基于遗传算法优化BP神经网络的交通流预测

为了使传统的BP神经网络算法能够适用于中时交通流预测,提出一种基于遗传算法优化深层BP神经网络算法。将传统遗传算法优化的BP神经网络进行了优化和调整,分别在不同的隐含层数量、输入节点数量以及隐含层节点数量的条件下进行多次实验,从预测精度和运算效率两个方面综合考虑得到了针对中时交通流预测的最优神经网络结构。以此结构通过MATLAB R2016b进行仿真实验,精度指标采用平均相对误差(Mean Relative Error, MRE),准确率及均等系数(Equality Coefficient, EC)进行综合判断。结果表明,在30 min内,交通流预测的MRE低于3%,准确率和EC则分别高于95%和0.98,而预测延长至60 min内时,MRE仍然能够保持在低于7%的水平,准确率和EC则分别保持在80%和0.95以上。     

基于Apriori算法的城市关键路段识别

为提高城市交通精细化管理,方便居民出行,采集车辆出行过程中的射频识别(RFID)数据,利用大数据算法实现城市路网中关键路段的识别,提出了一种基于Apriori 算法的城市关键路段识别方法。该方法通过计算支持度,计算出1 d 内城市道路的频繁程度以确定城市路网中的关键路段。本文对判定城市路网中的关键路段提供了新思路,为制定关键路段交通拥堵管理措施、引导部分交通流出行路径或通行权提供了重要依据。并对关键路段的交通流来源进行分析,回溯每条关键路段交通流的产生源头,进而指导城市交通规划和基础设施建设。     

考虑ASD和LCR的高速公路多车道交通流元胞自动机模型

采用多车道元胞自动机模型,分析了考虑平均速度差(Average Speed Difference,ASD)和车道变换规则(Lane Changing Rules,LCR)的高速公路基本路段交通流特性。通过计算机仿真模拟,分别给出了不同车速离散度和车道变换规则条件下的微观交通流量、速度和密度的关系。研究结果表明:车速离散状况越明显,交通流整体速度下降越严重,极限状态下车速离散度使交通流整体速度下降了163%;选用鲁莽型换道规则可使高速公路基本路段的交通流密度下降18%,平均速度提升29%;提出的改进元胞自动机模型通过仿真模拟交通流,可对改善道路的通行能力、提高道路资源的利用效率提出参考依据。     

随机时变特征下基于行程时间的路径选择算法

基于南京市实测数据分析了道路交通流实际随机、时变特征,证实现有行程时间最短路径算法相关研究中对道路交通流的随机、时变特征的假设与实际不符.以反例论证道路交通流实际随机、时变特征下,自适应算法(Adaptive Routing Policy)在求解行程时间最短路径方面的无效性.针对交通模式时段内道路交通流随机、时间无关的特征,以及路段行程过程中行程时间的确切概率分布难以知晓的实际情况,提出基于历史概率分布的历史期望行程时间最短k路径基础上的考虑风险衡量及当前道路实际交通流状况的路径选择算法.     

融合卡尔曼滤波的高速公路状态估计误差界限分析

为分析高速公路交通流检测数据质量,本文构建平方流量误差界(Squared Flow Error Bound, SFEB)和扩展卡尔曼滤波(Extended Kalman Filter, EKF)的决策级融合模型SFEB-EKF,在检测器空间覆盖不足情况下,计算检测路段和无检测器路段的交通状态估计误差界限。与SFEB 算法相比,融合模型利用EKF交通状态估计模型估计全路段交通状态,基于得到的估计样本计算全路段交通状态估计误差下界。同时,采用最近邻法(Nearest Neighbor Method, NNM)计算全路段交通状态估计误差上界。应用开源高速公路数据集测试模型,结果表明,与需要输入真实样本的SFEB算法相比,融合模型SFEB-EKF在缺少真实样本情况下,能取得相似的结果且误差保持 在5%以内,不同检测器覆盖率实验下模型表现出良好的稳定性。本文模型通过给出无检测器路段交通状态估计界限,为高速公路交通检测器布设方案提供参考。     

一种拥挤数量调节的非均衡网络交通流动态演化模型（英文）

基于经济学非瓦尔拉斯均衡理论, 采用经济学中市场摸索过程模拟出行者路径选择行为; 假设城市出行者在路径决策过程中, 考虑路径出行时间和关键路径拥挤程度的共同影响, 以价格拥挤混合均衡交通流模式为基础, 建立了一种价格-拥挤混合调节的非均衡网络交通流动态演化模型, 并验证了模型稳定状态与均衡的等价性; 基于简单的测试网络和中型路网, 对演化模型进行了模拟, 描述了非均衡网络交通流的演化过程与非均衡状态下交通网络的整体表现。研究结果表明: 时间价格调节模型的演化结果符合经典的Wardrop第一原理, 拥挤数量调节的结果使得OD间各路径上关键路段的拥挤程度一致, 价格-拥挤混合调节的结果会使路径流在走行费用较小和拥挤程度较低的路径上相互进行调整, 其动态演化过程波动性要大于单一调节的情况; 在测试路网中, 考虑采用拥挤程度对路径进行选择的行为, 使得整个路网拥挤均匀程度整体提高62%, 但路段饱和度均值却从0.60增大到了0.64, 表明路网整体上变得拥挤; 若考虑两者的共同调节, 最拥堵路段饱和度从0.936下降到0.787, 均匀程度整体提高46%, 且路段饱和度均值降低, 路径行程时间变小, 拥堵得到改善; 中型路网的测试结果也表明这种混合均衡模式能灵活、客观地描述路网交通流动态演化过程, 获得较为合理的路网系统的稳态流量。      

