基于非参数回归的短时交通流量预测与事件检测综合算法

针对目前短时交通流预测存在的问题 ,提出一种基于非参数回归的短时交通流量预测与事件检测综合算法框架并对框架中的每个步骤进行详细说明。为了进一步提高上述算法的精度与速度 ,对传统的非参数回归算法做了两方面改进 :基于密集度的变 K搜索算法与基于动态聚类和散列函数的历史数据组织方式。通过这些改进 ,使得上述基于非参数回归的算法成为一种“无参数”、可移植、高预测精度的实时预测算法 ,并能有效地用于短时交通流的预测问题中。现场实验充分表明该算法完全满足实时交通流预测的需要。     

交通流非线性回归模型的变点统计分析

以往的交通流状态辨识主要集中在交通流状态预辨识(即交通流预测)和实时辨识(即事件检测或交通流突变检测)上,在一定程度上忽略了对交通流变量规律的辨认.依据交通流理论,采用非线性回归模型变点的统计方法,对变点识别的关键问题进行了分析.结合淄博市中心路的实地数据对本方法进行了标定和检验,验证了方法的有效性和可行性.     

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

基于时空特性和RBF神经网络的短时交通流预测

针对实际交通流变化具有较明显的动态性、周相似性和相关性,提出一种基于交通流的时空变化特性和RBF神经网络的短时交通流预测方法。该方法充分挖掘和利用了交通流时间序列的周相似性和相关性,以及相邻路段上交通流的相互影响因素,结合RBF神经网络自学习、自组织、自适应功能和大范围的数据融合特性对交通流进行短时预测。用实例进行了仿真计算和分析,结果表明该方法能够提高交通流的预测精度。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

城市交叉路口的短时交通流建模预测

短时间尺度交通流预测是解决城市拥挤的关键。随着预测时间跨度的缩短，交通流的规律性越来越不明显，传统的预测方法难以凑效，章使用自回归求和滑动平均模型ARIMA(p，d，q)对短时交通流数据进行建模预报，提出以城市交叉路口信号灯时间周期作为动态流量数列的时间刻度。实际应用表明，该模型取得良好的预测效果。章提出的对缺失值的处理方法，提高了模型的适用性。     

基于多车道加权融合的短时交通流预测研究

短时交通流预测是改善交通规划与管理效率的一个重要因素,为了提高交通运输管理和调度能力,从路段多车道交通流隐含的交互关系,引入一种基于多车道加权融合的短时交通流预测方法。用该方法分析了加州高速公路某五车道单检测点各车道交通流与聚合交通流之间的相关性,发现每个车道交通流与聚合交通流都呈现高度关联性。基于此,构建一种能够学习交通流上下关联性的双向长短时记忆模型。基于3种时间间隔数据,选取某一间隔交通流进行归一化及预处理,将各车道交通流和聚合交通流数据分别构成相对应的一组,采用几十组同"星期几"相应数据分别输入双向长短时记忆模型进行训练,利用各部分模型分别预测同一天相应车道和聚合的交通流。最后对预测的各部分交通流采用岭回归算法计算融合权重。通过权重融合预测的各车道交通流和聚合交通流作为最终预测的交通流,进一步在三车道检测点的3个时间间隔交通流进行试验。结果表明:本预测方法相对于未考虑各车道交通流与聚合交通流相关性传统预测模型的MAE、RMSE值均有一定程度降低,具有更高的预测精度和鲁棒性,是一种有效的交通流预测方法。     

城市道路短期交通流预测VHSSA模型

针对出行者出行时对交通信息预报以及动态路径规划的要求,对路段的历史交通流时间序列数据进行了研究,利用城市路段交通流的周期相似性特征提出了基于纵横序列相似性的短期交通流预测VHSSA模型,该模型克服了以往预测模型只考虑纵向时间序列周期性相似的缺陷,将全时间序列数据进行小波变换后分解为反映基本变化规律的基序列和反映波动变化情况的波动序列,既可只进行基序列预测,也可通过置信区间对波动序列进行修正,再与基序列叠加进行全序列预测.经试例验证,VHSSA模型和基于纵向序列相似性的VSSA模型分别与实测序列的基序列和全序列进行比对,VHSSA模型的预测效果总体优于VSSA模型,误差可满足实际要求.     

交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。     

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

城市快速路三维集成交通事件自动检测算法

为了及时、准确地检测交通事件并采取有效的管理手段,提高城市快速路交通管理水平,在总结现有交通事件自动检测算法优缺点的基础上,提出了一种基于二维空间和一维时间的交通流异常变化的三维集成交通事件自动检测算法(集成AID算法),并利用北京市二环快速路上现有的交通流数据及相应的交通事件信息,对提出的集成AID算法进行验证,对其有效性和实用性进行分析。结果表明:该算法能够对快速路交通事件进行有效检测,与各个维度的子算法相比,能有效提高检测率,降低误报率,能够满足实际工程应用的需求。     

基于改进的RBF神经网络的高速公路交通事件检测

根据高速公路有交通事件发生时交通流将产生突变这一原理,采用改进的径向基函数(RBF)神经网络研究高速公路事件检测问题。分析交通流参数在有交通事件发生时的变化规影影响神经网络泛化能力的同时,加入多余节点的删除和合并策略,从而得到精简的网络结构。采用自适应学习方法进行隐含层节点的调整,使网络在不同的训练阶段能够自动选取不同的学习速率。仿真试验表明,该改进算法在高速公路交通事件检测中具有检测率高、学习速度快等优点,具有良好的应用前景。     

