基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。     

考虑行人过街因素的环形交叉口配时优化方法研究

环形交叉口大多位于城市的中心区域,有着美化城市景观和交通疏导的重担。然而环形交叉口存在普遍的交通堵塞问题,给城市中心区域交通通行能力带来重创,并且大量的过街交通流导致严重的人车冲突,给环形交叉口的交通安全带来极大的隐患。本文通过分析道路人行横道行人过街的交通特性等,构建信号控制多目标优化模型,选取遗传算法求解,结合实例表明该模型能有效提高我国环形交叉口通行能力,缓解交通冲突。