城市道路短期交通流时间序列特性分析

以关联维数作为混沌判据,采用改进的替代数据法对采样周期为3 min的实测交通流时间序列进行了混沌判别,表明该时间序列的短期交通流中存在混沌现象。由于所采用的时间尺度更接近实际交通控制的最大周期,使得基于混沌理论的短期预测结果更适于实施交通控制和诱导。     

城市四交叉路口交通引导仿真系统

基于城市道路交通的拥挤和阻塞主要表现在若干个交叉路口的事实，提出了以四交叉路口为对象的交通引导仿真系统模型框架，并讨论了实际选取交叉路口应考虑的三个方面的因素。如果把每个交叉路口的车流看作排队事件，不同交叉路口的车流事件会发生冲突。轮询各个交叉路口的车流排队事件，用事件驱动状态转移与专家系统技术相结合的方法来疏解事件冲突，做出调整交通引导的决策。同时给出了仿真系统模型的目标、功能以及交叉口、车道、信号相位、信号周期等系统状态的描述。     

数据挖掘技术在固定型交通检测器配置优化中的应用

结合固定型交通检测器空间配置的四条原则和配置密度优化步骤，提出固定型交通检测器配置优化的数据挖掘方法。设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对像，运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型，ARIMA预测模型及神经网络预测模型。采用网络搜索技术确定Winters模型参数，设计一种比传统ARIMA模型参数估计方法更精确的算法程序估计ARIMA模型参数，采用三项误差指标评价模型预测效果，根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案，研究结果表明：在保证满足ITS对交通参数精度要求的同时，通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本，为固定型交通检测器配置密度的优化提供了一种简单可行的新方法。     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足，提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer)，该模型由添加注意力机制的 GRU(Gate Recurrent Unit)神经网络(Attention- GRU)和改进的 Transformer(ConvTransformer)两模块并行构成。首先，对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模，并合并各周期数据作为模型输入。其次，搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征，融合特征后输出预测值。最后，采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据，预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响，开展模型精细化调参实验，基于所得最优参数组合验证和评估模型 。 结果表明 ，相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN (Convolutional Neural Network)、GRU、CNN-GRU 及 Transformer)和4个GRU-Transformer消融模型，本文提出的GRU-Transformer模型预测精度最高，具有较好的实用性。     

城市道路交通流短时预测及可靠性分析

为了捕捉交通流随机波动导致的交通流短时预测的不确定性,利用反映预测波动的异方差对可靠性进行量化预测;基于时间序列及其异方差理论,构建了以单整自回归滑动平均ARIMA(0,1,1)模型为均值方程的城市道路交通流短时预测的广义自回归条件异方差GARCH(1,1)模型. 通过ARCH LM检验证实,GARCH(1,1)模型能够有效捕捉并消除ARIMA(0,1,1)模型的异方差性.结果表明:基于GARCH(1,1)模型的城市快速路流量预测的MAPE值不高于10%,城市快速路及主干道速度预测的MAPE值为7.86%~10.24%;与ARIMA(0,1,1)模型预测的固定置信区间相比,在自由流交通状况下,GARCH(1,1)模型在有效预测前提下的预测置信区间更窄;在交通拥挤状况下,GARCH(1,1)模型能够通过放大预测置信区间宽度减少无效预测.      

基于短时交通流预测的单交叉口自适应控制

针对城市孤立交叉口交通流量未饱和的情形,为了使单交叉口控制方案适应于动态变化的交通流,提出了一种基于K近邻短时交通流预测的单交叉口自适应控制策略。首先依据路口历史交通流量数据预测未来5 min的交通流量,计算信号周期;然后建立以最大周期、相序、最大相位时间为参数的单交叉口自适应控制模型,根据实时的交通状态信息自动地调整相位顺序、最大相位时间和绿灯延长时间;最后使用VISSIM4.3软件,对广州市南沙区某单交叉口进行仿真,以车辆平均延误时间作为评价指标,与固定定时和分段定时控制方法相比较。仿真结果表明:本文方法的车辆总平均延误时间与固定定时和分段定时控制方法相比分别减少35%和15%,有效提高了交叉路口的车辆通行效率。     

实时自适应交通信号控制优化理论模型

通过对交叉路口交通流到达和排队延误规律的研究,提出了一种新的交通信号控制理论,此理论把交通延误和停车次数综合为一个性能指标,称为PI值,建立了以PI值最小为目标的交通信号配时优化理论模型,该信号配时方法与通常采用的单点自适应信号控制方法的区别在于不但考虑了交通延误,而且考虑了停车次数,实现对交通延误和停车次数两个指标的优化,从而保证了以车队形式到达的交通流可以不间断地通过交叉路口,由于以实时交通流的到达规律为依据进行信号优化配时,因此,该信号配时优化模型又是实时自适应交通信号控制优化模型。     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP)，有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢，容易陷入局部极值的问题，提出一种自适应递减的收敛因子，使灰狼算法区分全局搜索和局部搜索；改进灰狼个体的位置更新公式，引入惯性权重，调节惯性权重大小使灰狼算法具有跳出局部极值的能力；对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型，结果显示，TGWO-BP的短时交通流预测模型误差为10.03%，达到较好的预测精度.     

