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。     

面向动态交通流的高速公路事故风险模型空间移植研究

本文旨在探究不同尺度数据集对高速公路实时事故风险建模的影响，并实现不同数据特征路段间事故风险模型的空间移植。首先，提取不同特征路段检测器信息，以动态交通流匹配事故数据构建多尺度数据集：高精度数据集、小样本数据集、低精度数据集以及同尺度条件下(同为高精度大样本量)的空间差异数据集；进而，通过贝叶斯Logistic回归量化不同样本量对事故风险模型预测性能的影响；分别采用统计学和机器学习手段建模分析高精度和低精度数据集；最后，基于贝叶斯更新方法建立实时事故风险移植模型，对高速公路实时事故风险预测模型进行空间移植，并验证其可靠性。结果显示：贝叶斯Logistic回归的性能随着样本量增大而有所提升；高精度数据条件下，贝叶斯Logistic回归和RF-SVM(Random Forest-Support Vector Machine)模型的AUC(Area Under Curve)值比低精度条件下分别高出0.092和0.037；在不同数据精度的空间移植中，贝叶斯更新方法可令低精度路段模型的AUC值从0.645提至0.714，在相同数据尺度的空间移植中，该方法可将被更新路段模型的AUC值从0.737提...     

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.     

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.     

基于生成对抗网络的交通流参数实时估计模型

为有效调控道路网时空资源，需实时估计交通流参数。若要准确估计交通流参数，应详细考虑道路网交通流时空特征。本文基于生成对抗网络，提出一种能捕捉交通流时空特征的实时估计模型，即TSTGAN模型。该模型包括生成器和判别器两部分，生成器利用门控卷积神经网络 捕捉交通流的动态空间特征，使用基于注意力机制的长短期记忆神经网络分析交通流的动态时间特征；采用门控卷积神经网络与长短期记忆神经网络构建判别器；通过对抗方式训练生成对抗网络的生成器与判别器，实时获得交通流参数估计值。使用中国山东省淄博市12个卡口设备和美国加州洛杉矶市23个线圈检测器获得的交通流量数据，验证TSTGAN模型的可靠性。结果表 明，TSTGAN模型引入的时空模块能有效提取交通流的时空特征，所得均方根误差和平均绝对误差比现有模型分别降低2.12%~42.41%和1.66%~40.49%，证明所提TSTGAN模型可以提高交通 流参数的估计精度。     

基于多维数据的高速公路服务水平实时判别方法

随着高速公路的不断发展,交通信息逐渐呈现多元化,而将这些信息进行整合并对高速公路服务水平进行实时判别,对于后期的交通控制管理及实时高效提供道路信息至关重要.本文考虑了时间、天气、出行日期等多因素的影响,选用车速、密度作为高速公路服务水平评价指标,结合最小二乘支持向量机与聚类分析相关算法,提出了一种基于多维数据的高速公路服务水平实时判别模型,以实现对高速公路服务水平的参数预测及实时判别.选用河北省237 360组训练样本数据和6 048组预测样本数据验证了该模型的有效性.结果显示,该模型获得了较高的判别精度和较好的预测效果,是一种有效的高速公路服务水平实时判别方法.     

基于混沌时间序列的道路断面短时交通流预测模型

为了提高道路断面短时交通流预测的精确性,本文对道路断面的短时交通流数据进行混沌时间序列分析,并对多维交通流时间序列数据进行了相空间重构,建立基于混沌时间序列分析的道路断面短时交通流预测模型,利用粒子群优化算法优化模型的参数选择．最后应用本文的方法对城市快速路采集的断面交通流数据进行分析,对道路断面短时交通流建立预测模型并验证其有效性．     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.     

考虑天气影响的高速公路交织区交通运行状态识别

为精准识别不利天气下高速公路交织区的交通运行状态，在传统交通流指标上引入天气因素，建立改进的k-prototypes交通运行状态划分方法。本方法通过分析在不同等级的降雨、能见度、风速下交通流特性的变化特征，确定天气对交通流状态的影响；利用随机森林模型选择交织区各车道交通流运行状态的影响变量；为提高模型精度，引入信息熵衡量k-prototype算法的相异性，并提出聚类效果评价指标衡量状态的有效性。结果表明：考虑天气及交通流特征的高速公路交织区各车道运行状态划分为7类最佳，分别对应《道路通行能力手册》中的各级服务水平。在恶劣天气影响下，交织区各车道服务水平均下降明显，车道1、3平均下降4个等级，车道2、4平均下降3个等级；在中度天气影响下，各车道下降2～3个服务水平。在同一服务等级下车道1、3车流运行最小速度下降范围在11.2～17.4 km·h^-1，而车道2、4在21.2～27.4 km·h^-1。研究成果可为恶劣天气影响下更精细化的交通管理以及提高高速公路交织区服务水平提供理论基础。     

