����OLAM�ĸ��ٹ�·��ͨ����άԤ���о�

OLAM是联机分析处理与数据挖掘的有机结合,本文以高速公路收费数据为基础,提出一种基于OLAM实现高速公路交通量多维预测的方法.该方法构建了多维数据雪花模型,建立起收费数据的数据仓库并得到交通量多维统计结果;在构建季节ARIMA预测模型过程中,检测出因节假日、恶劣天气导致的交通量异常值并对模型进行修正;最后利用修正后的模型实现了交通量的预测.与一般季节ARIMA模型相比,修正后模型的白噪声方差和AIC值显著降低,数据拟合程度明显提高.实验结果表明,该方法具有较高的预测精度,其中MAE和MAPE分别为50.43和1.59%,能够满足高速公路管理部门利用收费数据分析、预测交通量时空变化趋势的要求,从而为制定各项政策提供理论依据和决策参考.     

ETCϵͳ���շ�վ����ˮƽ��Ӱ���о�

ETC技术的广泛使用有效提高了人工收费效率,缓解了收费站车流拥堵状况,本文对ETC系统优化配置方案进行了研究.根据收费站设计规范和实地调研成果,对高速公路收费站系统构件进行了形式化描述,结合系统各个构件中车辆的行为特征、车辆及收费通道的分类特征,建立了一种适用于高速公路ETC收费站系统的元胞自动机交通流模型.考虑到ETC收费站车流拥堵特性,提出了ETC收费站服务水平的概念及相关计算方法,设计以ETC使用率、ETC车道数量及交通流量为参数的仿真方案,选取封闭式4车道收费站进行仿真分析,基于仿真结果提出了ETC使用率分别为30%、60%和90%时ETC车道数的配置建议,为收费站管理人员合理利用ETC系统提供了理论依据.     

����PEMS�������շ�վβ���ŷ�ģ�ͷ���

利用车载尾气排放检测系统（PEMS）对捷达轻型车在高速公路人工收费（MTC）和电子收费（ETC）两种方式下的大量尾气排放数据进行了收集和比较。分析结果表明ETC能降低所有污染物的排放,但NOx的降幅却远低于HC和CO的降幅。应用车辆比功率（VSP）模型方法进行了深入的排放预测研究,研究发现[-2, 2]是收费站尾气排放预测的重要VSP区间。对[-2, 2]进行VSP区间细分后,排放预测的准确度得到了提高。对车辆速度、VSP、NOx累积排放的全面分析解释了NOx降幅低于其他污染物的原因。最后对利用排队长度的排放预测模型进行了研究,发现该模型不适用于MTC方式下的NOx排放预测。     

���ڶ�άʱ�����е�ETC ��ʱ��ͨ����Ԥ��ģ��

ETC短时交通流量预测是高速公路ETC管理的基础,准确的交通流量预测为交通枢纽管理方案设计与ETC车道的建设规划等提供指导.目前关于短时交通流量的研究很多,但多数是以数学表达式的形式进行模型表示,很难进行准确的趋势描述.本文基于多维时间序列的ETC短时交通流量预测模型,考虑了法定节假日、高速公路免费和天气等外界因素对ETC交通流量的影响,并结合某地尾号限行的特殊性,考虑"周几"因素,以某高速公路ETC车道交通流量数据为基础,进行预测.预测结果显示,该模型预测结果总体平均绝对相对误差为8.10%,表明该模型具有较强的实用性.     

浅析高速公路ETC出口计重收费系统

ETC(全称:Electronic Toll Collection,电子不停车收费系统)出口计重收费主要是针对长途货运车辆按重量不停车进行收费。文中探讨了高速公路ETC出口计重收费系统的设计,并在"设计原则与功能需求、计重设备的选择、车道设备的布局、计重数据序列和ETC出口车道车辆数据序列的匹配及异常处理"等主要环节进行了设计和详细说明,对目前市场上研究较多的计重设备前置式ETC和计重设备后置式ETC的设计方案进行了对比分析,去寻找最佳的解决方案,并展望了高速公路ETC出口计重收费系统的未来与实现。     

������Ƶ�����ĸ��ٹ�·��ͣ���շ�ϵͳ

首先简要介绍了高速公路收费系统的现状，提出了建立高速公路不停车电子收费系统(ETC)的必要性.接着介绍了作为一种先进的自动识别技术的射频识别(RFID)技术的发展、原理、以及应用情况.最后，结合高速公路收费现状，作者初步提出了将基于射频识别技术的不停车收费系统应用于高速公路收费中的方法，用以解决高速公路的自动收费问题.     

