道路交通流数据检验与修复方法

交通流数据常见问题分为数据缺失、数据无效和数据时间点3类，针对这些问题，提出了一种交通流数据检验与修复方法。以北京市交通流数据为例，应用这一方法进行了分析与验证。结果表明该方法具有很好的实际应用效果。交通流数据质量检验可以保证从数据源所获得数据的正确性和完整性，为数据的管理和应用提供了可靠的数据基础.     

城市交通流有序度分析法

城市交通管理的目的是使路网中的交通流有序流动，城市交通流状态的有序程度分析是交通管理的基础。提出了一种交通流有序度分析的方法，利用该方法计算的模拟路网交通流有序度，能紧随交通状态变化，其有序度数值的大小，反应了路网的有序程度，可以利用有序度来判别交通状态的理想程度，从而作为交通管理的决策依据。     

公路隧道交通控制策略

山区高等级公路建设与管理，是我国交通领域面临的新课题，如何对隧道交通进行监控，值得人们的深思。本论述了隧道交通流模式，以车速、交通量、隧道长度为指标，根据交通流理论，推导出不同交通流模式各指标的计算方法，提出隧道的分类方法及各类隧道不同模式时的控制策略。     

人工智能在交通流管理中的应用

通过对国外交通流管理研究资料的分析,分类比较了目前常用的实时交通路线决策和分流策略系统方法的优缺点,在此基础上推荐了一种先进的实时交通流管理方法,并介绍了其系统结构原理.     

基于相似性的短时交通流预测

为了提高短时交通流的预测精度,更加精确地进行交通流规划和管理,引入了一种基于相似性的短时交通流预测方法。用该方法研究了美国加州高速公路某单点交通流在时间尺度上的相似性,发现同"星期几"交通流的相似性比相邻几天交通流的相似性大。在此基础上,建立了小波神经网络模型,将4个同"星期几"的交通流数据和相邻4天的交通流数据分别构成一组,各自采用200多组数据分别训练小波神经网络,然后对同一天的交通流进行了预测,发现前者的MRE、MSPE值比后者低,EC值比后者高,说明前者的预测精度高于后者,验证了所提方法的有效性。     

山区公路交通流随机干扰基本模型研究

山区公路因而受线形、纵坡和路面状况等因素的影响,其事故率高于其他公路。随机干扰因素作为山区公路事故发生的重要因素,一直是山区公路使用者的困扰,也是交通管理部门进行交通安全管理的难点。常规交通流模型大多不太适用于山区公路,为了研究适用于山区公路交通安全管理的交通流随机干扰模型,分析研究了山区公路交通流随机干扰交通特性,利用交通流宏观分析的欧拉方程方法以及拉格朗日方程微观分析方法建立了山区公路交通流随机干扰基本模型。     

高速公路交通流低密底区可变速度控制

本文首先建立了高速公路交通控制系统设计和交通系统的计算机仿真所常用的宏观、动态、确定性交通流模型，并在此基础上，结合我国高速公路交通流的特点，提出了低密度区的可变速度控制策略，最后利用计算机仿真的方法模拟了受控交通流和未控交通流，其结果令人满意。     

基于PSR-PSO-RBF的短时交通流预测方法

短时交通流预测可为智能交通控制和管理提供决策依据,为了提高短时交通流的预测精度,统筹考虑短时交通流的混沌时间序列和非线性特征,提出一种基于相空间重构和PSO-RBF的短时交通流预测方法(PSR-PSO-RBF方法).采用延迟嵌入定理,构造一个基于相空间重构的短时交通流时间序列;在剖析RBF神经网络不足之处的基础上,采用...     

基于时空特征序列匹配的交通流状态估计方法

为了针对无交通流检测器路段更好地进行交通流状态估计，提高估计精度，研究了基于时空特征序列匹配的交通流状态估计模型。通过交通运行指数的计算方法预设城市道路中有交通流参数路段的交通流状态；分析影响城市道路运行条件的各项因素，引入交通流参数与道路参数、路网拓扑参数等时空多维度参数特征，提取3个维度8个特征1个附加维度组成交通流时空特征，构建城市道路交通流DNA特征序列对交通流状态进行描述；将各个特征的值归一化处理，利用WH-KNN匹配方法，得到全路网中与待估计路段最近的交通流状态。实验选取武汉市中环快速路编号为10468、10483以及8816的路段1周数据，假定路段数据缺失，通过所述方法进行交通流状态估计，将估计结果与原始数据结果进行对比。研究表明，模型不仅能够得到无检测数据路段的交通流状态，其状态估计结果的准确率保持在88%以上，且误判结果在1个运行指数等级之内。      

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。