基于车辆身份感知数据的路段轨迹重构方法研究

车辆轨迹蕴含着大量丰富的交通流时空信息,对于全面解构城市交通路网运行具有至关重要的意义.传统车辆轨迹重构模型大多基于定点线圈检测数据或者浮动车轨迹数据作为输入数据,并且普遍未考虑过饱和交通状态.本文提出了一种基于车辆身份感知数据的车辆路段轨迹重构方法,通过构建一种绿灯相位回溯框架,基于交通流激波理论分段重构车辆行程轨迹,每次回溯过程包含两个主要步骤,即估计车辆状态和分状态重构车辆行程轨迹;然后在Paramics 微观交通仿真平台上对本方法模型的准确性进行了验证.结果表明,该方法在各种饱和状态下均能达到令人满意的应用效果.     

基于车辆轨迹重构的信号交叉口延误提取研究

通过信号交叉口设置的监控设施,获取停车线前f 辆车的相关信息,以其为分析数据源,重构车辆运行轨迹,提取信号交叉口的延误参数. 对于轨迹重构中车辆运行时减速、停车、启动,以及恢复正常行驶速度等关键时间点的确定方法为：借助前f 辆车的停车时间信息和车辆到达概率分布函数,确定后续车辆的停车时间;结合车辆减速过程满足的双曲正弦函数,确定经历排队车辆的减速时间点;以前f 辆车的启动时间为输入,借助饱和车头时距,计算车辆启动时间点;根据车辆加速满足的匀变加速过程,确定车辆恢复正常行驶速度的时间点. 最后,通过实际车辆轨迹数据验证了该方法的精度.     

基于轨迹数据的过饱和信号路口排队长度分析

针对交通过饱和情况,利用网联车轨迹数据提供的车辆到达和停车位置等信息,提出一种基于交通冲击波的周期初始队列长度和最大排队长度的估计方法。基于网联车车辆轨迹确定车辆到达时刻、排队时刻、启动时刻及驶离时刻4个临界点的时空数据,并根据时空信息建立到达率估计模型,运用冲击波理论对每个周期初始队列长度及最大排队长度进行估计,应用微观交通仿真软件SUMO对模型进行仿真验证。实验结果表明：在网联车渗透率不低于20%的情况下,当v/c=1.0(v为实际交通流量,c为道路通行能力)时,初始队列长度MAE值小于6.5 m,MAPE值小于10%,最大排队长度的MAE值小于16.0 m,MAPE值小于11%,说明基于车辆轨迹的交叉口排队长度估计模型能够较为有效地估计过饱和交叉口的最大排队长度和初始队列长度。     

基于秩最小化矩阵去噪的船舶轨迹重构方法

针对船舶自动识别系统(Automatic Identification System,AIS)在实际应用中存在错误数据频发、数据丢包等问题,本文提出一种基于秩最小化矩阵去噪的船舶轨迹重构方法,利用去噪实现轨迹重构,同时,实现对轨迹的去噪和缺失补全。该方法通过线性插值实现经度对齐,将轨迹数据转化为轨迹矩阵,从而补全轨迹中的缺失值。由于补全结果存在非常大的误差,因此,引入PLR(Patch-Based Low-Rank Minimization)算法去噪,消除误差。同时,为进一步提升补全效果,通 过2D-VMD(Two-Dimensional Variational Mode Decomposition)算法将矩阵分解为不同频率的IMF(Intrinsic Mode Function),并分别进行PLR去噪,合并去噪结果,得到最终重构后轨迹。本文以长江武汉段水域船舶AIS轨迹为研究对象,通过实验证明该方法在不同缺失比例以及随机缺失和连续缺失两种情境下具有鲁棒性和较强的稳定性;并与 HALRTC(High-Accuracy Low-RankTensor Completion)、TRMF(Temporal Regularized Matrix Factorization)等方法进行比较,结果表明,该方法相较于HALRTC等方法具有更高的精度,并在高损失率下表现出较好的重构效果。     

基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战.本文构建基于数据增强的LSTM-AE-Attention深度学习模型,进行车辆轨迹重建和异常轨迹识别.首先,使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集,实现数据增强;其次,通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹...     

基于视频的交叉口排队过程感知及预测

在研究交叉口排队过程中,全面、精细地感知及预测方法一直是难点. 传统的排队过程感知方法缺乏不同排队阶段的精细感知和关联,无法得到全面、精细的交通参数. 对此,提出一种基于视频、分阶段感知再关联的排队过程感知及预测方法. 该方法包括3 部分：第一,通过目标检测和边缘检测提取道路和车辆信息;第二,对道路和车辆边缘信息进行卷积融合,检测排队区域和排队长度;第三,利用车辆位置重构和KCF跟踪等方法感知并关联不同排队阶段,重构并预测交叉口车辆运行轨迹,得到精准到车辆个体的排队车辆数和停车延误等参数. 实验结果表明,所提方法在检测正确的情况下,平均95.7%的排队车辆轨迹重构结果是准确的;并且在实际应用场景测试中,在不同车流量和光照条件下均可取得满意的效果.     

基于改进D-S证据理论数据融合的路段单元交通状态判别方法

为探究不同类型车辆运动特征差异对路段整体交通流状态判别的影响,解决单一数据源导致判别结果精度不高的问题,针对多种类型车辆的浮动车数据存在的显著差异,提出了基于改进D-S(Dempster-Shafer)证据理论数据融合的路段单元交通状态判别方法.通过分析不同类型车辆的浮动车数据,探究其在速度分布、交通状态划分标准及样本...     

