基于联合卡尔曼滤波器的交通信息融合算法研究

基于现有的研究方法,提出了一种基于联合卡尔曼滤波器的交通信息融合算法。首先利用浮动车的覆盖率和浮动车的历史平均行程时间来修正浮动车的平均行程时间估计值,用于浮动车覆盖率不满足最小覆盖率时的路段平均行程时间估计;利用路段上浮动车的覆盖率来确定联合卡尔曼滤波器的融合系数;利用联合卡尔曼滤波器对固定型检测器的平均行程时间估计和浮动车的平均行程时间估计进行信息融合,得到路段的平均行程时间估计。该融合方法计算量小,融合时间快,有利于实际应用。试验结果表明,该方法提高了区间平均行程时间估计的精度。     

基于数据融合的路段行程时间估计

基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波,采用K近邻法寻找相似的交通流状态来标定状态转移系数,建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是,平均相对误差为9.52%,相对误差的标准差为8.92%。研究表明,与基于移动检测器数据的估计方法相比较,该方法极大地改善了估计精度和可靠性,还具有收敛速度快、对初值不敏感、参数少等特点。     

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.     

基于行程时间估计的快速路检测器布设密度优化方法研究

随着智能交通运输系统对道路实时交通信息的迫切需求,布设高密度、全方位的交通检测器已成为共识,但是高密度的检测器布设带来的是硬件投资的急剧增加,因此有必要进行检测器布设密度的优化。利用快速路行程时间估计方法分析了检测器布设密度优化问题,认为从行程时间估计误差和合理投资的角度出发,检测器布设并不是密度越大效果越好,而是存在一个合理范围,该范围可以指导工程中实际检测器数目的选择。     

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.     

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%。      

基于浮动车移动检测与感应线圈融合技术的行程时间估计模型

综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。     

考虑不同出口转向的城市道路行程时间估计

为了有效利用城市道路行程时间数据,提高道路交通状态预测精度,提出了一种考虑交叉口不同出口转向的行程时间估算方法。针对现有行程时间计算模型存在忽略交叉口不同出口转向交通运行状况不均衡性的现象,提出了交叉口上下游出口转向的概念,通过融合定点检测器和探测车数据,在原有累积直方图模型的基础上建立了交叉口不同出口转向的行程时间累积直方图模型。最后以香江路为例进行数据分析,验证了模型的有效性和准确性。研究结果表明:新模型得到的行程时间计算值与视频检测设备获取的实测值相比误差在10%左右,且相对纯探测车方法预测精度更高,说明考虑不同出口转向的城市道路行程时间估计模型可行。     

基于GPS浮动车的自然路段行程时间估计方法

针对目前基于GPS浮动车交通信息采集技术的研究大多只是涉及宏观方案,细节研究较少,导致产生所得交通信息质量不高的问题,考虑数据用户需求以及路网空间数据的特点设计了自然路段划分方法,同时结合动态GPS数据与路网空问数据的特点提出了路段行程时间估计算法.利用编程语言完成了算法实现,并且利用实测数据进行了算法验证.结果表明,自然路段行程时间估计算法不仅运行高效、稳定,同时获取的路段行程时间数据精度较高.     

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。     

基于影响因素分类的路段行程时间融合研究

对基于固定检测信息和浮动车GPS信息的路段行程时间估计方法进行介绍和分析,明确了对基于以上两种检测信息进行路段行程时间估计方法有重要影响的因素,并设计试验对影响因素进行量化分析。在影响因素量化分析基础上,讨论两种估计方法的适用条件。对影响因素进行组合分类,并在分类的基础上对两种估计方法采用加权融合进行处理,分析了最优权重的分配原则。最后,用试验数据对融合方法进行验证,结果令人满意。     

基于少量探测车的城市路段平均行程时间估计

与传统的固定式采集系统(感应线圈等)比较,探测车系统具有直接采集行程时间、时空覆盖范围广等优点.研究少量探测车情况下的路段行程时间估计问题对降低探测车系统的运营费用具有重要意义.在发现停车组和非停车组的行程时间均值、非停车组所占百分比等3个参数之间关联关系的基础上,提出了在极小样本情况下估计城市路段平均行程时间的方法.基于微观交通仿真的比较分析显示,该方法优于通过样本均值估计平均路段行程时间的方法,特别是当交通状况处于拥挤情况下其优势更为明显.     

