交汇航路空中交通流的非线性特征研究

针对空中交通流仿真、预测与控制工作中普遍需要空中交通流时空动态基本特征的问题,从混沌与分形角度对交汇航路交通流量时间序列的非线性特征进行了研究.首先,提出了一种基于航路网络结构的交通流识别方法,构建了不同时间尺度下交通流量时间序列;其次,在相空间重构的基础上,利用最大Lyapunov指数定量判断了交通流中混沌特征的存在,并利用递归图分析了不同时间尺度下交通流量时间序列的混沌特征;最后,通过计算关联维数,研究了不同时间尺度下流量时间序列的分形特征.研究结果表明:不同时间尺度下交通流量时间序列均具有混沌特征;当时间尺度为5 min时,流量时间序列的混沌特征最为显著;随着时间尺度增大,流量时间序列的随机性增强,且对系统复杂性的表现能力变弱.     

中国和巴西港口拥塞指数多重分形研究

运用多重分形消除趋势波动分析法(MF-DFA)与多重分形消除趋势波动交叉相关分析法(MF-DCCA)对全球港口拥塞指数的中国港口ETA(Estimated Time of Arrival)海岬型船与巴西港口ETA海岬型船港口拥塞指数进行研究。研究表明:中国港口ETA海岬型船与巴西港口ETA海岬型船时间序列广义Hurst指数及MF-DCCA广义Hurst指数,均单调递减且值域在(0.5,1)之间,标度指数均表现凹向横轴的函数,分形谱密集钟形分布;两组时间序列均具有明显的多重分形特征,同时具有长期记忆性与多标度性,且二者多重分形交叉相关,表现长期相互影响。     

高速公路交通流的分形维数与相空间重构预测

对成渝高速公路短时交通流通过计算不同时间尺度下Hurst指数而等到其相应的分形维数,结果表明,时间间隔越短的交通流,其分形维数越大,结构越复杂.由于时间间隔越短的交通流随机性大和复杂的结构,所以预测也就越困难.提出了一种新的基于相空间重构和移动平均相结合的预测方法——移动平均最近邻域法,从理论与实际数据两方面分析和验证了该方法对短时交通流预测的有效性.     

高速公路交通流的分形维数与相空间重构预测

对成渝高速公路短时交通流通过计算不同时间尺度下Hurst指数而等到其相应的分形维数,结果表明,时间间隔越短的交通流,其分形维数越大,结构越复杂.由于时间间隔越短的交通流随机性大和复杂的结构,所以预测也就越困难.提出了一种新的基于相空间重构和移动平均相结合的预测方法——移动平均最近邻域法,从理论与实际数据两方面分析和验证了该方法对短时交通流预测的有效性.     

Y型航道内船舶交通流量的非线性特征研究

针对Y型航道管理中需要掌握船舶交通流量的基本特征问题,基于历史数据,构建了船舶交通流量时间序列,利用时间延迟、最大Lyapunov指数和递归图验证了序列具有混沌特征.通过计算关联维数,证明了序列具有分形特征.研究结果表明Y型航道内船舶交通流量时间序列具有非线性特征,由于时间间隔的不同,非线性的强弱也不相同,其中时间间隔为30 min时,序列的非线性特征最明显,随着时间间隔增大,系统的非线性特征逐渐减弱.     

中国股票市场分形结构探索

为充分认识投资活动的规律，采用上证综合指数对中国市场的价格行为进行了研究．结果表明中国市场具有分形结构．此外，从广义维数和不同幅度收益率在时间轴上的标度行为两方面对中国市场分形的局部结构进行研究的结果也显示了明显的多重分形特征．     

���ھ�������ij��н�ͨ·�λ����о�

根据交通流特性的相似性进行交通路段划分对城市交通管理和控制具有重要作用。交通流数据具有时间序列特征,相似性度量问题是时间序列聚类中的最基本的问题之一。本文为交通流数据聚类给出了一种基于灰色关联的相似性度量方法,通过比较试验确定了它具有较高的聚类精度。在每个时段时间序列间的相似性差异、在某一个时段的异常数据等会影响到在整个时间区间的交通流数据聚类,为此本文提出了一种基于时段划分的交通流数据聚类方法。这个方法首先对每个时段数据进行聚类,然后采用最大频繁项集方法得到最终聚类结果（即交通路段划分）,实例证明了方法的有效性。     