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.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

基于神经网络的小时间粒度交通流预测模型

为解决传统车队离散模型基于概率分布假设和现有交通流预测时间粒度过大不能应用于自适应信号配时优化等问题.在车队离散模型的建模思路上,先分析了下游交叉口车辆到达与上游交叉口车辆离去之间的关系,基于此构建了基于神经网络的小时间粒度交通流预测模型.该模型以上游交叉口离去流量分布为输入,下游交叉口到达流量分布为输出,时间粒度为5 s.最后,通过实际调查数据标定模型参数并应用模型预测下游交叉口到达流量.结果表明,与Robertson模型相比,本文模型预测结果能够更好地反映交通流的变化特征,平均预测误差减少了8.3%.成果可用于信号配时优化.     

基于ARIMA的交通流量短时预测

采用AKIMA方法进行交通流量趋势预测．建模是利用现场调查得到的非平稳时间序列进行数据处理、建模．并根据AIC准则进行模型定阶，最后通过实测数据进行验证，结果表明。该ARIMA模型能够获得较好的中短期预测精度，因而可用于动态交通信号控制。     

行程时间服从混合高斯分布的车队离散模型

为充分描述异质交通流条件下的车队离散规律,为信号配时优化、公交优先控制提供理论基础.考虑异质交通流条件下车辆行程时间分布特点,采用混合高斯分布拟合车辆行程时间分布.基于此,从流量角度推导了异质交通流条件下车队流量离散模型.通过实际调查数据,分析了下游交叉口到达流率分布与上游交叉口离去流率分布之间的关系,并将本文模型与Robertson模型、实际数据进行比较分析.结果表明,本文模型能够更好地描述异质交通流条件下的车队离散规律,与Robertson模型相比,平均预测均方误差减少了27%.     

信号交叉口不对称交通流的优化控制方法

为了改善不对称交通流导致信号交叉口进口道交通负荷分布不均、通行效率低下的问题,对交叉口对向交通流的分布形式及其适用的相位方案进行了分析,建立了信号周期动态相位方案的生成规则,并以综合交通效益最大为目标建立了交叉口不对称交通流的动态相位信号控制参数优化模型,并给出了其求解算法.分析了不对称系数大小及其阈值变化、不对称信号周期比例对优化方法的影响,并以哈尔滨市红旗大街-淮河路交叉口为例,VISSIM仿真结果显示,采用动态相位优化方法后,该交叉口的车均延误、平均排队长度和停车率等评价指标下降了27.8%以上,验证了动态相位优化方法的有效性.该方法能减少直行车流的停车等待时间、避免交叉口部分进口方向时空资源的空耗,有利于信号交叉口通行效益的提升.     

基于Robertson 模型的异质交通流车队离散研究

为充分描述异质交通流条件下的车队离散规律,为信号协调控制提供理论基础,结 合异质交通流条件下的车流特征和Robertson 模型计算速度快的优点,对多股交通流分别建 模,并在此基础上构建异质交通流车队流量离散模型.通过实际调查数据,分析下游交叉口到 达流率分布与上游交叉口离去流率分布之间的关系,并将本文模型和Robertson 模型与实际 数据进行比较分析.结果表明,与Robertson 模型相比,本文模型能够更好地描述异质交通流条 件下的车队离散规律,平均预测均方误差减少了8.29%.     

基于有效绿灯时间利用率的自适应控制策略研究

为了优化单点交叉口信号控制方案,使其适应各个进口道方向交通流动态变化,提高交叉口通行效率,根据交叉口进口道排队车辆数建立有效绿灯利用率模型,提出了一种交叉口自适应控制策略.有效绿灯时间利用率模型以交叉口通行能力最大为控制参数,实时优化确定出最佳相位放行方案以及最优相位切换方案,根据进口道排队车辆最大流向的排队车辆数和车辆到达预测确定相位放行绿灯时间.利用VISSIM交通仿真软件对该自适应控制策略仿真运行,与定时控制以及感应控制对比,评价分析不同车辆到达情况下交叉口通行情况.结果表明:该自适应控制策略能有效降低车均延误,提高交叉口服务水平.     

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.