动态交通信息策略博弈协调模型研究

对突发事件下驾驶员路径选择博弈行为进行了分析,基于协调用户和系统利益的思想,结合微波检测数据预测出行者行为的模型,提出了交通事件下变换信息供给策略的交通流诱导双层规划模型和相应的基于滚动时段的求解算法.仿真结果表明:在满足用户需求的同时,路网流量分布趋向管理者期望的方向,并能缩短事件影响和持续时间,缓解交通事件下的交通流振荡现象,改善路网使用效益,该方法具有可实施、操作性强的优点.     

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。     

一种新的快速路交通事件综合检测算法

介绍了传统交通事件检测系统的组成及传统交通事件检测算法,在指出传统交通事件检测算法存在的主要问题的基础上,提出了一种新的快速路交通事件综合检测算法。该算法主要舍事件检测、检测学习、综合判断三部分,将加州算法、基于交通流模型优化的McMaster算法、基于统计的相邻车道数据比较算法、基于模糊聚类的事件检测算法的检测结果进行综合判断,从而得到交通事件信息。实验表明,该交通事件综合检测算法的判断准确度优于其他算法,且运算速度满足实际应用需要。     

交通事件检测算法的参数敏感度研究

在交通事件发生条件下,对交通流占有率、车辆占有率、速度3个特性参数进行分析,研究交通参数对于交通事件检测算法的敏感程度。通过TSIS交通仿真软件获得交通流的实时数据,最终得到交通事件检测算法中交通流参数的选择方法。     

基于语义层次组成的ST-MRF交通事故检测算法

针对目前大部分交通事故检测算法没有考虑车辆相互遮挡的影响,导致在交通量比较大的情况下,算法运行结果比较差,为了解决这一问题,提出了基于类组成的时空马尔可夫随机场(简称ST-MRF)交通事故检测算法.该方法应用ST-MRF模型进行车辆跟踪,得到车辆的目标地图和运动矢量,获得交通流基本参数,结合安装在道路下游的检测器获得的交通流数据,采用语义层次算法对交通事件进行检测.为了验证算法的准确性,对该算法与仅仅使用基于ST-MRF车辆跟踪的得出的交通流数据来判断事故的发生的算法进行比较,发现本算法检测率要高.通过研究得出:基于语义层次组成的ST-MRF算法能在交通比较拥挤且车辆出现相互遮挡的情况下,准确检测到交通事件.      

基于时间卷积自编码网络的实时交通事件自动检测方法

为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。     

一种基于ART2神经网络的高速公路交通事件自动检测算法

提出一种基于ART2伸经网络的高速公路交通事件自动检测的新算法。该算法利用高速公路交通流模型和ART2神经网络分别作观测器和分类器。观测器估计的数据和实际交通数据进行比较,得到残差序列;利用ART2神经网络对残差序列进行分类,以区分不同交通状态下的交通信息,达到检测交通事件的目的。本算法不但可以识别已知的交通事件类型。还可以识别未知的或从未出现过的交通事件类型,是一个可以边工作、边学习的检测系统。     

基于核Fisher鉴别的微波数据交通事件检测算法研究

交通事件的迅速、有效是高速公路交通管理与控制的重要组成部分。本文提出一种基于核Fisher鉴别的微波数据交通事件自动检测算法。通过分析交通事件发生后交通参数的变化规律,选择合适的检测参数;再根据实际采集的西安市南二环的微波交通流数据,训练核Fisher鉴别分类器,得到最佳判别阈值,从而检测交通事件的发生。实验数据验证表明,本文方法效果良好,检测正确率高达92%。     

基于交互式BP-UKF模型的短时交通流预测方法

城市路网具有功能多样、组成复杂、交通量大、交叉口多等特点。优化短时交通流预测模型能够增加交通状态判别的精准度,有利于市民预知交通出行信息,为交通诱导措施的发布提供数据支持,免陷入拥堵困境。针对目前短时交通流预测模型优化过程中出现的模型适应性差,使用条件要求高、单一模型无法准确地描述交通流在不同时段内的变化规律等因素造成短时交通流预测精准度低的问题,采用Kohonen神经网络对交通流数据进行聚类分析,令聚类得到的不同交通流模式下的交通流数据作为训练多个不同BP神经网络模型的输入,将不同神经网络模型与无迹卡尔曼滤波结合组成多个交通滤波器,完成交通流量的非线性预测与在线校准,最后使用交互式方法融合各估计器预测结果得出综合交通流预测结果。仿真实例构建了多个估计器和1个基于该方法的联合估计器,将以上各个估计器用于某断面的流量预测中,验证了几类估计器的流量预测性能。试验结果表明:该方法搭建的联合估计器在各种交通模式下较单估计器的预测准确性均有所提高,且在交通流遭遇多因素影响下发生特征变化时表现出一定的自适应性;相比于传统系统预测模型,大大降低了对训练数据量的要求,取得了较为满意的短时交通流预测效果。     

