基于蒙特卡罗模拟的交通状态辨识

提出了一种基于蒙特卡罗模拟的利用交通流参数实现交通状态辨识的方法.采 用 FANNY 算法实现了四种交通状态的聚类分析;利用蒙特卡罗模拟方法建立了 SVC 交 通状态辨识模型;分别构建了固定窗口模型和滑动窗口模型对交通状态进行辨识并综合 评价.分析结果表明：该方法能够对实时交通流参数进行准确辨识,尤其是构建的滑动窗 口模型,对交通状态辨识平均精度、召回率和 F 度量分别为 97.98%、94.64%和 96.21%.本方 法可为分析高速公路交通状态演化规律和发展趋势,建立预测预警、应急处置和信息发 布等应急运行机制提供科学方法和数据支撑.     

基于梯度推进决策树的日维度交通指数预测模型

城市交通运行监测和预测是掌握交通运行变化特点,制定缓解交通拥堵策略的重要工作,其结果能为公众提供有效的路况信息,亦为政策措施的制定和效果评估提供重要支撑.有别于传统的短时交通预测,本文提出的预测模型不是针对相邻时段的运行状态预测,而是更长跨度上,针对日级别高峰时段交通运行状态的预测.构建了包含时间周期、特殊天气、节假日、限行、大型活动等因素的多维度影响因素集;以长期历史交通指数构建数据训练集,提出了基于梯度推进决策树的日维度路网状况预测模型.应用最优模型进行验证,结果表明,模型预测精度可达 90%以上,与其他 4种回归模型的对比分析也显示,本文所提出的模型在各项评分中均表现最优,说明其更适合于大样本、多因素的回归分析.本文所提出的日维度预测模型对提升城市路网运行质量、缓解交通拥堵具有重要的应用价值.     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

基于均衡原理的交通需求结构分析方法研究

道路网络上的交通流状态是交通需求结构和道路网络结构二者共同作用的结果,交通需求结构与道路网络结构一体化研究是实现交通需求系统管理的基础。鉴于此,运用均衡原理建立交通需求结构与道路网络结构二者的耦合关系模型,提出基于交通网络与交通需求二重均衡协调的交通需求结构分析模式,可为交通需求系统化管理提供理论依据和方法。     

基于马尔可夫链模型的交通拥挤状态预测

交通拥挤严重影响了道路交通的安全性和运行效率,如何对交通拥挤状态进行判别,并预测下一时刻交通状态的变化趋势,是提高交通管理水平的一个关键.利用马尔可夫链建立了交通状态预测模型,实例表明该模型对短期交通状态预测具有良好的适用性.     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法,同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集,融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度,吸引强度和产吸差强度3个指标作为模型输入,训练得到基于区域内出行特征双通道的卷积神经网络模型,采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象,结果表明,本文算法能够同时推断交通小区内居住、工作和休闲用地特征,并获得各用地类型在小区内占比分布.     

基于最大熵模型的城市快速路交通状态预测方法研究

道路交通状态预测是交通流诱导和交通信息发布系统的重要依据. 本文提出了一种基于最大熵模型的城市快速路交通状态预测方法,该方法通过提取影响交通状态的时间、空间等各种特征,运用最大熵模型训练得到各特征权重,直接预测道路交通状态等级. 最大熵模型能够有效融合时间、空间等多种特征,并且不需要考虑各特征之间的相关性,具有很强的适应性. 实验结果表明,基于最大熵模型直接预测交通状态等级同样具有较高的准确性. 最大熵模型的成功使用,也证实了将交通状态预测作为一种模式分类问题来解决的可行性,进一步扩展了交通状态预测的思路.     

基于出行特征的用地类型推断方法研究

提出一种基于卷积神经网络推测城市交通小区内用地特征的算法，同时对交通小区内多种用地类型进行预测.选用公共交通出行数据集和网约车出行数据集，融合多种出行方式的出行特征对交通小区内用地特征刻画.提取交通小区内发生强度，吸引强度和产吸差强度3个指标作为模型输入，训练得到基于区域内出行特征双通道的卷积神经网络模型，采用网格寻优方法确定最优网络结构.选取北京市六环内交通小区作为研究对象，结果表明，本文算法能够同时推断交通小区内居住、工作和休闲用地特征，并获得各用地类型在小区内占比分布.     

基于FOA优化贝叶斯网络的高速公路机电故障预测研究

利用果蝇优化算法的快速搜索能力和全局最优能力,结合贝叶斯网络的结构特点,运用果蝇优化算法优化贝叶斯网络结构,提出一种基于果蝇优化算法优化贝叶斯网络的高速公路机电设备故障预测研究。     

基于大数据的城市尾号限行方案设计与评估研究

为提升城市尾号限行方案设计与评估决策水平,制定了统一规范的设计流程,将出行目的分为基家工作、基家上学、基家购物、基家其他、非基家出行等5类,建立了交通方式划分模型;基于层次分析法以路网运行车速、拥堵里程、改善路段数量、节点改善数量、流量均衡、实施难度等6项指标,建立路网运行评价模型,实现了各评价指标的量化分析.依托重庆主城区交通大数据,以重庆为案例进行了实例验证,结果表明：重庆交管部门根据评估最优方案进行了实施,桥梁限行实施后,实际运行车速和拥堵里程分别为23.8 km/h,171 km;模型预测相对误差分别为2.9%,5.2%;预测精度较高,达到了实际应用要求,可为其他城市尾号限行提供一定借鉴.     