基于行程时间影响的关键路段识别与查找

从路段实际功能出发，提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想，以真实数据构造10万条随机路径验证该方法的可行性，并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照，利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量，结合基础属性建立二项Logit模型，从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类，其结果对关键路段识别模型的性能有提升效用；行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性，虽然其个数与路段关键性无明显关系，但其与常见波动程度指标相关性小，可保留用于描述行程时间波动常发性和聚集性.     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性，提高交通流参数估计精度，基于深度学习提出一种交通流参数估计的组合方法。根据目标断面及其上游断面的交通流数据构造输入矩阵，利用卷积神经网络捕捉交通流的空间特性，使用长短期记忆和门控循环神经网络挖掘交通流的时间特性，组合3 种深度学习方法所得输出，得到交通流参数估计值。采用中国安徽省合肥市和美国加州萨克拉门托的交通流数据进行验证。结果表明：新方法的性能优于已有各种方法，使估计误差降低 5.72%~33.29%；新组合方法具有较高的准确性和可靠性，能为智能交通系统运营与管理提供高质量的基础数据。     

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.     

One-Way Traffic Organization Based on Traffic Load and Road Equity

To improve the utilization of branch roads and alleviate traffic congestions on arterial roads, the optimization approach of one-way traffic organization is proposed from the view of traffic load and road equity. The bi-level programming model is established with the objectives of the portion that road saturation exceeds anticipant saturation and vehicle detour index. The upper model is to obtain the minimum value of objectives by optimizing one-way traffic, and the lower one adopts the equilibrium model to distribute traffic flow. Then, the simulated annealing algorithm is designed to solve the bi-level model. At each iteration step, one of the branch road sections with high load is selected for lane reversal. The numerical result shows that one-way traffic organization can reduce the over-saturation portion of road section, however, with the increase of detour index proportion, the potential of reduced degree decreases gradually.     

���ڵ�·�����빫ƽ�Եĵ���ͨ��֯�Ż�

为了提高支路的利用率以缓解城市主干道的拥堵,本文从道路负荷与公平性的角度出发,确定单向交通组织优化方法. 建立了以路段饱和度超限量和车辆绕行系数最小化为目标的双层规划模型,其中上层模型通过优化支路的单向方案以使目标值最小,下层模型按照用户均衡分配准则进行配流. 进而设计了求解模型的模拟退火算法,在算法每一步迭代时,从当前达到一定拥堵程度的支路路段集中选择其一调整单向组织方案. 算例结果表明,单向交通组织可以降低路段饱和度超限量,缓解干道路段的拥堵,但随着绕行系数比重的增大,路段饱和度超限量的优化能力逐渐减弱.     

基于道路负荷与公平性的单向交通组织优化

为了提高支路的利用率以缓解城市主干道的拥堵,本文从道路负荷与公平性的角度出发,确定单向交通组织优化方法. 建立了以路段饱和度超限量和车辆绕行系数最小化为目标的双层规划模型,其中上层模型通过优化支路的单向方案以使目标值最小,下层模型按照用户均衡分配准则进行配流. 进而设计了求解模型的模拟退火算法,在算法每一步迭代时,从当前达到一定拥堵程度的支路路段集中选择其一调整单向组织方案. 算例结果表明,单向交通组织可以降低路段饱和度超限量,缓解干道路段的拥堵,但随着绕行系数比重的增大,路段饱和度超限量的优化能力逐渐减弱.     

开放街区条件下的微循环道路网络设计

适当合理开放城市街区内部道路,利用街区内部高密度的支路网络充当主路分流的交通毛细血管,打开交通微循环,可以达到减少城市交通盲点,缓解局部交通拥堵的目的.以街区内部所有道路为可选道路集,路段饱和度超限量最小化和 OD车流绕行距离最小为优化目标,建立街区内部交通微循环网络优化双层规划模型.利用遗传算法求解得到最优的支路改造路段集合与区域内微循环路网的组织方式.通过算例对比分析,与封闭街区相比,开放街区部分支路组织微循环,可以实现最小化改造成本和最大化通行效率的目标,明显减小周边干道交通流饱和程度及车辆绕行距离.     

