基于元胞自动机的交通事故影响下车辆的跟驰行为分析

通过对城市交通事故影响下交通流的分析,结合元胞自动机的原理并进行了相关改进,构建了交通事故影响下车辆的跟驰模型以及变道绕行模型.此外,利用MATLAB编写仿真程序,并由仿真结果分析了在交通事故影响下车流速度的传播特点,发现障碍物对整体交通流的影响要远远超过实际上的物理范围,且影响的消散也非线性.     

柴油机磨粒参数的灰色关联分析及预测

该文根据紫油机时间序列磨粒形状参数,应用灰色系统理论进行关联分析,并用GM（O,N）模型进行磨损趋势预测,在实际应用中证明这一方法是有效的。     

自然驾驶状态下重型工程车驾驶人驾驶稳定性分析

重型工程车行驶过程中事故风险大,发生恶性事故的概率高,易造成重大生命和经济损失,其运输安全管理问题面临挑战.为探究重型工程车驾驶人驾驶稳定性与相关影响因素之间的关系,开展重型工程车自然驾驶试验,提取车辆运动学、道路条件、驾驶人状态和工作时间等数据;采用速度均值和速度标准差表征驾驶人驾驶稳定性,以睡眠模式、道路线形、道路...     

行人过街信号与交叉口信号的协调控制

通过对现行理想干道典型路段行人交通和机动车交通运行状况分析,在现场实地调查的基础上,运用适合中国交通现况的定时式线控系统理论,对交叉口和人行横道进行信号配时优化.应用结果表明对路段和主线机动车流进行协调控制设计,可以有效减少过街行人对主线车流的干扰,在满足行人过街要求的同时获得较好的主线绿波带宽.     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

基于重采样的交通拥挤识别方法

交通拥挤识别实质上是一种不平衡分类问题,通过解决不平衡分类问题,在数据层面对原始数据集进行重采样,并采用不同的采样倍率进行向上和向下采样,降低数据集类间不平衡程度,从而提高拥挤类识别精度.选取南京市虎踞路(主干道)某一路段作为研究对象,调查获得7:30-9:00交通流数据,并在此基础上,通过vissim软件仿真得到更多数据.借助weka软件平台运用朴素贝叶斯分类器进行分类试验,并对检测结果对比分析,结果表明重采样方法在对总体识别率影响较小的情况下,能够提高拥挤类的识别率.     

基于模拟退火求解的一种新的随机存储规划模型

针对一类需求是不确定的、随机的存储问题,应用随机规划技术和方法建立了一种新的随机存储规划模型,模型中允许随机参数的密度函数可以有更一般的形式。应用模拟退火算法求解该新模型,制定存储策略。编程实现该算法,并用于解决船舶配件存储规划问题,运行结果说明上述模型和求解方法的有效性和可行性。     

基于神经网络的信号交叉口进口车道交通延误预测

基于误差反向传播(Back Propagation,BP)神经网络建立了适应能力较强的信号交叉口进口车道平峰时的交通延误网络模型,并利用邯郸市某信号交叉口进口车道的平峰小时交通延误的数据,对该BP神经网络预测模型进行训练和测试.比较分析预测结果和实际数据,结果表明该BP神经网络对于交叉口进口车道的交通延误预测结果可靠有效.此外,在交通情况更加复杂的信号交叉口或者时间段,以该模型为基础可以建立更加可靠的预测信号交叉口进口车道交通延误模型.     

基于决策融合的城市道路交通事件自动检测算法研究

为了提高城市道路交通事件自动检测算法的性能,引入算法性能可靠度概念对基于浮动车数据和感应线圈数据的事件自动检测算法检测结果进行决策融合。决策融合算法包括3个模块：①感应线圈数据算法模块：选择流量、占有率、路段长度、前一个检测周期的检测参数作为输入参数,训练BP网络进行事件判别;②浮动车数据算法模块：使用误差分析理论确定满足数据精度要求的最小浮动车样本量,选择路段行程时间、行程速度作为BP网络输入参数,进行事件判别;③决策融合模块。引入算法性能可靠度概念,计算模块一和模块二判别结果的权重值,使用加权平均法进行决策融合。通过Vissim仿真获得数据,在Matlab中编程实现算法的计算,仿真结果表明决策融合算法的性能优于单数据源事件自动检测算法。     

基于GA启发式抽样的交通事件自动检测

为了提高面向不平衡数据集的交通事件检测综合性能,提出了两种基于GA启发式抽样方法的交通事件检测算法.基于GA的实例选择抽样方法(GA-IS),解决非启发式抽样方法人为设定抽样率导致的检测效果不稳定问题.基于GA的支持向量选择抽样方法(GA-SS),改善学习集数据量较大时的检测效率.实验采用新加坡AYE仿真数据库,以支持向量机作为分类器进行事件检测.结果表明,基于遗传算法实例选择抽样的检测模型检测率达到94%,平均检测时间为1.413 3 min,性能指标PI为0.157;基于遗传算法支持向量选择抽样的检测模型决策时间为4.55 s,综合性能最优,其PI为0.151;基于少数类过抽样算法(SMOTE)的检测模型决策时间为35.21 s,PI为0.329,与非启发式抽样方法相比,所提方法能有效改善面向不平衡数据集的事件检测综合性能.