基于时序马尔科夫模型的电子警察采集数据异常识别

针对电子警察采集数据存在的数据延迟、数据缺失和异常偏离三类常见问题,在保证数据未出现延迟和缺失时,基于马尔科夫模型判断数据的异常偏离;考虑流量序列间的关联关系,建立基于历史数据的转移概率矩阵,在此基础上利用马尔科夫模型进行流量概率分布预测,进而利用EM算法拟合概率分布得到对应的均值和标准差;根据模型预测结果和设定的流量合理分布阈值,以置信区间的形式直接判断流量的异常偏离情况。实例验证结果表明,基于马尔科夫模型的流量预测准确率达87%,异常偏离识别准确率为83%左右。     

基于车头时距与行程时间的排队长度算法

基于电子警察过车数据,分析该周期内车道通行车辆的车头时距变化规律,提出该周期车道排队长度值的实时计算方法。针对多次排队、绿波协调情况,结合通行车辆的行程时间对结果进行修正,得到该周期车道最大车辆排队长度值。通过桐乡市庆丰路实时监控视频对比计算结果,证明本算法具有较高准确性。算法便于工程实践,可为信号配时优化提供数据支撑。     

基于电警过车数据的排队长度算法

排队长度是城市交通信号控制的重要参数之一。为实时估计交叉口各相位绿灯初始时刻的排队长度,提出一种基于电子警察过车数据并考虑展宽段的排队长度计算方法。本算法考虑上一周期本路段滞留的车辆数,结合上游交叉口各相位驶入本路段参与排队的车辆数,通过时空演化计算本周期绿灯初始时刻的排队车辆数,进而得到相应排队长度值。通过VISSIM仿真软件构建仿真场景验证排队算法,证明本算法具有较好的准确性。