随机用户均衡交通分配问题的蚁群优化算法

研究了出行者对路网熟悉程度的指标与交通流分配均衡性之间的关系, 提出了具有指数形式信息素更新策略的随机用户均衡模型蚁群优化算法, 建立了从Logit模型加载, 到交通需求确认及路径流量、路段流量、路段阻抗、路径阻抗迭代计算的交通分配动态循环流程; 计算了Nguyen-Dupuis路网模型中各路段的流量与阻抗, 并与连续平均算法计算结果进行比较; 通过调节出行者对路网熟悉程度的因子, 分析了蚁群优化算法与连续平均算法的敏感性。研究结果表明: 采用连续平均算法和蚁群优化算法计算的路段流量分布分别为20~280、40~260pcu, 蚁群优化算法的流量分布区间减小了15.4%, 路段流量的最大值减小了7.1%, 因此, 采用蚁群优化算法计算的路段流量较为均衡; 采用蚁群优化算法时, 在Nguyen-Dupuis路网模型中各路段流量的标准差从65pcu降至48pcu, 88%可选路径的阻抗分布在61~64, 且84%的路径阻抗低于采用连续平均算法计算的阻抗, 因此, 采用蚁群优化算法减少了用户出行时间; 当路网熟悉程度分别为0.01、0.1、1、2、7、11时, 采用连续平均算法计算的路段流量标准差分别为75、65、50、47、45、45pcu, 采用蚁群优化算法计算的路段流量标准差分别为48、48、48、47、43、43pcu, 可见, 随着路网熟悉程度的增大, 分配在各路段上的流量范围逐渐减小, 标准差趋于稳定, 信息素更新策略对出行者的路径选择概率影响越明显, 出行者选择阻抗小的路径的概率变大, 因此, 采用蚁群优化算法对路段的流量分配逐渐优于连续平均算法。      

基于短时交通流预测的广域动态交通路径诱导方法

为提升车辆通行效率，以预测型诱导策略为基础，以排队长度作为交通诱导的约束条件，利用小波神经网络短时交通量预测预知路段堵死事件发生路段，通过广域诱导时空边界条件对事件路段进行节点分级和诱导周期长度界定，进而建立广域诱导模型；对事件区域路网进行分区，进一步确定该模型诱导起点位置，引入基于路径尺度的Logit 路径选择模型作为诱导路径选择方法，通过流量迭代分配方法实现路网负载均衡. 通过实例验证，该诱导方法能有效地缓解道路交通拥堵，提高路网通行效率.     

Logit�����������ģ�͵ĸĽ�Dial�㷨

研究Logit随机网络配流模型及实现模型求解的Dial算法,针对原模型及算法的缺陷,通过引入路段长度相关的容错系数指标重新定义有效路径的判定条件,在此基础上提出一种改进的Dial算法,并应用于Logit随机网络配流模型中.改进算法在不降低原算法精度下不仅保留了原算法的无需路径枚举、计算效率高等优越性,而且满足实际出行者偏好在较短路段上“迂回”选择潜在有效路段的特点.最后通过一个路网实例对2种算法的配流结果进行了对比.结果表明,改进的算法避免了原算法缺陷导致的结果异常,配流效果更加符合实际,其计算效果明显优于原算法.     

面向城市交通网络的 K 最短路径集合算法

在城市交通网络中,为了优化交通流,需要搜索到符合出行需求 K 最短路径,并 将 OD（Origin-Destination）交通流合理分配到这些路径上.本文主要对搜索符合出行需 求的 K 最短路径搜索算法进行了研究,解决了已有算法仅能搜索出单条满足最短及 K 最 短条件路径的问题.根据 Wardrop 第二原则及路段阻抗函数理论,分析了路径集合搜索方 法对优化城市交通流的必要性,并定义了城市交通网络中 K 最短路径集合的概念及选择 条件,提出了一种面向城市交通网络的具有多项式时间复杂度的 K 最短路径集合搜索算 法.仿真结果表明,本文所提算法可以搜索出满足出行需求的所有 K 最短路径集合,在该 路径集合上进行交通流分配的效果明显优于传统方法.     

城市道路最大出行距离计算模型

为了合理体现交通事故延误对出行者路径选择的影响,提出了随机状态下的交通事故时间延误模型。将交通事故的随机性、持续时间和道路通行能力等不确定性因素引入到交通分配模型中,并对路径选择模型进行修正。分析了各等级道路最大适宜出行范围,根据修正的路径选择模型,采用逐次交通分配方法,得到各等级道路的出行周转量和出行距离,并与不考虑交通事故延误时的出行距离进行了对比分析。分析结果表明:当考虑交通事故延误时,支路、次干路、主干路、快速路的最大出行距离分别为2.000、2.946、4.054、5.963km;当不考虑交通事故延误时,支路、次干路、主干路、快速路的最大出行距离分别为2.000、3.000、6.000、10.000km;交通事故延误是影响出行者路径选择的重要因素;当考虑交通事故延误时,高等级道路的最大出行距离变小。相比于传统的路径选择模型,本文模型更优。