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.      

基于图论与矩阵论的交通检测器布设新方法

为了获取各路段的交通流量,解决任意路网的交通检测器布点问题,提出了一种基于图论与矩阵论的交通检测器布设方法.从图论的角度出发,给出了顶点的度数、平衡点与非平衡点的定义;利用平衡点的平衡公式,提出交通量关系矩阵,计算出布设交通检测器的路段的数量;提出2条交通检测器的设置原则来进行交通检测器的设置;最后从矩阵运算推导出未对于设置交通检测器的路段,其交通流量的计算方法.该方法能在任意路网上进行交通检测器的优化布设.算例选取兰州市西关什子附近的路网,结果验证了所提出方法的有效性与可操作性.     

基于事件检测效益的高速公路交通检测器布设方案研究

高速公路交通检测器合理布设有利于准确、快速地检测和确认交通事件发生的时间、地点及性质,进而提高高速公路管控效率.运用一种基于偏差阈值的交通事件检测算法,选取了200 m、400 m和600m等3种交通检测器布设间距,利用VISSIM仿真软件,以济青高速公路济德段为例进行验证性仿真;通过分析有无事件情况下交通参数的变化趋势,确定高速公路检测器最优布设间距,为高速公路监测系统建设提供理论依据.     

区域高速公路网络交通事件传感器布设方法研究

针对如何使用有限的传感器而获得最大的事件检测效益的问题,依据区域高速公路网络拓扑特点,充分利用匝道以及出入口的重要特性,以常规的最短路径算法为基础研究了一种交通事件传感器的优化布设方法,以高速公路网络行程时间标准差作为优化目标,在充分利用现有资源前提下,分别布设和优化路段和出入口事件检测器,形成两层结构的事件检测传感器网络体系。并以上海市高速公路网为例进行了实例应用分析。结果表明,依据合适的优化方法可以确定传感器最佳布设位置和数量,同时结合高效的交通事件检测算法,可以全面提升交通事件检测技术。     

基于浮动车的交通信息采集系统研究

阐述了基于浮动车数据的实时交通参数如平均速度、行程时间、OD矩阵等的估计方法，并利用Vissim仿真软件进行了验证。实验结果表明，笔者提出的交通参数估计方法具有较高的精度。     

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DSRC与点检测器数据融合的实时交通状态表达方法

为了更好地实时估计和预测高速公路的交通运行状态,提升出行信息服务水平,基于高速公路网现有的DSRC检测器数据和点检测器数据,构建了一种基于卡尔曼滤波的实时数据融合方法。首先,在DSRC数据分析的基础上,提出了DSRC数据预处理的方法,包括检测器间距的计算,异常数据剔除,数据匹配方法等;其次,结合DSRC数据及点检测器的数据特征,给出路段的划分方法,在此基础上,构建了基于卡尔曼滤波的实时DSRC数据与点检测器数据的融合模型;最后,通过北京某高速公路上实测的DSRC数据与微波数据对提出的数据融合模型进行了验证。研究结果表明,DSRC数据和点检测器数据实时融合后的结果能更准确地表征子路段实时的交通运行状态,提高了DSRC数据空间表达的实时性,改进了点检测器数据的局部有效性的特点。     

单线圈检测器速度估计方法研究

实时精确的交通速度对于交通管理系统来说是至关重要的.然而,最普遍的单线圈检测器却不能输出速度参数.提出了一种新的单线圈检测器速度估计的模糊神经网络方法.采用杭州公路实地数据对算法进行了验证,模型的速度估计结果与实际速度接近,与传统的g因子算法相比精度有显著地提高.这一方法可以有效地应用于交通管理系统速度的估计.