模型, 提出了基于交通流生存函数的交叉口通行能力计算模型; 将该模型估计结果与道路通行能力手册HCM2010中的模型估计结果和交叉口实测流量进行误差对比。分析结果表明: 生存函数模型计算出的中断、持续中断交叉口通行能力与HCM2010中的模型计算结果误差均值分别为0.162 1与0.116 4, 方差分别为0.029 0与0.015 2, 两者误差波动均较小; 提出的计算模型结果与实测较大流量相对误差分别为9.720%、3.822%和4.936%、4.779%, 统计意义下提出的计算模型相对误差为5.871%, 估计效果稳健; 城市道路交通中断次数、可接受中断概率、交通流、速度与道路通行能力之间存在生存函数乘积限对应关系, 研究交叉口的通行能力为7 632 pcu·h-1, 提出的计算模型估计结果更具有可靠性。可见, 提出的计算模型适用性较好, 特别在不同拥堵程度的城市道路交通区域, 通过可接受中断概率估计通行能力, 可为城市道路交通组织与管理部门提供优化目标、科学决策和易于接受的理论依据。      

灰色新息GM（n,h）建模中的递推算法

在数据采样中,GM（n,h)模型是基于不断进入系统,并对系统造成影响的扰动因素所建立的灰微分方程。文章主要讨论灰色新息GM（n,h)模型的递推算法及其在实际应用中的意义。     

客运量预测模糊时间序列和灰色模型的比较

基于模糊集理论在模糊时间序列分析的基础上分别建立铁路、公路及民航客运量模糊时间序列模型,并与基于灰色理论的GM(1,1),修正GM(1,1)和Markvo三个模型进行标杆对比,结果表明:模糊时间序列模型能有效提高Markvo模型的预测效果;模型的外推预测能力比Markvo模型强;模糊时间序列模型和灰色模型相比,传统ARIMA时间序列模型及人工神经网络模型具有不需要大量历史时间序列样本的特点.