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.     

考虑大型车因素的支持向量机短时交通状态预测模型研究

高速公路是运输效率高、通行能力大、具备全控制条件的道路,及时发现异常交通状态并采取相应的管制措施是保持良好通行能力的基础。交通状态的短时预测技术能够在实时交通状态数据的基础上对交通状态发展趋势进行预测,为高速公路主线运行管理及匝道交通控制提供决策依据。本研究首先应用灰色关联度理论,分析了道路车型组成比例对交通状态的影响,发现车流中的大型车比例与车流平均速度存在较强的关联性,而且在纵断面线形较为复杂的山区高速公路,车流中大型车比例对车流速度的影响更为显著;然后建立了引入大型车辆比例影响因素的基于支持向量机(SVM)模型的高速公路短时交通状态预测模型,最后通过实测数据及对比试验验证了模型的可行性与准确性。结果表明:本研究设计的支持向量机预测模型具有较为准确的预测效果,均方误差为0. 024 19,决定系数为0. 58;与未引入大型车辆比例的预测方案相比,均方误差减少0. 22,决定系数增大0. 27;与传统的BP神经网络模型相比,支持向量机短时交通状态预测模型预测结果震荡幅度小,所需训练样本量少,具有良好的预测精度,综合性能较好;通过时间序列分析得到,以前6,7个时间点作为输入的预测方案效果较为准确,若时间选取过多,将对模型产生干扰,预测效果反而不好。     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

固定检测器和移动检测器的交通信息融合方法

固定检测器和移动检测器在检测参数、数据精度、覆盖范围、采集成本等方面存在较大差异,具有很强的互补性.分析了固定检测器与移动检测器进行信息融合的必要性,提出了交通信息融合的总体框架.在分别阐述了基于固定检测器和基于移动检测器的区间平均速度估计方法基础上,采用BP神经网络对区间平均速度进行信息融合.以上海市南北高架道路为对象,利用Vissim仿真软件对基于BP神经网络的交通信息融合方法进行了实例分析,结果表明,该方法可以明显提高区间平均速度的精度.     

一种短时交通流组合预测模型

为提高短时交通流预测的精度,提出利用BP神经网络、RBF神经网络和ARIMA模型构建组合预测模型,该组合预测模型利用最优化原理进行权系数的分配,并且满足分配到的权值始终具有实际意义。通过对分配的权系数进行显著性检验,以确保组合预测模型中选用的单项预测方法显著相关。通过实例分析,验证了组合预测模型的有效性,结果表明,相比较单一的预测模型,组合预测模型具有更高的预测精度。     

基于浑沌神经网络的动态交通量预测方法研究

介绍了目前国内外道路交通量预测的方法、特点及实际的预测效果.由于城市道路交通的复杂性,使得一些现有交通量预测方法的预测精度不高.针对这些问题,应用混沌神经网络,建立了城市道路交叉口出口交通量的浑沌神经网络预测模型,并与传统的BP神经网络预测结果对比,表明此模型具有较好的预测效果.     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

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.      

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％。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

交通流缺失数据处理方法比较分析

针对交通数据的缺失问题,采用基于时间相关性、空间相关性和时空相关性的多种数据修复方法对缺失数据进行处理.基于时间相关性的修复方法包括历史数据法、移动平均法、指数平滑法和线性回归法等.基于空间相关性的修复方法利用相邻车道和相邻检测器所采集的数据对缺失值进行处理.基于时空相关性的数据修复方法结合交通流的时间相关性与空间相关性对缺失数据进行修复.基于美国加州I-880高速公路交通流数据的实验结果表明,平滑系数α=0.1时的指数平滑法和利用相邻车道数据加权平均法得到的缺失值修复结果最优.      