浅谈高速公路不停车收费系统(ETC) 车辆逃费方式分析及治理对策

随着RFID(Radio Frequency IDentification)和电子收费技术的成熟,国内多个省市先后启动高速公路不停车收费(以下简称ETC)和非现金支付系统,起到了提高高速公路通行能力,降低收费站收费压力的作用。但部分车辆利用系统管理漏洞偷递通行费,扰乱了正常的收费秩序。本文根据工作中ETC车道管理实际,归纳总结出几种车辆逃费方式,提出建议和治理对策。     

联网收费ETC防逃费技术研究

近年来,在我国高速公路交通量不断增加的情况下,联网收费ETC系统受到社会的高度重视。其在高速公路收费站中的广泛应用,有效解决了高速公路车辆收费舞弊问题,实现了半自动化的联网收费模式。但是联网收费ETC系统欺诈行为的出现,导致车辆逃费现象频繁发生。鉴于此,对该欺诈行为进行简单的分析,并提出相应的处理措施。     

AES数据加密算法在高速公路不停车收费系统中的应用研究

解决目前现有高速公路收费项目中缺陷问题最有效的方式为应用不停车电子收费系统(ETC)。车辆和收费站间的无线数据通讯可利用ETC的自动识别车辆技术实现,完成相关数据交换,依靠计算机网络处理收费数据,可有效实现全电子自动收费管理。采用AES数据加密算法能够保护不停车收费系统中的数据信息安全,确保计算机系统的安全运行。     

高速公路电子不停车收费系统中计重收费的应用

公路电子不停车收费系统(ETC)是目前世界上最先进的车辆收费方式.其最显著的特点是可以实现不停车收费,方便用户通行,加快放行速度和提高收费效率,减少目前高速公路存在严重的拥堵现象.ETC将会成为未来高速公路主要的收费方式,而实现载重车辆电子不停车收费系统势在必行.     

高速公路ETC客户细分方法研究

应用大数据技术,提出一种基于车辆通行特征的ETC客户细分方法.构建了ETC客户细分指标体系并利用ETC收费数据提取了最近消费间隔、年通行频次和年消费金额等细分指标;为克服大数据聚类的失效问题,结合CLARA算法完成了ETC客户全样本数据聚类分析;建立了ETC客户细分决策树并提取出细分规则,最终实现了ETC客户星级评定.分析结果表明,本文提出的ETC客户细分方法能够解析各类客户通行特征、当前价值和增值潜能,可为高速公路运营管理单位探索ETC客户精准营销和分级费率优惠提供创新思路,同时可为进一步提高ETC客户规模和支付比例、提升ETC管理决策水平提供理论支持.     

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.     

基于存储论的高速公路通行卡库存管理研究

为了提高高速公路通行卡的流转效率,提出了一种基于存储论的高速公路通行卡库存管理模型。利用高速公路复合通行卡CPC历史流转数据,基于自回归移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA),对CPC卡需求量及流转量进行预测。该模型结合存储论的方法与思想,提出库存管理周期以及最大库存、预警值及最佳订购/调拨量等相关参数,实现了库存管理的动态调整。最后进行实例分析,得出基于存储论的库存管理模型对通行卡需求量与流转量的预测误差分别为7.4%和11.5%,表明该模型预测精度较高且能够根据通行卡流转情况动态调整各相关变量,减少了收费站库存成本,提高了通行卡使用效率以及高速公路服务水平。     

自适应过滤法在水上交通事故预测中的应用

水上交通事故预测对于提高海上安全管理和预防事故的发生有重要的作用.为提高水上交通事故预测的准确性,构建了自适应过滤模型.以2011—2017年我国水上交通事故数据为基础,对2018年水上交通事故进行预测,并与一次指数平滑法、灰色GM(1,1)预测法预测结果进行对比验证.通过比较发现,自适应过滤法的相对误差较小、预测精度更高,本次预测相对误差率仅为1.68%.研究结果表明,自适应过滤法具有较好的自适应性,对于数据点较少的情况具有更高的预测精度.     

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.     

基于粒子群优化小波神经网络的行程时间预测

为使道路使用者在出发前获得具有高实时性和可靠性的行程时间预测信息，提高出行效率，需提升高速公路行程时间的预测精度。鉴于此，将生物学中粒子群优化算法（Particle Swarm Optimization Algorithm, PSO）引入小波神经网络（Wavelet Neural Network, WNN）中，构建基于粒子群优化小波神经网络（Particle Swarm Optimization Wavelet Neural Network, PSO-WNN）的高速公路行程时间预测模型。首先将高速公路原始收费数据规整化，截取其中有效字段，获取研究路段一个月的行程时间数据并对其进行数据处理。然后分别基于PSO-WNN模型和WNN模型，利用Matlab进行实验。实验结果显示，PSO-WNN模型预测结果的平均绝对误差、平均相对误差和均方误差较WNN模型分别降低了83.36%, 82.20%和98.15%。PSO-WNN行程时间预测模型不仅预测精度高，而且能较准确地预测出行程时间的走向及波动情况，在收敛速度方面也呈现出一定的优势，具有较好的适应能力。     

提高联网高速公路路径射频识别系统可靠性方法探析

利用标识站信息漏读漏写模型分析整个识别系统中可能出现的错误情况,提出硬件和软件解决方案.研究表明,利用数据分析查询和超时表等关键技术,可以有效提高联网高速公路路径射频识别系统的稳定性.     

灰色马尔可夫模型在交通事故预测中的应用

采用传统灰色GM(1,1)模型预测道路交通事故这类随机性、波动性较大的数据,存在拟合较差、精度不足等问题。运用马尔可夫模型对预测结果进行优化,并建立灰色马尔可夫预测模型。将该模型应用于1998~2007年全国道路交通事故数据来预测2008年事故次数,结果表明采用该模型预测精度达到96.9%,明显优于单独使用GM(1,1)模型的预测结果。     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.