基于模糊理论的智能指数平滑行程时间预测算法

在指数平滑算法的基础上,结合模糊理论提出了一种基于模糊理论的智能指数平滑行程时间预测算法。该算法依据指数平滑法的预测误差构造模糊控制器来自适应控制平滑系数,从而自适应修正下一时期的预测值,提高行程时间的预测精度和智能化水平。最后通过实验验证了该算法的可行性、有效性。     

�����г�ʱ��ɿ��Եij����Ż�����

行程时间的不确定性是影响货运车队路径选择的一个重要因素，特别是对于要求货物准时送达的配送任务（例如商品混凝土的配送），提出了在车辆调度中考虑由拥挤路段交通流量波动引起的行程时间不确定性的方法，建立了考虑行程时间可靠性要求的车辆优化调度数学模型，给出了相应的启发式算法，通过算例介绍了该模型和算法的应用。结果表明配送总成本随行程时间可靠性要求的提高而增加。     

基于改进遗传卡尔曼算法的短时路段行程时间估计

为进一步提高城市道路行程时间短时预测的准确性,利用城市浮动车全球定位系统(global positioning system,GPS)数据,提出基于遗传算法(genetic algorithm,GA)优化的卡尔曼滤波(kalman filtering,KF)模型估计短时道路行程时间的方法。利用高斯滤波器对异常数据进行有效剔除,基于城市道路地理信息系统(geographic information system,GIS)数据提出道路地图匹配算法,利用卡尔曼滤波器预测匹配道路的行程时间,并通过遗传算法优化卡尔曼滤波的误差参数。实际算例表明:预测路段的行程时间误差均小于0.5 min,基于GA优化的KF算法能有效提高路段行程时间估计的精度。根据预测行程时间对上海市外环路各个路段不同时间的拥堵情况进行预测识别,预测结果有助于交通管理部门及时掌握城市道路运行状态信息。     

城市道路拥堵程度评判方法研究

对城市道路拥堵程度进行科学的评判可以为人们的出行和交管部门的决策提供指导.采用平均行程速度和交通饱和度这两个交通流参数作为道路拥堵程度的评判指标,首先设计了获取平均行程速度和交通饱和度的方法,然后应用模糊算法对评判指标和拥堵程度进行量化,建立了相应的隶属度函数与模糊判断规则体系,设计了城市道路拥堵程度的评判方法,最后结合实例进行分析.     

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。     

基于GERT网络的应急救援关键路段识别

为了及时识别出突发事件下城市道路的关键路段,以构建最短应急救援路径,本文提出了一套完整流程.首先,针对路网在应急条件下的贫信息环境特征,设计一种基于模糊综合评判的行程时间估算方法.然后,考虑救援人员的应急心理和经验选择行为,构建面向广义阻抗的GERT(Graph Evaluation and Review Technique)网络模型.最后,运用Dijkstra算法获得救援路径完成关键路段识别.以成都市某区域实际交通网络为算例进行验证,结果表明:基于2种模糊算子估算路段行程速度,其绝对误差为2.722 km/h,精度较高;与传统关键路段识别方法相比,GERT网络模型能更好地反映行程时间和路段拥挤度对路径选择行为的影响(拟合度80.95%),并将重要度识别技术从路网降低到路径层面,效果良好.     

���ڶ����ѧϰ�������ԵĶ�ʱ��ͨ��Ԥ��

交通流量预测是当前交通大数据应用的重要议题之一.经典的交通流量预测方法通常只根据被预测道路自身的数据进行分析和决策,而往往较少考虑由于同一区域不同道路之间的交通流量关联性.本研究根据城市核心区交通流量数据的特点,构建同区域内多条相关道路的交通流量多维度数据模型.并且,基于该数据模型提出了一种基于多机器学习竞争策略的交通流量预报算法.该算法的主要核心思想是利用时间序列聚类的方式将多维交通流量数据进行降维,然后通过引入多种多机器学习方法进行并发训练,其训练结果通过竞争获得最优分类器群.最后设计了多最优机器学习集成预测方法进行交通流量预测.本模型通过在南昌市中心道路进行的实验显示,其预测结果优于传统单时间序列机器学习方法.     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