城市道路交通流离散模型优化分析

研究信号控制干道不同交通流状态下路口间车流离散模型。针对我国特有的机非混行、机动车交通流车辆构成复杂等交通特性,首先基于实际调查数据分析交通流离散特性,然后对Robertson几何分布交通离散模型进行修正,考虑下游到达车流与上游驶出车流的相关关系,提出3种线性回归模型。最后将多个模型的预测效果进行对比分析,结果表明,在所试验的路段条件下,考虑上游对应时段车流到达、上游对应时段的前一时段车流到达、上游对应时段的后一时段车流到达、下游前一时段车流到达的四元线性回归模型在不同的交通流状态下,能够更好地拟合车流离散规律。     

Short-Term Traffic Flow Forecasting for Freeway Incident-Induced Delay Estimation

Freeway incidents not only threaten travelers’ safety but also cause severe congestion. Incident-induced delay (IID) refers to the extra travel delay resulting from incidents on top of the recurrent congestion. Quantifying IID would help people better understand the real cost of incidents, maximize the benefit-cost ratio of investment on incident remedy actions, and develop active traffic management and integrated corridor management strategies. By combining a modified queuing diagram and short-term traffic flow forecasting techniques, this study proposes an approach to estimate the temporal IID for a roadway section, given that the incidents occurs between two traffic flow detectors. The approach separates IID from the total travel delay, estimates IID for each individual incident, and only takes volume as input for IID quantification, avoiding using speed data that are widely involved in previous algorithms yet are less available or prone to poor data quality. Therefore, this approach can be easily deployed to broader ranges where only volume data are available. To verify its estimation accuracy, this study captures two incident videos and extracts ground-truth IID data, which is rarely done by previous studies. The verification shows that the IID estimation errors of the proposed approach are within 6% for both cases. The approach has been implemented in a Web-based system, which enables quick, convenient, and reliable freeway IID estimation in the Puget Sound region in the state of Washington.     

基于Fisher判别的城市快速路自动事件检测算法研究

交通事件检测是尽早发现公路运营中的事故隐患,提高运输安全性的重要技术.文章目的在于构建一个高精度并且易于实施的快速路自动事件检测算法.在简述国外自动事件检测算法、分析快速路特点和事件检测系统要求的基础上,研究了快速路检测器布置的原则和优化密度,选择了对事件发生敏感度最大的4个交通参量,建立了基于Fisher判别模型的自动事件检测算法,采用历史数据对模型进行标定,并给出了试验评价结果.试验结果表明,该方法检测率达到85.7%,并且检测速度快.     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

基于情景分析的高速公路事件检测决策系统研究

高速公路事件检测是为了及时、准确地检测偶发性事件的发生,以便于尽量减少事件所造成的不利影响,使事件总的影响降到最低。目前,事件检测算法多种多样,可以从不同的角度对其进行分类。在对高速公路的交通流量进行情景分析的基础上,提出了一种新的事件检测决策系统。即使在高速公路不同的服务水平下,这种系统也都能很好地实现对事件的准确检测。     

高速公路突发事件应急能力评估指标体系与方法研究

高速公路突发事件应急管理是突发事件应急管理的重要组成部分。基于高速公路突发事件应急管理过程,从监测预警、应急处置、善后恢复、决策领导、后勤保障、信息管理等6个方面构建综合评价指标体系,深入分析指标含义,提出客观、可行的指标量化标准。在此基础上,通过层次分析法计算准则层和指标层的指标权重,并利用灰色系统的基本原理构建综合评估模型,评价某交通部门应对突发事件的能力,从而验证模型的可行性。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

高速公路交通事故交通流辐射分析与仿真研究

针对目前我国高速公路2次事故多发的特点,从初次交通事故交通流辐射分析入手,阐述高速公路交通事故影响范围和影响时间的分析方法.建立基于TransModeler微观交通仿真平台的交通事故辐射分析模型,对其中一种紧急事件的交通流辐射范围进行实例分析.本模型可为交通事故或其他突发事件的信息发布、预警提供信息与决策支持,从而达到...