交通事件网络舆情分析方法

交通运输行业关系国计民生,感知民意是政府做好交通治理的必要条件.在互联网时代,通过网络获取并分析交通事件舆情具有样本丰富、信息客观、获取及时等特点.基于微博、微信、新闻客户端等电子信息来源,提取交通事件舆情特征,形成交通事件的网络舆情系统分析方法.包括:获取网络舆情数据并进行文本预处理,构造交通事件舆情主题分类模型,建立评价重要度计算方法,结合舆情生命周期分析舆情演变趋势,建立交通舆情情感库并结合机器学习分析情感状态演化,通过关键词可视化定位舆情事件要点,实现网络舆情信息与可视化分析技术的耦合.该方法文本分类评估结果F值高于80%,情感极性判断准确率高于通用SnowNLP.以上海地铁10号线追尾事件为例进行网络舆情演化特征分析发现:①交通舆情演化迅速,周期较短爆发集中;②情感整体倾向负面;③官方机构及时发声、对事故调查公开透明并采取有效措施是缓解舆情较好手段;④大众对"卡斯柯"和"轻度"这2个词的关注贯穿事件始终.      

节假日高速公路大货车管理策略研究

分析了节假日期间高速公路大货车管理的必要性,限于目前我国大货车的机械性能、超载现状以及驾驶员素质和疲劳驾驶等综合因素影响,大货车已经成为制约高速公路运行效率和交通安全最为重要的因素之一,直观地表现为上坡压车导致车辆排队、收费站和服务区拥挤以及交通事故多发.通过节假日期间多次对广东省高速公路实际运行状况的勘查和对交通数据...     

基于GPS的高速公路交通事件自动检测算法研究

通过分析交通事件条件下当事车辆瞬时速度的变化特征,设计了1种基于GPS的高速公路交通事件自动检测算法,并对采样时间间隔的确定、检测阈值的确定、持续性检测时间的设定与报警机制设计等方法进行了研究,分别利用软件模拟数据和实测模拟数据对算法的有效性与可移植性进行了检验.试验结果表明该算法对于交通事件具有良好的检测性能.     

重要节假日期间重庆高速公路交通出行特征与预测分析

为掌握重要节假日期间高速公路对外交通出行特征,利用历年高速公路收费数据,研究了五一、国庆、春运等重要节假日期间高速公路交通运行的特征规律,采用指数平滑法对春运期间高速公路的出行总量进行了预测。研究表明不同节假日期间高速公路出行差异较大、节前第1天和节前当天为出行高峰,春运期间高速公路出行总量趋于平稳、旅客逐渐选择错峰出行。     

数据融合技术在交通事件检测中的应用综述

为了进一步提高交通事件检测系统的性能,在对基于单源信息的交通事件检测方法进行分析的基础上,从基于多信息源的交通事件自动检测数据级融合和基于多信息源的交通事件检测方法决策级融合2个方面,分析、总结了数据融合技术在交通事件检测中的应用现状,并指出了目前研究存在的主要问题及后续研究的发展趋势。     

基于XGBoost节假日路网流量预测研究

通过科学方法对交通量进行有效预测,是保障高速公路运行畅通的有效手段,在减轻路网拥堵,提高本地居民日常出行效率、游客出游满意度方面具有重要意义。贵州属于旅游资源密集省份,节假日交通高峰现象异常突出,基于传统预测方法效率不高。为改善预测结果,基于XGBoost算法构建交通量预测模型,预测全省路网节假日交通量。通过2016年1月～2017年3月公路、气象、景区等综合大数据建立了贵州省高速交通量数据集,采取节假日时间序列的数据集建立训练模型,与真实值比较验证模型可靠性,对2017年清明节全路网交通量进行预测。结果表明:模型能在预测地区节假日交通量有较高精度。     

轨道交通线网常乘客比例分析

根据城市轨道交通常乘客比例数据的节假日特点,在消除常乘客比例数据的趋势项的时候,引入表示节假日特征的虚拟变量,量化节假日因素对常乘客比例的影响,建立常乘客比例数据与时间、具有节假日特征的虚拟变量之间的回归模型,达到同时消除趋势项和节假日特征的影响的目的,掌握节假日对常乘客比例的影响规律。通过自相关和偏自相关函数对消除趋势项和节假日因素的数据序列进行平稳性和周期性分析,消除周期性特征影响。最后,构建基于虚拟变量线性回归和季节ARIMA的组合预测模型,修正了原有的季节ARIMA。以2015年3月2日到2016年3月27日之间56周的北京轨道交通日常乘客比例数据进行实例验证,表明本文构建的组合预测模型的精度高于原有的季节ARIMA模型。     

上海市节假日公路交通特征及交通量相关性分析

借助《上海市公路网交通调查数据分析与应用系统》的观测数据,对比分析公路网节假日与平时工作日的交通特征,揭示黄金周期间的出行特征规律,并将“五一”和“十一”交通量相关性分析的结论应用于交通信息发布中。     

船舶航行交通事件实时检测技术研究现状与展望

船舶航行交通事件检测依赖基于历史数据的离线检测方法, 检测模型适用性差, 难以满足监管人员的实时监测需求。通过分析船舶异常行为检测、航行事故检测等现有交通事件检测技术, 可以发现: 在数据层面, 监测数据来源单一、环境信息缺失; 在方法层面, 基于统计、风险评估等经典模型的事件监测方法效率高但准确性低, 基于神经网络、图像识别等机器学习的检测方法准确性高但效率低; 多源数据融合、多项技术结合的交通事件检测方法成为实时检测方法的发展趋势。在此基础上, 梳理了实时船舶航行交通事件检测的3项关键技术: (1)海事大数据技术: 高效处理船舶运动数据和航行环境数据, 统一多源异构数据结构标准, 降低数据源单一造成的事件误报率; (2)船舶行为动态建模技术: 利用知识图谱等技术融合船舶航行情境信息, 在不同船舶运动环境下利用深度学习、语义关联、图神经网络等方法构建不同的船舶行为模型, 提高检测准确性; (3)实时分析和可视化技术: 结合平行系统进行虚实系统间信息传递, 定性分析检测结果, 实时显示检测全过程, 提升监管过程中的人机交互效率。然后, 提出了包括数据采集、后台服务和客户端应用3个功能模块的交通事件平行检测系统; 该系统具备实时接收并处理船舶航行数据、分析并预测交通状态、动态检测并预警交通事件和仿真结果展示等功能。从数据融合、交通状态感知和交通虚实映射3个方面, 展望了面向海事监测实务的实时检测技术发展方向。      

基于浮动车数据的交通事件参数特性研究

利用微观交通仿真软件Vissim搭建交通事件环境,对在不同堵塞程度和不同交通流量的交通事件情况下,浮动车采集的浮动车速、行程时间、浮动车位置等移动检测交通参数变化特性进行了分析比较,总结出交通事件情况下的浮动车移动检测各交通参数变化规律,并以此为基础对模式识别法、统计预测法、时间序列和智能算法等4种基于浮动车数据的交通事件检测算法进行了探讨,具有覆盖面广、成本低等特点。