基于神经网络算法的高速公路基本路段线圈检测器布设间距研究

为研究高速公路交通事件检测算法及线圈检测器布设间距,设计了高速公路基本路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距在200～700m不同情况下的事件检测效果。利用VISSIM4.2软件仿真获得数据,并在Matlab人工神经网络工具箱中计算,验证了所设计事件检测算法的有效性,得出基本路段线圈检测器的合理布设间距。     

线圈检测器采集信息的预处理方法和多维数据模型的构造

通过环形线圈检测器采集的数据,不仅具有时间序列的特性,而且与其所处的空间位置有很大的关系。文中论述了线圈检测器数据产生的原理,并提出了相应的预处理算法。针对交通数据管理现状和数据挖掘需要,借鉴了空间多维数据模型以建立交通流数据仓库。     

手机信令数据支持下高速公路检测器布设研究

交通检测器的布设决定着路段行程时间估算及预测的精度.同时,检测器技术、行程时间估计方法也会影响到检测器布设方法.针对此问题研究利用手机切换数据交通信息提取支持,结合传统固定检测器,基于BP神经网络实现行程时间融合估计.基于新的行程时间估计方法,以估计精度为约束,研究传统固定检测器的布设.结合实例分析,验证行程时间融合估计方法有效性,并在均匀布设和盲区补充方案基础上,研究检测器布设间距对交通参数估计的影响.     

识别路段交通平均速度的一种相关分析法

本文应用线性系统识别理论，提出一种在交通情况下对较长周期内路段交通平均速度进行在线识别的算法，其关键是对路段输入，输出交通量中的随机信号进行相关分析，从而识别该路段交通的脉冲响应函数，优点是所需实测数据少，不必测量每车速度，检测器不必埋设第二个环形线圈。本文进而提出识别段内平均车辆有效长度的算法及确定各交通参数的整套算法，应用结果表明这些算法可行。     

基于单线圈的车速检测算法研究

简述了基于环形线圈车速检测的基本原理、目前利用单线圈检测量进行车速估计的方法。在此基础上，提出了一种利用单线圈进行车速实时检测的算法，并设计了一套基于单线圈的车速检测系统，通过采集系统在实验中的数据，运用Matlab6．5对该检测算法进行了仿真分析。结果表明，算法基本符合设计要求。     

基于Wi-Fi Direct的道路交通状态信息采集方法

针对传统交通状态信息采集中采用的环形线圈车辆检测器存在布设和维护难度较大等问题,提出了一种基于Wi-Fi Direct的道路交通状态信息采集方法,以实现对基本的道路交通流状态参数进行采集估计。该方法利用车-路通讯设备实现车辆与路侧设备的通信;以车载通讯设备的Wi-Fi芯片MAC地址完成车辆个体识别;通过车载通讯设备中的北斗定位装置向路侧设备提供车辆实时位置及时间信息,进而实现道路区段内交通流基本状态信息估计。实验测试表明,该方法能够有效完成路段平均速度、交通流量及车流密度等交通状态信息的采集和估计。     

基于决策树模型的信号控制交叉口交通状态估计

为了探究城市干道信号控制交叉口交通状态与检测器数据之间的关系,以低频定点检测器(5 min集计)采集的流量、占有率、速度数据与交叉口离线信号配时方案作为特征变量,以路段平均行程速度为标签变量,基于分类回归树(CART)模型,提出了一种新的交通状态估计方法。首先,以车辆路段行程速度为评价指标,将交通状态分为畅通状态、拥挤状态与阻塞状态3类;然后,通过VISSIM软件建立微观仿真模型,采集不同周期时长、绿信比和饱和度下的64 000个样本对分类回归树模型进行了训练与验证。结果表明,训练集估计精度为84.41%,验证集估计精度为84.08%,模型总体估计精度在84%以上。不同因素对交通状态估计的影响程度不同,由大到小依次为:占有率、绿信比、检测器速度、流量、信号周期。最后,以107组微波检测数据与视频数据对模型进行试验验证。验证结果表明,拥挤状态下模型估计精度最高,为89.19%,其次为畅通状态,为75.00%,阻塞交通状态下模型估计精度最低,为63.15%,交通状态总体估计精度为75.70%。可见,分类回归树模型能够较为准确地估计城市干道信号控制交叉口交通状态,该精度能够基本满足我国中小城市交通状态估计需求。     

基于DTA的OD估计方法的交通检测器优化布置模型研究

论文在探讨了动态交通分配和动态0D估计背景下的交通检测器优化问题的基础上，提出了基于DTA的动态OD估计方法的交通检测器布置原则；从预算，对路网中交通流量信息的覆盖程度，对关键路段的检测、对重复检测器的剔除等方面对路网交通检测方案进行约束，建立了交通检测器优化布置模型；最后将遗传算法用于交通检测器优化布置模型的求解，证明了基于DTA的动态0D估计方法的交通检测器优化布置模型的有效性。论文方法概念清楚、操作简单，是交通检测器优化布置的一种可行方法。     

面向高速公路交通调度的动态数据融合

在高速公路交通动态数据融合需求分析的基础上,采用环形线圈和微波检测器建立多检测器动态数据的现场试验站,通过多检测器组合方式构建数据检测方案;应用基于自适应加权和改进BP神经网络的数据融合方法,建立交通动态数据融合模型,研究高速公路同一时间、相同断面的多检测器的数据融合。现场试验与检测数据分析表明：基于改进BP神经网络融合方法所获得试验数据的平均相对误差较微波和环形线圈各自的精度提高了10％-20％。     

基于数据挖掘的固定型交通检测器配置优化

结合固定型交通检测器空间配置的4条原则和配置密度优化步骤,提出基于数据挖掘技术的固定型交通检测器配置优化方法.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象,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.采用网格搜索技术确定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,来估计ARIMA模型参数,采用3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.实例研究表明,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.