基于Logit模型的城市道路交通事件检测仿真

以Logit模型为基础,利用效用函数与概率的概念,建立分时段的城市道路交通事件检测算法。由PARAMICS软件产生模拟交通流数据,将数据输入LIMDEP软件并标定效用函数的系数,同时还输出最大概率预测表。仿真试验结果表明:(1)基于Logit模型的检测算法不仅能够用于城市道路的事件检测,还可判断事件发生所在的车道。(2)在路段长度、车道数、流量相等的模拟条件下,交叉口信号超过仿真所设定的1 min时段长度时,检测效果降低。若将模型时段长度由1 min提高至超过最大信号周期,即可解决检测效果降低的问题。     

基于因子分析和最小最大概率机的交通事件检测算法

为了进一步提高交通事件检测的精度与效率,在多角度构建事件检测初始交通变量的基础上,设计了1种基于因子分析和最小最大概率机的交通事件检测算法。通过分析交通事件上下游交通流参数的变化规律,构建了11种初始交通事件检测变量,利用因子分析方法对初始交通变量进行特征提取,实现初始交通变量的有效降维,并分别采用核函数最小最大概率机算法和线性最小最大概率机算法进行交通事件检测。最后,采用美国I‐880数据库的实测数据进行实验验证和对比分析,实验结果表明,FA‐M PM算法较M PM算法事件检测率提高3.5%,误报率降低0.17%,平均检测事件减少了27.5s,且最小最大概率机算法的交通事件检测效果明显优于支持向量机算法和BP神经网络算法。      

基于情景分析的高速公路事件检测决策系统研究

高速公路事件检测是为了及时、准确地检测偶发性事件的发生,以便于尽量减少事件所造成的不利影响,使事件总的影响降到最低。目前,事件检测算法多种多样,可以从不同的角度对其进行分类。在对高速公路的交通流量进行情景分析的基础上,提出了一种新的事件检测决策系统。即使在高速公路不同的服务水平下,这种系统也都能很好地实现对事件的准确检测。     

基于粗糙集理论的短时交通流组合预测研究

为满足交通流诱导系统的理论需要,建立了一种基于粗糙集理论的实时交通流量组合预测模型。通过粗糙集理论来确定组合预测中的权系数,对路段的交通流做出短时预测。结合某路段的实际交通流数据,对预测模型进行仿真训练,经过比较分析,验证了该组合预测模型的有效性和实用性。     

一种基于ART2神经网络的高速公路交通事件自动检测算法

提出一种基于ART2伸经网络的高速公路交通事件自动检测的新算法。该算法利用高速公路交通流模型和ART2神经网络分别作观测器和分类器。观测器估计的数据和实际交通数据进行比较,得到残差序列;利用ART2神经网络对残差序列进行分类,以区分不同交通状态下的交通信息,达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型。还可以识别未知的或从未出现过的交通事件类型,是一个可以边工作、边学习的检测系统。     

基于小波变换的城市道路交通事件检测

利用出租车浮动车数据对城市道路行程车速的表达能力,针对出租车空车和重车2种数据运用小波变换技术分析了城市道路交通状态突变点,据此进行了城市道路交通事件的检测。区别于以往小波变换技术,首先运用于数据降噪,再将处理数据运用交通事件检测算法判断,直接采用小波变换技术实现了对城市道路间断流的交通事件的检测。并利用实际采集数据对提出的交通事件检测算法进行了验证,结果表明算法能够对交通事件进行更综合的检测,检测准确度得到了提高,能够为城市交通信息发布和交通诱导提供更加可靠的信息。     

城市快速路交通状态转变时刻确定方法研究

研究了城市快速路交通状态转变时刻的确定方法。在分析快速路拥挤状态和不拥挤状态交通流参数特性的基础上,根据Dganzo等提出的交通流参数调整累计曲线,设计了一种用于确定交通状态转变时刻的方法:利用流量和时间占有率两个参数的调整累计曲线来判定快速路交通状态转变时刻。论文利用北京快速路系统的调查数据检验了该方法,得出的交通状态转变时刻与实际情况相符,证实了该方法的有效性。交通拥挤转变时刻的确定可以应用于道路交通状态判别、交通波理论研究以及现有交通事件检测方法的技术评价。     

视频交通事件检测技术的研究与展望

主要介绍了目前国内外视频交通事件检测技术的发展现状,对目前视频交通事件检测技术所采用的虚拟线圈检测技术、识别与轨迹追踪技术进行了具体介绍,对基于各种检测原理的检测算法、检测流程进行了深入剖析,并结合视频交通事件检测技术的市场需求对该技术的智能化、网络化发展方向进行了预测,随着技术的发展,基于识别与轨迹追踪技术的交通事件检测技术将进一步深入发展,作者在西部课题的研究过程中,在国内外前期研究基础之上,结合交通安全性能分析,对交通事件检测技术进行了二次识别研究,大大拓宽了检测技术的范围,拓展了检测技术的深度,为视频交通事件检测技术的进一步发展打下了重要基础。