阻塞流状态下城市快速路交通流时空特性

根据时间序列中的自相关函数法,判断交通流量、时间占有率与平均速度的时间序列的平稳性。根据混沌分析中的G-P算法,将非平稳的交通流参数时间序列转化为平稳的交通流参数时间序列。引入了互相关系数的概念,在阻塞流状态下,计算了上游断面对观测断面以及观测断面对下游断面的互相关系数,并应用K-S检验判断阻塞流状态下城市快速路进出口匝道的车辆到达特性。研究结果表明:交通流量和时间占有率属于非平稳时间序列,平均速度属于平稳时间序列;当时间延迟分别取2、3、5min时,在阻塞流状态下,重构的交通流量相空间嵌入维数为4;观测断面的交通流参数不仅受相邻上游断面交通流参数传递的影响,而且也受相邻下游断面交通流参数回溯的影响;在阻塞流状态下,城市快速路进出口匝道车辆到达特性符合负二项分布。     

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%.     

不同交通方式的道路利用效率测度方法

道路交通拥堵问题的根本原因之一是交通量与道路面积之间的矛盾,而如何从微观角度定量测度不同交通方式的道路利用效率,尚没有成熟、公认的方法。围绕不同道路交通方式的客运周转量与运输过程占用的道路面积之间的关系,提出一种定量分析不同交通方式道路利用效率的测度方法。该方法反映了不同交通方式的载客量、运输距离、运输速度、运输过程的占路面积和占路时间等要素对道路交通的影响和作用机理。基于天津市区GPS车辆行驶数据,以小汽车、"步行+公交"出行方式为例,具体阐述该测度方法的应用。结果显示,完成同样运输量,小汽车道路占用面积是公共汽车的7倍。     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。     

城市道路车辆分类及折算系数研究

城市道路上交通构成复杂,对交通流进行研究时希望能够有一个统一的标准来计量道路上行驶的车辆。车辆折算系数是指将混合车流中的各种车型转化成标准车的当量值,是道路规划与设计中的重要指标之一。由于该系数在不同地点和时间的交通流状况下不尽相同,就需要一种调查简单而结果又合理的计算方法。从定义各类型车辆所占用的动态空间瞬时车道占有率入手,提出了以车辆瞬时占用车道长度与速度的比值为参数,基于模糊动态聚类对车辆进行分类的方法。并利用该方法对城市主干路上的交通调查数据进行了计算,将车辆进行合理的分类,并根据最佳分类的聚类中心值给出了城市道路上的车辆折算系数,最后分析了城市道路上各种车辆折算系数的特点。     

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.     

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

城市快速路网行程时间计算与最优路径选择算法

为提高城市快速路网的整体功能和运行效益,利用实时动态交通数据,根据动态交通因素对路段通行时间的影响,将城市快速路网划分为非拥塞和拥塞两种情况,基于安全停车距离和剩余通行能力,分别计算了两种情况的路段通行时间,提出了以行程时间最短为目标的城市快速路网行程时间计算与最优路径选择算法.将该算法应用于西安城市快速路网进行案例分析,结果表明:该算法的最优路径计算结果与实际相符,误差在15%以内;最优路径的距离约为最短路径的1.84倍.      

城市快速路区间旅行时间短期预测新算法

城市道路交通状况的预测,是实现未来路况查询、车辆动态导航等智能交通系统技术的关键。该文在分析浮动车数据的时间相关性的基础上,研究城市快速路的区间旅行时间短期预测算法。首先,采用统计方法和K-NN分类法相结合的新方法对缺失数据进行填充,并利用小波变换对每天的数据进行消噪处理;其次,在分别利用时间序列模型和人工神经网络模型对城市快速路区间旅行时间进行短期预测的基础上,通过模型组合获得预测值;最后,结合北京市区二环的一段快速路区间旅行时间的历史数据和实时数据,对该文所提出的快速路区间旅行时间短期预测算法进行了评价。结果显示,该算法的预测结果的平均绝对误差百分比控制在10.43%以内,具有良好的精度。     

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GPS浮动车的高速公路路线诱导方法研究

随着我国高速公路建设的快速发展,高速公路路线诱导可以显著提高高速公路的通行能力。根据现代智能交通运输系统的实际需求．研究基于GPS浮动车数据的采集系统,并构建基于BP神经网络算法的旅行时间预测模型,可为驾驶者提供实时的路线诱导,同时有助于驾驶员避开拥塞和提高出行质量。