基于随机重复爬山法的交通状态预测

合理构造影响交通状态网络结构,是实现交通状态预测的前提条件.为克服爬 山法易陷入局部最优的缺陷,提出一种基于随机重复爬山法的交通状态预测方法.对随机 生成的有向无环图迭代运行爬山法得到多网络结构;通过有向边置信度的定义和置信度 阈值的计算,确定了最优贝叶斯网络结构中节点和有向边选取准则;利用最优贝叶斯网 络结构,实现了畅通、平稳、拥挤和阻塞等4 种交通状态的预测并综合评价.分析结果表 明,该方法仅选取时段、节假日等两变量时,对交通状态预测总体准确率超过85%,能够 为高速公路运行状态监测预警和决策分析提供有效方法和数据支撑.     

基于机场子区划分的机场网络交通拥挤传播预测

为了预测机场进离场交通的拥挤态势,本文从机场网络的角度进行研究.首先针对交通拥挤形成的动态过程,建立了基于出入流率的交通拥挤的定义及其度量;接着,引入多维标度法对机场之间的交通相关性进行定量分析,划分机场子区,以降低网络分析的复杂度及解空间维数;然后,构建了基于Elman神经网络实现机场子区内多个相关机场的交通拥挤传播预测方法;最后,基于美国机场的实际航班数据对机场网络拥挤传播预测方法进行验证.验证结果表明,预测结果的平均绝对百分比误差和平均绝对偏差较小,明显优于对比算法.     

基于3GS技术的高速公路交通监控系统研究

基于3GS（GPS，GIS，GPRS）技术提出了一种具有高速公路全线交通监控系统的设计方案，对该系统的功能、物理框架和逻辑框架进行了设计。重点分析了基于3GS的交通信息采集技术、基于人工智能的交通信息处理技术、交通拥挤判别与交通事件检测技术以及交通控制与诱导技术等交通状态监控的关键技术。研究表明：以3GS技术为手段，可以实时、准确、全面、直观地采集、传输与显示全路网的交通运行状况信息，能够实现快速、准确地判定交通拥挤和交通事件的发生以及交通拥挤类型、拥挤状态和拥挤排队长度，能够对拥挤条件下的交通流实行有效地控制与诱导。     

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.     

基于模型预测的城市快速路匝道流量协调控制

为保证城市快速路处于最大通行能力状态,提出了城市快速路交通流量的一种非线性模型预测方法,在此基础上,对快速路各入口匝道流量进行协调控制.以城市快速路某一拥挤路段为例进行了仿真研究,结果表明,该方法不仅能够有效地消除交通拥挤,维持主线车流稳定,而且匝道调节率平稳,同时该控制方法能保证各入口匝道交通需求的公平性.     

交通拥挤状态模糊识别方法的设计与应用

交通状态是交通控制、交通诱导等管理措施的基础．在分析交通流运行特性的基础上,提出了交通流状态的拥挤和消散变化过程,并得出交通量和占有率对交通状态变化的敏感特性．建立了以交通量和占有率为输入量的交通状态模糊识别方法,并利用某路段环形线圈检测器的实测数据进行了仿真实验,实验的识别结果与实际交通状态相当吻合,可见该方法具有良好的实用性．     

考虑上游交叉口信号设计的排队长度计算

排队长度是拥挤道路或短距离交叉口交通设计或信号控制重点考虑的交通评价指标之一.针对传统排队长度计算仅考虑单个交叉口交通运行参数的不足,构建了综合考虑上下游交叉口交通运行参数的排队长度计算模型.该模型以交通波理论为基础,综合考虑了上下游交叉口的信号设计、转向流量、路段长度,以及相位差等因素,通过各相位最大排队长度状态点的时空演化计算,得到了交叉口最大排队长度计算方法.经VISSIM和SYNCHRO等交通软件的对比分析表明,模型具有较高的计算精度,可定量分析上下游交叉口各交通要素对排队长度的影响,适用于关联交叉口的交通设计优化或拥挤路段的实时信号控制.     

城市交通拥挤发生的一般规律

交通技术发展越来越先进，可是交通拥挤问题也越来越严峻，本文从交通拥挤概念入手，通过对交通拥挤演变过程的研究，揭示我国城市交通拥挤发生发展的一般规律，从而得出从社会范畴的角度来思考交通拥挤缓解的对策。     

基于需求不确定性的机场拥挤风险预测模型与方法

为了获得机场交通需求的概率分布及其变化规律,量化机场交通需求预测的不确定性,从需求不确定性角度分析了航空器进离港时刻对机场交通需求预测的影响,基于多个时段交通需求相互转化的不确定性,建立了多时段机场进离港交通需求概率分布模型.在此基础上,将进离港交通需求与进离港容量曲线相匹配,建立了机场拥挤风险预测模型,给出了具体求解过程与方法.亚特兰大机场实际航班运行数据的验证结果表明,机场概率需求预测值比确定型需求预测值更接近实际进离港交通需求值;与确定型拥塞预测方法的准确度60.0%相比,本文模型将拥挤预测提高到80%;用旧金山机场实际航班数据验证了本文方法的有效性,准确性达到87.5%,为机场拥挤管理提供了依据.      