混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测,本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先,通过特征筛选和历史轨迹序列标注建立轨迹预测数据集;其次,构建长短时记忆网络的编码器-解码器模型,编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量,解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹;最后,采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明：本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性,5 s的终点位移误差在2.7 m以内;并且模型在稀疏采样后的数据集上达到更高的预测准确率,5 s的位移误差在1.3 m以内。     

基于深度数据的车辆目标检测与跟踪方法

现有基于几何特征的目标检测与跟踪方法误检率较高,目标跟踪过程中的漏检易导致错误的目标关联.针对这些问题,本文提出了一种基于激光雷达(LiDAR)深度数据的车辆目标检测与跟踪方法.根据激光雷达深度数据特性,采用一种基于栅格的参数自动化聚类(PAG) 算法对原始数据进行处理,并在每个聚类中提取目标线段,获取目标特征.在此基础上对车辆目标进行识别,并计算得到目标的位置信息.采用卡尔曼滤波算法,制定滤波器管理策略,完成目标关联及状态估计.最后利用装备有一个前向激光雷达的实验车辆对提出的方法进行验证. 实验结果表明,本文提出的方法可准确识别并跟踪多个车辆目标,避免错误的目标关联.     

基于轨迹数据的车辆跟驰行为分析与建模综述

随着轨迹收集技术与数据分析技术的迅速发展,越来越多的车辆行驶轨迹被采集并用于 交通流研究。车辆轨迹数据主要包括车辆运行的位置与时间等信息,利用这些信息可以推算出 车辆的速度、加速度及其与前车之间的空间和时间距离等驾驶行为参量。通过研究轨迹数据可 以揭示车辆自身的运行规律,车辆之间的相互作用规律,道路环境对车辆的作用规律,以及由此 产生的宏观、微观交通流现象,因此,轨迹数据研究受到日益重视。本文简要回顾了与轨迹数据 收集相关的历史,介绍了自然场景下采集的Next Generation SIMulation(NGSIM)数据及实验场景 下采集的车队轨迹数据,并梳理了近几年基于车辆跟驰轨迹的理论研究。首先,分析以交通振 荡、交通回滞为代表的交通流关键实测现象研究工作;整理跟驰行为分析方面的研究成果,包括 不对称跟驰行为、稳定跟驰行为的存在性、跟驰行为的记忆效应、任务难度、随机性、异质性。之 后,介绍基于跟驰行为分析成果而构建的仿真模型。最后,从3个方面评述现有基于轨迹数据的 研究,并提出未来展望：交通流关键实测现象方面,应收集更多不同条件下的数据,并尝试构建更 加普适性的理论或模型解释交通流现象;跟驰行为分析方面,可结合数据挖掘技术或生理、心理 理论,量化驾驶员跟驰特性与生理、心理特征,并将两者结合深入分析跟驰行为的机理;仿真建模 方面,可更多考虑驾驶员生理和心理变量,使模型更具人性化特征,并关注模型的评价方法,注重 模型对实际交通流的解释能力。     

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。     

���ڳ������������㷨�ĵشŴ��������ڵ㳵�ٹ���

地磁车辆检测器是近年来兴起的新型交通流信息检测技术,而利用单节点检测数据完成车速估计是该技术研究的重点之一. 本文首先对地磁车辆检测技术予以简要介绍,然后基于对道路车辆车长分布规律的分析,在合理假设的前提下,提出了车流特征分区的车速估计算法. 该算法充分考虑实际应用中各类车型组成情况,应用最大类间方差法实现大型车与小型车的分类,基于城市道路小型车居多且车长分布集中的特点,仅利用小型车通过时间检测数据完成对平均车速的估计. 最后,选取实际路段开展试验,并基于Matlab平台对该算法进行了验证. 结果表明,本文提出的车流特征分区算法稳定性好,平均准确率达到85％以上.     

基于云平台的交通视频检测数据优化研究

交通视频检测技术在智能交通领域应用广泛,成为当前交通信息采集的主要手段.但在恶劣天气条件下,视频车辆检测器采集的交通数据误差较大,难以准确反映路面实际状况.为解决此问题,本文提出基于不同气象能见度等级构建k 型BP网络,对气象能见度低于10 km时的原始交通数据作预处理优化.分析了云计算在交通信息处理方面的优势,基于云计算平台实现了该模型的构建与推广.最后以成都绕城高速七里沟大桥定点观测得到的数据做样本进行实例分析,对比了该模型方法与传统处理方法的数据处理效果,得出了本文方法较传统方法先进的结论.     

����̽�⳵���ݵ�·�ν�ͨ�����о�

现有探测车系统的探测车数量不足,尚无法满足实时采集交通状况的需求.因此,现阶段探测车历史数据是了解城市道路的交通状况变化（Time of day variability）的重要依据.基于日本名古屋探测车实证试验获得的探测车历史数据,研究了某一干线路段的平均速度的变化特性（Time of day variability）,并分析了平均速度的变动是否能够正确地反映路段交通状况的变化特性.结果表明,获取城市道路的路段交通状态不能仅依靠平均路段旅行时间、平均速度等旅行时间指标,还需要探测车数据量等流量指标：在高峰时段,应以平均速度等旅行时间指标作为拥挤程度变化趋势的依据,而在非高峰时段,应以探测车数据量等流量指标作为估计交通状况变化趋势的依据.     

基于车辆轨迹的信号交叉口机非冲突判别

选取长沙市中心区4个典型信号交叉口,利用视频轨迹追踪软件,提取右转机动车与直行非机动车的冲突交通流轨迹数据.以减速、换道等避险行为与可能发生碰撞(距离碰撞点时间小于2 s)为依据,采集机非冲突样本;选择距离碰撞最大时间(MTTC)和冲突时间差(TDTC)作为评价指标,提出一种基于交通流运行轨迹的改进型TTC(Time ...