基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

基于实测数据的出口车道左转交叉口饱和流率修正

为了准确计算出口车道左转交叉口的通行效率,基于实测数据,对该类型交叉口饱和流率进行了研究。研究调查了邯郸市的3个设置有出口道左转的交叉口和1个具有相似规模的常规交叉口,并根据左转车道位置,将调查数据分为5组,包括出口车道左转交叉口的进口左转车道、2条出口左转车道、预信号处左转车道以及常规交叉口进口左转车道。通过将各组出口车道左转交叉口饱和流率与常规交叉口进行对比,证实了出口车道左转这种控制方法对交叉口主停车线和预停车线饱和流率均存在显著影响。在此基础上,考虑车辆滞留、驾驶员非正常驾驶行为、车道利用率、多左转车道和有效绿灯时间等因素,运用概率论及数理统计,分别对主、预停车线建立了出口车道左转控制对车道饱和流率的修正模型。并将模型计算结果与实际调查结果进行比较,对模型进行了检验,主、预停车线处饱和流率估算平均误差分别为1.6%和1.5%。研究表明,出口车道左转控制方法虽然能提高交叉口整体通行能力,但对饱和流率会造成一定负面影响,降低预停车线处和主停车线处车道饱和流率分别为19.4%和23.1%。预停车线处主要影响因素是驾驶员非正常驾驶,主停车线处主要影响因素是车道利用和多左转相互干扰。     

排阵式交叉口延误及最佳周期模型

为了提高排阵式交叉口这一非常规信号交叉口的运行效率，对其延误和最佳周期进行分析。首先针对先直行后左转、先左转后直行和直行左转交替通行3种信号相位相序，通过对排序区内车辆驶入、驶离、受信号控制阻滞等车流运行情况的分析，构建可反映排阵式交叉口车辆2次停车启动的车均延误计算模型。通过仿真对比可知，左转和直行延误估算误差均在10%范围内。在此基础上，以交叉口总延误最小为目标，考虑清空时长、主、预信号相位差、绿灯时长等约束条件，建立排阵式交叉口最佳周期理论模型。针对不同排阵式控制进口道数量设置的情况，通过对最佳周期的拟合分析，建立最佳周期简化模型。与理论模型相比，最佳周期简化模型的拟合优度在0.935~0.972范围内。通过模型对比和案例分析，对最佳周期简化模型的优化效益和稳定性进行检验。研究结果表明：在非饱和状态下，建立的最佳周期模型的平均误差和均方误差分别为2.13%和2.39%，均小于Webster模型和HCM2010模型的计算结果，具有较高的准确性和稳定性，案例中可降低车均延误36.46%；相较于传统信号控制交叉口，建议排阵式交叉口采用较小的周期时长，且当关键流量比大于0.6时尤为显著，分析中发现最佳周期减小14.53%~34.65%。     

自动驾驶公交运行评价研究及应用现状

自动驾驶是智能汽车和智能交通发展的重要技术方向之一,而公交领域是自动驾驶技术能够落地的重要应用场景。目前,自动驾驶技术在城市客运场景下逐渐由产品测试、封闭测试逐步走向试运营、运营阶段。为了支撑公共汽电车自动驾驶研究,本文综述了自动驾驶技术及自动驾驶公交评价与测试现状,回顾了常规公交运行及服务质量评价维度和方法,归纳了自动驾驶车辆在车辆产品测试、封闭测试及开放道路测试的相关研究及评价方法。进一步指出,认识自动驾驶公交车辆应对开放的道路交通状况下的运营特征,并确定面向运营的技术适用条件,是投入社会市场应用与推广的前提。     

基于交通波特征的车道级车流溯源方法

为支撑城市道路中低渗透率轨迹数据条件下车流溯源分析,本文提出一种基于交通波特征的车道级车流溯源方法。基于NGSIM(Next Generation Simulation)数据集中的真实车辆轨迹信息,解析不同来源车流的交通波特征差异性;结合信号配时方案,从车辆初次停车时刻、集结波起始时空位置、集结波斜率、集结波覆盖长度等多个维度验证了交通波应用于车流溯源的可行性。在此基础上,提取集结波5项特征参数,构建4种基于机器学习的车道级车流实时溯源模型。采用NGSIM数据对模型参数进行训练标定,并对不同归一化方法、不同数据量、不同数据精度下的模型效果进行灵敏性分析。结果表明,在低数据量场景下,特征参数宜采用Min-Max法进行归一化处理,溯源流量平均误差比例最大不超过23.60%;当数据量较为充分时(超过100个信号周期),特征参数宜采用Z-Score法进行归一化处理,平均误差比例最大不超过9.90%,效果最佳的梯度提升回归模型的平均误差低至0.01%。此外,数据误差对不同模型的影响有所差异,但在误差较大时模型不会出现失效问题。本文所构建方法不依赖于固定检测器数据,未来可进一步研究交通波在网络层面...