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。     

基于多源信息融合的高速公路事件检测算法研究

为了研究高速公路交通事件检测算法,以多源信息融合理论为基础,依托人工神经网络技术,设计了固定检测器与浮动车检测器的信息融合事件检测算法,并说明了具体的检测原理和融合过程。通过Vissim仿真获得数据,在Matlab中编程实现了信息融合过程,试验结果表明在三级报警策略下,信息融合算法的事件检测率、误报警率和平均检测时间都达到了较高的检测水平,证明了所设计的信息融合交通事件检测方法的优越性。     

高速公路入口匝道动态响应调节算法设计

论文在模糊神经网络内部引入递归环节,设计了入口匝道的动态响应调节算法,介绍了算法的模糊神经网络结构、隶属度函数、模糊规则。由于递归神经元有内部反馈连接,可以捕获系统的动态响应,能简化网络模型,网络各个参数具有明确的物理意义,可根据经验选择初始值,且其是一个动态映射网络,比普通模糊神经网络更适于描述动态系统。最后分别通过数值仿真试验和交通TSIS模拟实验,详细分析了入口匝道智能控制的效果,仿真结果表明论文设计的入口匝道模糊神经网络控制算法在控制效果上比常规定时、Alinea控制显示了较大的优势,在重要指标上优于定时控制策略和Alinea控制策略。     

基于交通安全的高速公路出口区域限速确定方法研究

高速公路出口区域分流车辆常因不能充分减速高速驶入匝道，而引发追尾事故。文中应用微观仿真软件Vissim模拟沪蓉高速公路宜昌至恩施方向野山关出口处交通流状况，提出了一种改善出口处行车安全的分段限速方式，并对几种限速措施的效果进行了评价。     

基础交通信息融合方法综述

文章介绍了几种经典算法在基础交通信息融合中的应用,包括卡尔曼滤波、人工神经网络、统计分析(加权平均,指数平滑法,平均值的递推估计算法),以及交通流量和行程时间预测方法。各种方法均通过实际验证其有效性及可靠性。融合后的数据能够满足智能交通系统的子系统ATMS相关应用领域对信息的精度要求,为下一步的交通状态估计提供可靠信息。     

交通事故导致的高速公路拥堵状态判别方法

为量化分析不同交通事故条件下的高速公路路段拥堵情况,研究路段偶发性拥堵规律,本文构建了1个基于行程时间可靠性指标的高速公路路段拥堵判别方法。建立基于美国《公路通行能力手册》中行程时间可靠性分析方法的路段行程时间可靠性模型,并采用西南某高速公路路段实际数据校准模型。利用蒙特卡洛模拟方法生成交通事故场景,将交通事故解构为交通事故发生位置、交通事故严重程度、交通事故持续时间、交通事故发生频率4个特征,并以行程时间指数为路段拥堵量化指标,研究不同交通事故特征水平下的高速公路路段拥堵规律,并判别路段拥堵程度。研究结果表明:美国《公路通行能力手册》的行程时间可靠性分析方法具有可移植性,校准后可应用于国内高速公路路段;交通量接近饱和时,交通事故发生在出口匝道段的拥堵程度高于基本路段与入口匝道段,单车道关闭场景下的交通事故影响远高于路肩关闭场景下的交通事故;交通量接近自由流状态时,拥堵程度对严重程度不敏感;任何交通量水平下,单车道关闭场景下的交通事故持续时间一旦超过15 min,路段拥堵程度极有可能剧增。本文构建的路段拥堵判别方法,可以在精细化探究偶发性交通事故拥堵规律的同时划分路段拥堵等级,为相关部门的事故管理提供理论支撑。      

基于ARIMA与人工神经网络组合模型的交通流预测

将自回归求和滑动平均(ARIMA)与人工神经网络组合模型用于短时交通流预测。利用ARIMA模型良好的线性拟合能力和人工神经网络强大的非线性关系映射能力,把交通流时间序列看成由线性自相关结构和非线性结构两部分组成,采用ARIMA模型对交通流序列的线性部分进行预测,用人工神经网络模型对其非线性残差部分进行预测。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合方法发挥了2种模型各自的优势,是短期交通流预测的有效方法。     

服务于高速公路实时容错性评价的车辆检测器布设研究

车辆检测器采集到的信息的准确度与检测器的空间密度和空间位置有极大的关系,而目前车辆检测器的布设却没有统一的标准。本文以高速公路实时容错性评价模型为基本的分析方法,首先通过道路线形安全评价对高速公路进行路段划分,然后采用仿真手段研究车辆检测器不同布设间距条件下,高速公路实时容错性评价模型对交通事件响应时间的变化规律,最后得到服务于高速公路实时容错性评价的车辆检测器布设方法,并给出各种路段安全等级和交通量条件下的车辆检测器布设间距推荐值。