Learning Bayesian Networks from Data by Particle Swarm Optimization

Introduction Bayesian networks are a graphical representa-tion of a multivariate joint probability distributionthat exploits the dependency structure of distribu-tions. Bayesian networks are directed acyclicgraphs(DAG), where the nodes are random vari-abl…     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于贝叶斯网络多方法组合的短时交通流量预测

贝叶斯网络是处理不确定信息和进行概率推理的有力工具,针对短时交通流量预测的难题,提出一种基于贝叶斯网络的多方法组合预测模型. 首先建立几种基本预测模型并对交通流量进行预测,然后将预测的结果和实际结果按一定步长进行离散处理,把离散后的结果用贝叶斯网络进行学习,更新贝叶斯网络参数,通过联合推理求得各个基本预测模型预测结果组合下可能组合预测值的后验概率,把后验概率最大所对应的值作为预测值. 通过对实际道路交通流量的预测表明,本文提出的贝叶斯网络多方法组合预测模型的预测结果精度优于单一的预测模型,从而论证了本文提出的贝叶斯网络多方法组合预测模型具有一定的实用性.     

����Ȧ������ٶȹ��Ƶı�Ҷ˹����ģ��

实时精确的车流速度对于交通管理系统来说是至关重要的. 然而,最普遍的单线圈检测器却不能输出速度参数. 本文提出了一种新的单线圈检测器速度估计的贝叶斯网络方法. 在分析流量及时间占有率与速度之间的因果关系基础上,通过单线圈检测输出采样间隔内的流量和时间占用率数据,建立了速度估计的贝叶斯网络模型,采用高斯混合分布函数和EM算法进行模型表达及参数训练. 通过北京快速路实地数据对算法进行了验证,结果表明算法不同采样间隔、不同车道及不同交通状态下均具有较强的鲁棒性,与传统算法相比平均绝对误差减少2 km／h左右. 这一方法可以应用于交通管理系统速度的估计.     

单线圈检测器速度估计的贝叶斯网络模型

实时精确的车流速度对于交通管理系统来说是至关重要的. 然而,最普遍的单线圈检测器却不能输出速度参数. 本文提出了一种新的单线圈检测器速度估计的贝叶斯网络方法. 在分析流量及时间占有率与速度之间的因果关系基础上,通过单线圈检测输出采样间隔内的流量和时间占用率数据,建立了速度估计的贝叶斯网络模型,采用高斯混合分布函数和EM算法进行模型表达及参数训练. 通过北京快速路实地数据对算法进行了验证,结果表明算法不同采样间隔、不同车道及不同交通状态下均具有较强的鲁棒性,与传统算法相比平均绝对误差减少2 km／h左右. 这一方法可以应用于交通管理系统速度的估计.     

���ڶ�̬�滮�ij��н�ͨ��Ԥ�������

城市交通系统是一个复杂的大系统,针对交通流的不确定性,本文基于动态规划思想提出了交通流预测与分配的方法。考虑路段容量对交通分配的影响,建立了路网流量预测和分配模型。为了保持并充分利用传统网络模型的性质和特征,引入惩罚函数,将容量约束条件转换到目标函数中,使模型符合传统均衡网络流结构。将凸规划法作为一个子过程植入惩罚函数,得到模型的求解算法。控制策略上采取预测控制、反馈校正和滚动优化的方式。最后,通过算例分析,进一步阐述模型和算法的应用,验证算法的有效性。为交通流预测和分配提供一定的参考。     

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。     

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

铁路客流量预测分析与研究

铁路客流量预测与分析对铁路部门采取有效的应对措施具有十分重要的意义,分别应用基本的神经网络和遗传算法优化BP神经网络对客流量进行了预测,建立铁路客流量网络预测模型.分别利用以前客流量的数据对2011年和2012年的客流量做了预测验证,并对2013年的客流量做了预测,结果表明利用遗传算法优化BP神经网络得到的预测数据和实际的基本相符,该预测算法应用到客流量的预测中效果良好,具有很好的应用和推广的前景.     

基于时空自相关的道路交通状态聚类方法

城市道路交通状态的识别对交通管理部门进行交通管理控制、出行诱导,以及 道路设施改造具有重要意义.本文运用时空Moran 散点图探索城市道路交通的时空关联 性,并据此构建一种基于时空自相关预分类的道路交通状态层次聚类方法.运用本文所提 出的聚类算法,以北京市二环快速路外环方向的路段为例,进行聚类研究,并分析了各类 型路段的交通状态时空特性.案例研究表明,所提出聚类算法能对道路交通状态进行有效 判断,充分反映交通需求与路网结构之间的内在匹配关系.特别是畅通异质和拥堵异质两 种交通状态的提出,为识别高峰时段路网中的瓶颈路段和能力富余路段提供了一种新的 思路和方法,进而可为完善路网、缓解拥堵及制定交通管理措施提供依据.