城市道路短期交通流时间序列特性分析

以关联维数作为混沌判据,采用改进的替代数据法对采样周期为3 min的实测交通流时间序列进行了混沌判别,表明该时间序列的短期交通流中存在混沌现象。由于所采用的时间尺度更接近实际交通控制的最大周期,使得基于混沌理论的短期预测结果更适于实施交通控制和诱导。     

基于最大Lyapunov指数改进算法的交通流混沌判别

提出了一种快速判别交通流混沌的最大Lyapunov指数改进算法．该算法首先用关联积分法（C-C方法）和Cao方法确定重构相空间的两个重要参数：嵌入维数m和延迟时间，再用小数据量方法计算时间序列的最大Lyapunov指数．这种算法不仅能够很好地重构原始时间序列的特性，并且能够避免Wolf方法的局限性．应用最大Lyapunov指数改进算法对仿真交通流和实测交通流的时间序列进行了混沌判别，结果表明，基于跟驰模型的仿真交通流和实际交通流中存在混沌现象，最大Lyapunov指数改进算法是准确判定时间序列是否具有混沌特性的一种有效方法．     

短期交通流的局部分形研究

根据短期交通流的混沌与分形特征，提出利用时间序列的最小覆盖维方法分析其局部分形特性，研究了最小覆盖维与短期交通流量波动的关系，运用最小覆盖维估计交通流的发展和变化趋势。     

除趋势交叉波动分析函数的统计特征

除趋势波动分析（DFA）是测量非平稳时间序列相关性的方法之一,对DFA方法适当改进,可推广到在二维时间序列中研究数据之间的交叉相关性.为了得到这种改进方法与DFA方法之间的数量关系,本文分别就两列时间序列具有线性相关性与不具有线性相关性的情况进行讨论,并对它们的交叉相关指数与DFA指数之间的关系进行分析.最后,用改进方法对交通时间序列进行研究,结果表明：交通速度与交通流量数据之间具有较强的交叉相关性.     

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.      

车头间距与高速公路交通流混沌

为了分析交通流混沌的转化机理，探讨了车头间距与高速公路交通流混沌的关系．提出了一种快速判别交通流混沌的最大李雅普诺夫指数改进算法，并用此改进算法和功率谱法研究了高速公路实测交通流的混沌问题，绘制了实测交通流的功率谱曲线．通过分析功率谱曲线，可以明显地观察到交通流频谱出现了噪声和宽峰的变化；用最大李雅普诺夫指数改进算法计算实测交通流的最大李雅普诺夫指数，结果表明，高速公路实测交通流中存在混沌现象．研究表明，车头间距的变化是交通流混沌现象产生的根本原因．     

基于OVM模型的交通流混沌研究

研究基于OVM模型的交通流混沌问题。用Matlab结合C 语言编写OVM模型的仿真程序来产生交通流时间序列。在一定的参数组合下,仿真研究交通流车队中不同序号的前后车辆之间的车头间距变化过程。通过分析这种车头间距变化过程的变化曲线并利用小数据量方法计算Lyapunov指数,证明了基于OVM模型产生的交通流中存在着混沌现象。讨论模型参数和仿真试验参数对该理论交通流运动状态的影响,给出相应的仿真研究结果,得出对于研究与应用交通流理论有益的结论。     

�źŽ���ڻ�Ͻ�ͨ������Ӱ�켰����㷽���о�

运用概率统计、混沌时间序列中小样本数据方法，分析了干扰对混合交通流速度的影响，结果表明干扰不影响交通速度的随机性，但是会降低混合交通的速度，而自行车群的干扰对机动车运行速度的影响大于单辆自行车，并且机动车车头时距在自行车周期性干扰下，对运行特性将由随机性变为混沌特性；接着从微观角度提出了干扰的计算方法。这些研究结论将为科学地进行交通管理奠定基础。     

On-line modeling of non-stationary network traffic with schwarz information criterion

Modeling of network traffic is a fundamental building block of computer science. Measurements of network traffic demonstrate that self-similarity is one of the basic properties of the network traffic possess at large time-scale. This paper investigates the change of non-stationary self-similarity of network traffic over time,and proposes a method of combining the discrete wavelet transform (DWT) and Schwarz information criterion (SIC) to detect change points of self-similarity in network traffic. The traffi...     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。