多智能体技术在交通系统协调控制中的应用

多智能体在交通控制系统中的应用逐渐成为交通控制领域的一个研究热点．应用多智能体技术,建立交通系统控制模型逐步得到交通工程相关研究者的重视．在分析交通系统协调控制模型和多智能体技术在交通系统协调控制中的应用现状的基础上,提出了建立基于多智能体技术的交通系统协调控制模型应注意的问题和发展趋势,以期能为相关研究提供一种新的思路．     

综合智能交通系统分析

从未来世界的三大流,即人流、物流和数据流的角度出发,提出了综合智能交通系统的 概念.综合智能交通系统进一步可分为城市智能交通系统和区域智能交通系统两个子系统.换 言之,一个国家或一个地区的综合智能交通系统是由若干个城市智能交通系统和区域智能交通 系统构成的.文章描述了两个子系统的基本构成.     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段，精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性，提出基于图卷积网络(Graph Convolution Network，GCN)的大规模城市路网短时交通流预测模型，具有较高的预测精度、预测效率和现实解释意义；采用真实大规模城市路网浮动车数据对GCN模型进行测试，结果表明，GCN模型相对于现有模型，在预测性能上有较大提升.     

智能交通系统在新加坡的应用与发展

新加坡国土狭小,却以其健全发达的交通路网和前瞻性的交通规划管理,为高密度的人流与车辆提供着优质的服务。其中,富有成效地开发和运用智能交通系统,是新加坡在城市交通发展规划和实践中引人注目的一环。本将着眼于智能交通系统在新加坡应用与发展的现状,着重介绍其智能交通系统构架中各项交通技术的相关概念及其功效。希望智能交通系统在新加坡的成功经验能为中国大陆现代化城市发展和交通建设提供有益的参考。     

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。     

基于协整理论的短时交通流组合预测研究

交通流短时预测是智能交通系统中的一个重点问题,预测效果的好坏直接关系到控制和诱导的结果,是实现先进交通管理信息系统的关键技术之一. 本文简要介绍了协整和误差修正模型的概念,利用序列的协整性来进行交通流组合预测模型的有效性验证,并利用误差修正模型提高组合预测模型的稳定性. 我们利用北京市二环路上采集到的交通流数据进行了模型的验证. 研究结果表明,基于协整理论的交通流组合预测模型可以取得很好的预测效果.     

基于物联网的新一代智能交通

智能交通的概念已被社会所接受,并得到广泛的应用。与此同时,智能交通系统所存在的问题也日益显现,物联网的出现为智能交通的发展提供一条新道路。首先介绍物联网的概念、原理和结构;随后分析物联网对交通运输行业的影响,并重点阐述物联网与智能交通之间的联系,探讨基于物联网的新一代智能交通系统的体系结构;最后,展望基于物联网智能交通的应用前景。     

智能网联交通系统多层次映射关系建模

目前,学者在智能网联交通领域的研究主要集中于宏观的技术进展综述和微观某一特定问题分析,但对智能网联交通系统各组成元素之间相互影响作用关系的数学分析尚有欠缺.首先,将智能网联交通系统分为三层,分析智能网联交通中各子系统间的动态影响作用关系,以及子系统状态波动在横向和纵向上的影响,提出智能网联交通系统稳定性影响评价指标体系;其次,根据模型的协同联动思想,提出基于车速推荐思想的智能网联交叉口人、车、路、管控协同联动流程;最后,通过仿真模拟T型交叉口的人、车通行对该模型进行验证.结果表明,模型能很好地适应并说明智能网联交通系统在协同联动作用下提高交通流的顺畅性和稳定性.     

智能交通系统的发展现状及标准化进程

智能交通系统在近二，三十年来得到了迅猛的发展，据美国有关机构对智能交通系统效益所作的评估，智能交通系统可以极大地提高交通系统的安全性，可靠性及运行效率智能交通系统已成为二十一世纪交通发展的必然，具有巨大的发展空间和市场潜力。世界各发达国家纷纷对智能交通系统的研究和开发投入了大量的人力，物力和财务。美，日等发达国家已经制定了各自的国家智能交通系统系统架构，并开始用于指导智能交通系统的设计实施。我们通过本文介绍我们在国内，外智能交通系统领域的工作体验及对国外智能交通系统国家标准的了解，以便为中国智能交通系统系统架构的建立工作提供借鉴。     

大数据及其在城市智能交通系统中的应用综述

大数据给城市智能交通系统的技术发展与应用革新带来了机遇和挑战.从交通大数据的基本概念、交通大数据带来的问题和大数据驱动的数学建模方法等方面,阐述了交通大数据给智能交通系统带来的变革.为了深入理解交通大数据的内涵,分析交通大数据的产生背景,提出了交通大数据的“6V”特征,总结了智能交通系统中大数据的基本类型.面对交通大数据带来的数据安全、网络通信、计算效率和数据存储等诸多问题,提出了应对策略和思路.对数据驱动的建模方法进行了分析,说明了混合模型的意义.最后,讨论了大数据驱动的智能交通系统的体系框架.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

小流量下短时交通量预测最佳窗口长度与时间间隔

探讨了小流量情况下，路段短时交通量预测中的可变时间间隔及预测窗口长度对预测精度的影响，分析了不同间隔序列在反映交通流特性方面的差别和最适合的预测窗口长度，并建立神经网络模型对预测效果进行了定量比较，得到序列用于预测的最佳窗口长度和一组最优时间间隔，有助于预测算法的改进和预测精度的提高。     

短时交通流预测方法研究进展

实时准确高效的交通流预测是实现交通流诱导和交通控制的关键技术之一,近年来它在智能运输领域受到广泛关注。本文首先介绍了短时交通流的属性和预测要求,接着将现有预测方法分成4类：基于线性理论的方法、基于非线性理论的方法、基于混合理论的方法和基于交通流理论的方法,并且总结评述了现有各种预测模型的优缺点,之后探讨了当今短时交通流预测领域的研究热点,最后指出了其未来研究方向．     

信息融合技术在交通流量预测中的应用

交通流量预测是智能运输系统的一个重要组成内容，但传统的数学方法一直未能取得令人满意的预测效果。信息融合技术是最近十多年来新兴的技术。它通过合理协调多源数据，充分综合有用信息，在较短的时间内，以较小的代价获得对未来交通流量的预测。实验证明，借助信息融合理论建立的聚类分析模型和神经网络模型对未来交通流量的预测比较准确，有实际意义。     

灰色代数曲线模型在交通量预测中的应用

灰色GM模型对于非线性系统问题的处理显得较为薄弱,而交通系统是一种复杂的非线性灰色系统,用灰色GM模型进行预测,精度必然得不到保证。本文为解决这一缺陷,提出采用灰色代数曲线模型预测交通量。实例分析表明,灰色代数曲线模型的拟合精度好于灰色GM模型,用灰色代数曲线模型预测交通量是可行的。     

城市交通异常事件管理系统体系结构分析

城市交通异常事件管理系统是智能交通系统的重要组成部分,对其进行研究具有十分重要的理论和实用意义,该体系的建立对于城市公交信息中心的应急指挥系统建设也具有重要的参考意义。本文利用结构化的方法开发了城市交通异常事件管理系统的需求模型,为系统的实现提供了理论基础和设计依据。     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流，缓解高速公路交通拥堵现象，本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵，并利用滑动窗口模型获得输入样本的最佳长度；然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征，随后输出预测结果；最后，将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好，工作日的高速公路交通流预测精度远高于节假日，本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1，说明考虑多种因素可以提升高速公路交通流预测精度。