城市道路交通拥堵预测及持续时间研究

针对城市道路交通拥堵及持续时间辨识问题,提取平均旅行速度、平均旅行时间、平均延迟时间、早晚高峰、星期数等交通拥堵关键影响因素,构建了基于MapReduce的多元对数线性回归交通拥堵预测模型和基于生存分析的交通拥堵持续时间模型,并利用上海快速路段交通数据集进行模型有效性验证。试验结果表明,拥堵预测模型预测值与实际值拟合度在0.96以上,能较好地量化道路交通运行拥堵程度;拥堵持续时间模型可以辨识出拥堵分布和持续时间特征,为制定交通拥堵的控制和疏导策略提供指导性建议。     

基于有向图卷积神经网络的交通预测与拥堵管控

为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控。首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积-长短时记忆神经网络（Directed Graph Convolution-LSTM,DGC-LSTM）模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2 712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性。结果表明：与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38%和20%以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h^-1以上,并能使拥堵的持续时长缩短40%,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度。     

基于多维灰色理论的交通拥堵预测

分析了城市交通拥堵的特征及交通拥堵预测所需的交通流参数；针对交通拥堵形成原因的多元性和不确定性,运用多维灰色系统理论,建立了城市交通拥堵GM(I,N)预测模型,并对该预测模型的实用性进行了分析.     

基于速度特性的城市快速路常发性交通拥堵研究

基于城市快速路浮动车技术,获取北京市快速路瓶颈路段全天交通流运行速度时间序列数据,对快速路常发性交通拥堵形成及消散进行精细化定量分析。首先应用小波分析技术对数据进行降噪处理,依据速度变化特性将快速路瓶颈处交通流运行状态划分为稳定运行态、拥堵形成态、拥堵态及拥堵消散态4种状态,并分析不同状态下的速度表现特征。研究表明,应用速度变化量可以判别交通流所处状态,而后利用统计学方法给出不同状态之间变化的判断阈值,并归纳出快速路常发性交通拥堵形成时刻、消散时刻及持续时间的判别方法。该方法对拥堵特性判别精度可达80%以上,对交通拥堵预测及交通管理具有明显实际应用价值。      

城市道路交通拥堵评价和判定标准研究

随着汽车保有量的增加,城市交通需求量也持续膨胀,使得交通拥堵成为城市发展亟须解决的问题。鉴于此,首先,以车道占有率和速度跃迁概率为基本指标,提出一种新的交通流状态划分方法。随后,研究了交通流参数时变特性及不同车道间的交通流特性,提出了交通拥堵状态的判定算法和指标。最后,分析了城市道路交通拥堵评价层次和评价体系(指标),并得到了评价特定区域内交通拥堵严重程度的城市交通行程时间指数模型。     

基于速度性能指标的雨天环境对北京快速路网影响研究

降雨作为一种常见的气象条件,对城市路网的交通状态有着直接的影响.为避免不同道路交通状态速度评价标准的不统一,基于道路的最高限速,提出了速度性能指标,进而建立了衡量路段和路网拥堵状态的路段和路网拥堵指标,量化了路段和路网的拥堵程度.以大量数据为基础,在对比雨天和晴天2种环境下的各项拥堵指标基础上,探讨了雨天环境对北京快速路网的宏观影响,为雨天条件下的交通规划与管理提供了重要的依据.同时,基于路段拥堵指数,利用ArcGIS软件可视化展示了北京快速路拥堵路段的空间分布.结果表明,与晴天相比,雨天环境降低了车辆速度,增加了路段偶发性拥堵,也加剧了路网的拥堵程度.同时,雨天环境下的工作日平均每小时路网拥堵指数增加了17.2%,周末则增加了28.6%;而其标准差分别增加了22.2%和62.5%,表明雨天环境下工作日和周末的拥堵特性存在一定的差异性.      

基于FCD的桥下积水导致城市交通拥堵点段识别方法研究

城市暴雨天气不仅导致了城市大范围的交通拥堵甚至全路网交通瘫痪,同时还造成了严重的经济损失和人员伤亡.文中通过对比分析降雨导致桥下积水日和正常日天气状况下的快速路浮动车交通流特性,综合考虑积水导致交通拥堵的空间影响范围、积水路段的速度变化和时空分布情况,提出了基于样本量比率和交通流速度变化、速度差三者共同作为积水交通拥堵点段识别指标的方法.该方法可排除GPS受随机因素的干扰,减少积水时段内常发性交通拥堵的影响.并将基于ArcGIS程序应用识别算法与实际情况对比,分析结果表明该算法具有一定的准确性和实用性.      

双车道高速公路追尾事故实时预测模型

现有的高速公路实时事故预测模型对高速公路信息化采集设备的布设密度和采集的数据粒度要求很高,在低信息化的高速公路管理工作上难以得到应用.结合国内高速公路信息化现状,使用单个检测器所采集的数据,对高速公路追尾事故实时风险进行研究.基于江苏省扬州市启扬高速公路上布设的超声波交通流检测器所采集的交通流数据,采用配对案例对照方法和二元逻辑回归,建立了双车道高速公路追尾事故实时预测模型.对事故前5~20 min的交通流数据分别构建流量时空矩阵、速度时空矩阵、平均车头间距时空矩阵,通过引入矩阵特征值简化建模过程并避免了指标间的相关性过高问题.模型总体精度85.7%,事故预测精度33.3%,误报率低于2%,相比已有模型总体预测精度较高,误报率较低,表明了该方法应用于追尾事故实时预测领域的可行性和有效性.      

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

道路拥堵程度对公交行程时间可靠性的影响研究

为了解决日趋严重的城市交通拥堵问题,进一步提高公交车辆的服务水平,本文结合国内外的研究经验从路段平均行程速度、交叉口饱和度、路段饱和度以及交叉口平均排队时间4个道路拥堵程度评价指标出发,构造了一个系统的多因素综合评价模型,建立了道路拥堵程度评价体系.在分析道路拥堵的基础上,建立了基于道路拥堵程度的公交行程时间可靠性的预测模型.通过采集实际的交通流数据以及公交车站点间的行程时间,讨论不同道路拥堵程度下的公交行程时间可靠性,验证了该模型.研究结果表明:道路拥堵程度对公交行程时间可靠性有较大的影响.