驾驶行为数据驱动的城市道路交通安全风险辨识方法探讨

为提高城市道路交通安全水平,针对道路交通安全风险辨识方法多采用宏观事故数据及小样本交通调查数据的研究现状,紧扣当前道路设计及交通管理对风险客观精确辨识的现实需求。首先,分析了已有风险辨识方法的优缺点,及现有辨识方法面临的挑战;其次,基于国内外驾驶行为研究现状,结合车联网OBD异常驾驶行为数据精确度高、数据量大等优势,定性剖析不同道路条件与异常驾驶行为的关系;最后,建立道路条件与异常驾驶行为关联模型,分析探讨利用异常驾驶行为数据辨识道路交通安全风险的研究思路,并提出相应的思路流程及关键技术的进一步研究。     

轨迹数据驱动的单点信号交叉口运行效率评价方法

为解决信号交叉口运行效率评价方法偏理论化、实用性不强等问题,以出租车、公交车、驾图 (车联网)多源GPS轨迹数据为基础,充分利用车辆减速、停车、加速等连续速度变化特征及位置信息,提出交叉口个体车辆排队长度、通行时间、停车次数等交通参数提取技术。基于此,构建以信号交叉口运行指数为一级指标,车辆平均通行时间,第95%分位排队长度,两次停车率为第二级指标的评价指标体系,基于高斯混合聚类模型对综合运行指数进行分级量化,最终确定五级服务水平评价标准。实例表明：采用本文方法能够比较准确地反映不同时段交叉口各转向、进口道及交叉口整体运行水平,最大排队长度与实际相对误差约15%左右,优于仿真结果;除样本不足情形以外,服务水平评价结果比仿真更贴近实际运行情况,验证了本文方法的技术可行性及评价结果的客观真实性。     

城市快速路交织区控制策略研究综述

由于快速路交织区及其影响范围内存在大量不同流向车辆的换道行为,导致交织区成为快速路的交通瓶颈。为保障交织区交通高效安全运行,文中在综合分析交织区运行特性和安全特性的基础上,综述交织区匝道、主线等控制策略,建立快速路交织区及影响区域交通运行协同控制框架,考虑车辆行驶行为因素,分别对主线、匝道和交织区的拥堵情况、紊乱程度、排队溢出等交通状态进行识别和预测,建立涵盖匝道控制、可变限速、车道信号、定向车道、标线诱导、实体隔离等方案的协同控制策略,并进行预评估与反馈校正,实现交织区从信息采集、预测控制、策略执行的全链条反馈校正流程;最后提出交织区交通控制面临的挑战和研究方向。     

干道交通状态识别及演变机理研究

为减少城市交通拥挤、避免交通瘫痪、保障出行安全,在综合分析交通信息采集技术、交通状态识别、交通状态演变研究现状的基础上,对干道交通状态识别及演变机理进行分析,建立适用于精细化交通管控的城市道路交通状态识别及预测框架,主要包括基于深度学习结合视频跟踪算法提取交通参数、基于路段单元运用堆叠式稀疏自编码结合K-均值聚类对车道和路段交通状态进行精准判别、基于LSTM循环神经网络与3D-CNN卷积神经网络对交通状态进行预测;最后提出干道交通状态识别与预测面临的挑战和研究方向。     

一种新的城市建设项目——交通影响分析阈值确定方法

针对目前城市建设项目交通影响分析阈值单一、未考虑道路交通状况差异性的问题,提出基于城市道路等效通行能力和密度比的评价方法,提出新的充分考虑道路不同交通状况的交通影响分析阈值计算方法.根据密度比评分标准,将城市道路交通状况划分为若干等级,对各等级道路提出了相应的建设项目交通影响分析出行阈值.     

山地城市公交优先道通行能力计算模型探讨

公交优先道是在高峰时段设置了分时段的地面公交优先道系统,也是作为交通需求管理的一种形式,公交优先道通行能力的分析和计算在公共交通运输方面具有重要作用。结合山地城市公交优先道的特征进行分析,分别从交叉口和路段两个方面选取通行能力主要影响因素,包括绿信比和路段开口数量、开口驶入流量、开口驶出流量,提出山地城市特征引入公交优先道通行能力计算模型的思路。基于已有通行能力计算模型,选择理想通行能力计算模型进行优化,构建山地城市信号交叉口和路段公交优先道通行能力计算模型,分析路段开口影响因素的影响系数。结合重庆市渝南大道交叉口相关数据进行模型优化结果验证。结果表明,优化模型通行能力计算结果与实际通行能力误差比＜6%,达到可接受范围,该模型能够较准确地计算山地城市公交优先道实际通行能力。     

基于车联网OBD数据的道路安全评价方法

针对目前道路安全评价较少考虑驾驶行为及车辆运行状态,评价指标及权重值大多通过主观方法确定的局限,结合车联网OBD数据包含车辆行为及运行状态且数据丰富、精度高的优势,基于人工智能领域粗糙集理论,提出考虑道路条件、天气状况、交通状态、驾驶员特性、车辆运行状况的道路安全评价体系构建思路和流程及有待进一步研究的关键技术。     

城市大型建设项目交通影响分析

城市建设项目交通影响分析(TIA)能有效控制城市土地建设项目对交通的影响。文章分别从执行局面和研究层面阐述了TIA的主要内容,并结合国内外研究现状,分析了TIA各项关键指标和技术方法目前所存在的缺陷,指出目前TIA研究所存在的若干问题,同时总结归纳了建设项目进行TIA的一般流程。     

基于3D CNN的道路视频交通状态自动识别

为了从视频直接有效地提取交通信息,提出了基于三维卷积神经网络 （3D convolutional neural networks,3D CNN）的交通状态识别方法.首先,以C3D （convolutional 3D）深度卷积网络为3D CNN原型,对卷积层数量与位置、平面卷积尺寸及三维卷积深度进行优化调整,形成了37个备选模型;其次,建立了视频数据集,对备选模型进行系统的训练测试,提出了交通状态识别模型C3D*;然后,对C3D* 和现有三维卷积网络模型进行视频交通状态识别测试分析;最后,对比测试了C3D* 及常用二维卷积网络的交通状态识别效果. 对比结果显示:针对视频交通状态识别,C3D* 的F均值为91.32%,比C3D、R3D （region convolutional 3D network）、R (2+1) D （resnets adopting 2D spatial convolution and a 1D temporal convolution）分别高12.24%、26.72%、28.02%;与LeNet、AlexNet、GoogleNet、VGG16的图像识别结果相比,C3D* 的F均值分别高32.61%、69.91%、50.11%、69.17%.      

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.