融合卡尔曼滤波的高速公路状态估计误差界限分析

为分析高速公路交通流检测数据质量,本文构建平方流量误差界(Squared Flow Error Bound, SFEB)和扩展卡尔曼滤波(Extended Kalman Filter, EKF)的决策级融合模型SFEB-EKF,在检测器空间覆盖不足情况下,计算检测路段和无检测器路段的交通状态估计误差界限。与SFEB 算法相比,融合模型利用EKF交通状态估计模型估计全路段交通状态,基于得到的估计样本计算全路段交通状态估计误差下界。同时,采用最近邻法(Nearest Neighbor Method, NNM)计算全路段交通状态估计误差上界。应用开源高速公路数据集测试模型,结果表明,与需要输入真实样本的SFEB算法相比,融合模型SFEB-EKF在缺少真实样本情况下,能取得相似的结果且误差保持 在5%以内,不同检测器覆盖率实验下模型表现出良好的稳定性。本文模型通过给出无检测器路段交通状态估计界限,为高速公路交通检测器布设方案提供参考。     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段，精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性，提出基于图卷积网络(Graph Convolution Network，GCN)的大规模城市路网短时交通流预测模型，具有较高的预测精度、预测效率和现实解释意义；采用真实大规模城市路网浮动车数据对GCN模型进行测试，结果表明，GCN模型相对于现有模型，在预测性能上有较大提升.     

网约共享出行研究综述

网约共享出行是智慧城市交通系统的重要组成部分,作为新兴的移动互联出行方式,产生 了海量庞杂、异质多源、大尺度时空关联的交通大数据,蕴含能够描述复杂交通系统供需态势的 丰富信息。从网约共享出行行为机理、平台管理优化、政府监管政策、系统仿真优化等4个方面, 综述了国内外网约共享出行研究的基础理论前沿和交通运输管理实践成果,归纳总结了其中存 在的问题。通过移动互联交通大数据,分析网约车乘客和司机的出行行为影响因素、特征辨识及 外部性,追踪城市个体和群体的出行行为演变规律,揭示网约共享出行系统供需平衡和网络均衡 机理。研究解决网约共享出行供需的时空效应及短时预测问题,优化网约共享出行平台定价策 略,提高平台匹配和调度效率,实现供需时空资源的优化配置。利用智能体仿真、基于活动的仿 真、数据驱动的仿真等技术手段对理论结果进行模拟推演和优化验证,为政府制定相关监管政策 和平台优化运营管理策略提供理论依据和工具支持。并面向复杂动态移动互联环境,展望了亟 须开展的若干重点研究方向。     

基于混合近端策略优化的交叉口信号相位与配时优化方法

交通信号优化控制是从供给侧缓解城市交通拥堵的重要手段,随着交通大数据技术的发展,利用深度强化学习进行信号控制成为重点研究方向。现有控制框架大多属于离散相位选择控制,相位时间通过决策间隔累积得到,可能与智能体探索更优动作相冲突。为此,本文提出基于混合近端策略优化(Hybrid Proximal Policy Optimization, HPPO)的交叉口信号相位与配时优化方法。首先在考虑相位时间实际应用边界条件约束下,将信号控制动作定义为参数化动作;然后通过提取交通流状态信息并输入到双策略网络,自适应生成下一相位及其相位持续时间,并通过执行动作后的交通状态变化,评估获得奖励值,学习相位和相位时间之间的内在联系。搭建仿真平台,以真实交通流数据为输入对新方法进行测试与算法对比。结果表明：新方法与离散控制相比具有更低的决策频率和更优的控制效果,车辆平均行程时间和车道平均排队长度分别降低了27.65%和23.65%。     

基于仿真的交通信号控制优化策略研究

根据道路流量,研究了利用灵活的控制策略提高交通控制的效率问题.针对信号控制交叉口实际流量动态变化的特征,在现有传统控制方法的基础上根据交叉口交通流的变化特点,提出采用可变车道控制模式的控制方法、单边轮放控制模式的控制方法,介绍了其潜在的适用条件、优势及特点,并在交通流量调查的的基础上,建立了交叉口的相应仿真模型,利用信号控制仿真软件Synchro验证了在高峰期不同控制方法的效果.仿真结果表明,所提出的控制方法适用于具有相应流量特点的交叉口,提高了信号交叉口的控制效率.     

网络行程时间可靠性评价方法与影响因素

采用区域划分方法研究了网络行程时间率的概率分布, 提出了基于OD对的网络行程时间可靠性指标以评价城市交通可靠性; 选取影响行程时间可靠性指标的相关因素, 建立了多元线性回归模型, 用逐步回归法求解模型, 并进行了模型参数显著性检验; 根据杭州市和北京市的网约车数据计算了网络行程时间可靠性指标, 并与高峰拥堵延迟指数进行对比, 分析了网络行程时间可靠性指标的时间和空间分布规律。研究结果表明: 在多元线性回归模型中, 规划行程时间率与等待时间、费用、距离、行程时间和OD对间行程次数这5个自变量拟合得到的决定系数为0.772, 平均行程时间率与5个自变量拟合得到的决定系数为0.857, 2个模型拟合程度均较好, 回归模型显著; 规划行程时间率回归模型中等待时间、行程时间和实际行程距离的回归系数分别为0.386、0.399与-1.286, 平均行程时间率回归模型中等待时间、行程时间和实际行程距离的回归系数分别为0.162、0.177与-0.676, 2个交通可靠性指标都与等待时间和行程时间呈正相关, 和实际行程距离呈负相关; 提出的网络行程时间可靠性指标与高峰拥堵延迟指数变化趋势一致, 较好地符合现实交通状况, 从多角度反映了交通可靠性特征, 可以为路网规划提供决策支持, 帮助居民更好地进行出行路径选择。      

空间异质性建成环境对出租车与地铁竞合关系的影响

建成环境对出行方式的影响已有丰富的研究成果，然而对不同出行方式间相互关系影响的研究仍不够细致。本文以网格化的形式细化研究区域，采用土地利用属性和交通属性的六小 类要素作为特征变量刻画城市建成环境的特征。基于出租车行程的OD点与地铁站点的空间关系，将出租车与地铁竞合关系表征为 SCPE(Subway-competing,与地铁竞争)方式、SE(Subwayextending，延伸地铁)方式和SC(Subway-complementing，补充地铁出行)方式，并利用多尺度地理加权回归研究建成环境对竞合关系(SCPE、SE、SC)的影响机理及其空间效应。针对兰州市的案例研究表明：SCPE、SE、SC方式具有显著的空间异质性；多尺度地理加权回归能够刻画SCPE、 SE、SC方式与建成环境间依赖关系的空间异质性及其尺度差异，其估计结果更为可靠；建成环境各要素对SCPE方式的影响较为平稳，SC方式对公交站点密度和道路密度要素非常敏感，存在高度的空间异质性，SE方式亦对公交站点密度要素非常敏感。     

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。