���ڻ������۶Ա�������·���ж�ʱ��ͨ����Ԥ����о�

随着机动车保有量的增加,交通拥堵变成迫切需要解决的问题. 道路交通流预测可以使交通管理部门提前制订相关政策,面对即将出现的交通问题提前采取管控措施,从而可以在一定程度上缓解交通压力. 道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础. 本文在对交通系统具有耗散系统特性分析的基础上,认为交通状态中存在混沌. 本文运用混沌与分形理论恢复交通流量序列的动力学系统,并用多元局域预测法对时间序列进行预测,并实地采集数据运用模型进行分析校验. 通过分析不同时间间隔的时间序列的评价指标,比较得出此法在2至5分钟内有较高的预测精度.     

基于混沌理论对北京二环路进行短时交通流量预测的研究

随着机动车保有量的增加,交通拥堵变成迫切需要解决的问题. 道路交通流预测可以使交通管理部门提前制订相关政策,面对即将出现的交通问题提前采取管控措施,从而可以在一定程度上缓解交通压力. 道路交通流预测预报是智能交通系统关键技术之一,短时预测是交通控制、车辆导航的技术基础. 本文在对交通系统具有耗散系统特性分析的基础上,认为交通状态中存在混沌. 本文运用混沌与分形理论恢复交通流量序列的动力学系统,并用多元局域预测法对时间序列进行预测,并实地采集数据运用模型进行分析校验. 通过分析不同时间间隔的时间序列的评价指标,比较得出此法在2至5分钟内有较高的预测精度.     

车路协同系统仿真信息多分辨率交互方法

车路协同系统仿真研究对于交通系统的发展具有重要的意义.为了研究车路协 同系统的仿真关键技术并构建车路协同系统仿真平台,本文提出信息多分辨率交互方法 解决基于HLA的系统仿真过程中的网络拥塞问题,建立了高分辨率车辆行驶状态信息模 型、中分辨率车队状态信息模型、低分辨率交通流信息模型,运用聚合解聚法实现不同信 息分辨率间的仿真过程,采用模糊预测发送缓冲区信息排队长度方法确定多分辨率模型 间的聚合解聚时机.通过仿真管理器联邦成员的运行结果分析表明,该方法能够有效减少 系统属性吞吐量,从而较好控制网络拥塞,降低系统属性延时,提高仿真效率.     

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.     

基于道路交通状态的随机用户平衡

运用随机用户平衡配流的基本思想和交通流理论，提出了道路交通状态的概念，以便讨论交通拥挤情况下的交通量分配问题．将道路交通状态定义为行程时间和道路拥挤度的线性加权和．假定在路网随机变化的情况下，出行者以行程时间和道路拥挤度最低为路径选择准则，建立了基于道路交通状态的随机用户平衡配流模型，并证明了模型的等价性和唯一性，给出了该模型的连续平均求解算法．一个小型网络的数值计算结果表明，该模型能反映出行者在随机路网中的路径选择行为．     

Research and Analysis on Causality and Spatial-Temporal Evolution of Urban Traffic Congestions—A Case Study on Shenzhen of China

Traffic congestion is a widely existed social economy problem in metropolitans, which brings huge cost to many cities and urban areas. The direct reasons for traffic congestion are the rapid increasing number of automobiles, and comparable insufficient of transportation facilities, however different cities and regions may have their particular characteristics. This paper investigated the inherent principles of spatial-temporal evolution of traffic congestion based on Shenzhen floating car data (FCD) and geo-simulation platform. GIS technologies were used to match the congestion state along the road network, so that the evolution pattern of congestions could be analyzed. Moreover, a correlation algorithm was proposed to measure the similarity of congestion patterns among different links quantitatively, which assists to analyze and disclosure the principles of congestion evolution, and thus to provide guidelines for congestion mitigation. The algorithm can be implementated to integrate the surveilance of traffic congestion with urban planning and management, so as to improve the efficiency of entire transportation system.     

城市交通拥挤成因及时空演化规律分析 ——以深圳市为例

交通拥挤不仅是当今许多大城市日益严重的社会问题,同时也给国家和城市造成巨大的经济损失.引发拥挤的直接原因是机动车辆保有量的迅速增加和交通设施/服务的相对落后,但对于不同的城市和地区,其深层原因存在差异.本文定位于研究宏观路网交通拥挤内在成因和演化规律,采用地理建模的仿真平台,使用地理信息系统（GIS）技术将FCD数据与深圳市地图匹配,得到城市路网不同时间点的拥挤状态,定性分析区域内交通拥挤的成因.另外,研究针对路段拥挤的相似程度,提出相关性算法进行定量分析,揭示交通拥挤的时空演变规律,为及时采取预防和疏导措施提供指导.该算法可编程实现,对交通拥挤进行统一管理与控制,提高整个交通系统的效率.     

交通运输信息融合功能模型

综述一般信息融合功能模型和交通运输信息融合应用的进展,指出这两个方面的联系和差异.针对交通运输应用的信息本质和功能特性,提出交通运输信息融合的一般定义,并建立了交通运输信息融合功能模型.模型对信源引入机器信息与认知信息的划分,提出了分属机器信息和认知信息两个层次的采集校验融合、状态特征融合、预测评估融合、规划设计融合和综合决策融合五级信息融合功能,提供了五级融合功能的三种应用模式,实现了不同交通运输应用功能与信息操作功能的衔接,与一般多传感器数据融合功能模型具有统一性.论文还以交通拥挤管理问题为例,给出了相应的信息融合功能模型.     

基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.