排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
为精准识别不利天气下高速公路交织区的交通运行状态，在传统交通流指标上引入天气因素，建立改进的k-prototypes交通运行状态划分方法。本方法通过分析在不同等级的降雨、能见度、风速下交通流特性的变化特征，确定天气对交通流状态的影响；利用随机森林模型选择交织区各车道交通流运行状态的影响变量；为提高模型精度，引入信息熵衡量k-prototype算法的相异性，并提出聚类效果评价指标衡量状态的有效性。结果表明：考虑天气及交通流特征的高速公路交织区各车道运行状态划分为7类最佳，分别对应《道路通行能力手册》中的各级服务水平。在恶劣天气影响下，交织区各车道服务水平均下降明显，车道1、3平均下降4个等级，车道2、4平均下降3个等级；在中度天气影响下，各车道下降2～3个服务水平。在同一服务等级下车道1、3车流运行最小速度下降范围在11.2～17.4 km·h-1，而车道2、4在21.2～27.4 km·h-1。研究成果可为恶劣天气影响下更精细化的交通管理以及提高高速公路交织区服务水平提供理论基础。 相似文献
2.
为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明：本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%～19.80%,均方根误差降低了11.20%～17.99%,决定系数提升了8.62%～12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%～13.81%,均方根误差降低了4.23%～10.67%,决定系数提升了3.50%～7.01%,且本文... 相似文献
1