基于Optima的实时在线交通流预测方法研究

目前城市道路交通流预测主要是基于物理模型、数理统计特性并融合部分智能预测算法来实现的,而对于一些影响预测效果的重要交通因素,诸如FIFO原则、交通信号控制方案等在现有的预测方法因无法很好地引入和描述而忽略.本文提出了一种基于Optima系统实现的实时在线交通预测方法,通过建立路网模型、需求模型及初始OD矩阵获取路网实时状况,并通过构建关联数据库实现实时路网模型信息、交通信号控制信息的有效对接,依据TRE算法预测路段进出口的累积流量并结合模型分配值、历史数据实现实时在线交通预测.以北京市望京区域为例进行仿真验证,通过误差分析,获得了较为理想的预测效果,验证了该预测方案的有效性.     

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.     

基于元胞传输模型的雨天高速公路可变限速方法

可变限速控制可减小降雨导致的高速公路交通拥堵和事故风险.提出雨天高 速公路可变限速控制策略,对经典的元胞传输模型进行改进,构建适用于雨天可变限速 控制问题的高速公路动态交通流模型;在综合考虑交通安全和效率基础上,建立雨天环 境下高速公路可变限速控制方法和模型.实验结果表明,与固定限速相比,雨天可变限速 控制下高速公路平均速度增加了9.3%,车辆总行驶时间减少了11.7%,相邻路段最大车 速差从17.5 km/h 减小为9.4 km/h,降幅达46.3%,有效地提高雨天环境下高速公路通行效 率和安全性.     

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。     

基于地面路网MFD 的快速路出口匝道流量分配模型

过于集中的流量分配易导致出口匝道和与之相衔接的地面道路过饱和,进而影响快速路和地面路网的通行效率.为提高路网中车辆通过快速路到达目的地的通行效率,基于地面路网宏观基本图（Macroscopic Fundamental Diagram,MFD）,以出口匝道通行能力和与之相衔接的地面路网承载能力为约束条件,以整个路网的车辆总行程时间最短为优化目标,建立快速路出口匝道流量分配模型.根据宏观网络车流平衡方程,采用改进的遗传算法对模型进行求解.最后,通过实际路网验证了模型的有效性.结果表明,该模型可有效提高车辆通过快速路到达目的地的通行效率,同时降低出行成本.     

基于统计与假设检验的高速公路交通事故数据分布特性

为了研究高速公路基本路段上交通事故数据的分布特征, 将事故数、伤亡事故数、事故死亡人数与事故受伤人数归类为离散型事故数据, 将事故间隔时间与平均每年每公里事故数归类为连续型事故数据; 对于离散型事故数据, 采用均匀划分法、动态聚类法与滑动窗法划分高速公路统计区段, 运用泊松分布、负二项分布、零堆积泊松分布与零堆积负二项分布对事故数据进行拟合; 对于连续型事故数据, 以收费区间为路段划分标准, 用正态分布、负指数分布进行事故数据拟合; 运用皮尔逊卡方值对各种拟合结果进行拟合优度检验。研究结果表明: 在各种区段上, 事故数均服从负二项分布, 有些情况下会同时服从负二项分布与泊松分布, 伤亡事故数与事故死亡人数主要服从零堆积泊松分布或零堆积负二项分布, 拟合优度检验中的概率均大于0.05;平均每年每公里的事故数比较符合正态分布, 而事故间隔时间则主要服从负指数分布, 拟合优度检验中的概率也均大于0.05;交通事故数据的统计分布特征是建立事故预测模型与事故多发点鉴别的前提条件之一, 而事故间隔时间可作为安全可靠度的度量指标。      

���л�·��ͨ��ʵʱ����Ԥ��ʵ��ģ��

基于BP神经网络和RBF神经网络构建了城市环路交通流动态实时预测模型，并对北京市三环路的实测交通流数据进行了预测分析。实证结果表明，该模型具有较高的精确度，算法的动态实时性也满足实际预测系统的要求，具有较好的实用性。