基于径向基函数神经网络的城市道路路段行程时间实时预测模型

提出利用径向基函数（RBF）神经网络方法对城市道路路段行程时间进行建模NN,并结合线圈和视频实测数据进行仿真分析,以实际行程时间和模型输出的行程时间预测值比较验证了模型的合理性。并将RBF神经网络方法与BP神经网络方法进行比较,结果表明RBF神经网络相对于BP神经网络训练时间短,且预测精度更高。     

手机信令数据支持下高速公路检测器布设研究

交通检测器的布设决定着路段行程时间估算及预测的精度.同时,检测器技术、行程时间估计方法也会影响到检测器布设方法.针对此问题研究利用手机切换数据交通信息提取支持,结合传统固定检测器,基于BP神经网络实现行程时间融合估计.基于新的行程时间估计方法,以估计精度为约束,研究传统固定检测器的布设.结合实例分析,验证行程时间融合估计方法有效性,并在均匀布设和盲区补充方案基础上,研究检测器布设间距对交通参数估计的影响.     

面向高速公路交通调度的动态数据融合

在高速公路交通动态数据融合需求分析的基础上,采用环形线圈和微波检测器建立多检测器动态数据的现场试验站,通过多检测器组合方式构建数据检测方案;应用基于自适应加权和改进BP神经网络的数据融合方法,建立交通动态数据融合模型,研究高速公路同一时间、相同断面的多检测器的数据融合。现场试验与检测数据分析表明：基于改进BP神经网络融合方法所获得试验数据的平均相对误差较微波和环形线圈各自的精度提高了10％-20％。     

基于Logit模型的城市道路交通事件检测仿真

以Logit模型为基础,利用效用函数与概率的概念,建立分时段的城市道路交通事件检测算法。由PARAMICS软件产生模拟交通流数据,将数据输入LIMDEP软件并标定效用函数的系数,同时还输出最大概率预测表。仿真试验结果表明:(1)基于Logit模型的检测算法不仅能够用于城市道路的事件检测,还可判断事件发生所在的车道。(2)在路段长度、车道数、流量相等的模拟条件下,交叉口信号超过仿真所设定的1 min时段长度时,检测效果降低。若将模型时段长度由1 min提高至超过最大信号周期,即可解决检测效果降低的问题。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。      

基于神经网络客流预测的高峰期公交时刻表优化

为了加强公交发车时刻与高峰期客流需求波动间的协调性,需要依据实时客流需求进行时刻表优化.根据IC卡采集到的上车乘客数据,分别采用BP神经网络和RBF神经网络算法预测计算得到断面客流量.兼顾优化决策和评价模型,设计完善了基于客流预测的公交时刻表动态优化流程.计算文山市公交线路客流数据,发现案例中采用RBF神经网络预测得到的断面流量精度较BP神经网络高出4.9%.基于RBF神经网络和BP神经网络预测客流需求优化的公交时刻表与现状运行时刻表相比,乘客出行成本分别降低了4.11%和1.35%,企业运营成本分别降低了7.06%和4.60%.定量验证了动态优化方法的可行性和有效性.      

基于改进BP神经网络的交通流数据融合

提出一种改进BP神经网络的交通流数据融合算法,通过对融合模型以及融合算法的改进,实现融合精度及容错能力的提高,最终利用某城市主干路的交通流实测数据进行实验验证.验证结果表明,本文提出模型可以通过LSE值验证且融合精度可以达到94%以上,因此利用改进BP神经网络可以有效进行交通流参数的融合,并可以较为准确反映路段平均速度的变化,为交通流的预测与诱导提供理论支持.     

基于灰色系统和神经网络的实时交通量预测组合模型研究

介绍了将灰色系统理论和人工神经网络模型作为预测工具所具有的优缺点,建立了单一的GM(1,1)灰色系统模型。对传统的BP神经网络模型进行改进,在权值函数中加入一个动量因子作为阻尼系数,可大幅降低其容易陷入局部极小值的可能性。同时对学习率加以改进,使其能进行自我调节,于是构建了单一的BP神经网络模型。将单一的灰色模型和BP网络模型进行有机融合,得到了灰色系统—神经网络的组合模型。为验证这3种模型的预测效果,选取某一高速公路路段的单向交通量数据,通过Matlab软件编程进行拟合和预测,发现所建的组合模型综合预测效果最佳。     

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。