交通流缺失数据处理方法比较分析

针对交通数据的缺失问题,采用基于时间相关性、空间相关性和时空相关性的多种数据修复方法对缺失数据进行处理.基于时间相关性的修复方法包括历史数据法、移动平均法、指数平滑法和线性回归法等.基于空间相关性的修复方法利用相邻车道和相邻检测器所采集的数据对缺失值进行处理.基于时空相关性的数据修复方法结合交通流的时间相关性与空间相关性对缺失数据进行修复.基于美国加州I-880高速公路交通流数据的实验结果表明,平滑系数α=0.1时的指数平滑法和利用相邻车道数据加权平均法得到的缺失值修复结果最优.     

A Comparative Study of Three Multivariate Short-Term Freeway Traffic Flow Forecasting Methods With Missing Data

Short-term traffic flow forecasting is a critical function in advanced traffic management systems (ATMS) and advanced traveler information systems (ATIS). Accurate forecasting results are useful to indicate future traffic conditions and assist traffic managers in seeking solutions to congestion problems on urban freeways and surface streets. There is new research interest in short-term traffic flow forecasting due to recent developments in intelligent transportation systems (ITS) technologies. Previous research involves technologies in multiple areas, and a significant number of forecasting methods exist in the literature. However, most studies used univariate forecasting methods, and they have limited forecasting abilities when part of the data is missing or erroneous. While the historical average (HA) method is often applied to deal with this issue, the forecasting accuracy cannot be guaranteed. This article makes use of the spatial relationship of traffic flow at nearby locations and builds up two multivariate forecasting approaches: the vector autoregression (VAR) and the general regression neural network (GRNN) based forecasting models. Traffic data collected from U.S. Highway 290 in Houston, TX, were used to test the model performance. Comparison of performances of the three models (HA, VAR, and GRNN) in different missing ratios and forecasting time intervals indicates that the accuracy of the VAR model is more sensitive to the missing ratio, while on average the GRNN model gives more robust and accurate forecasting with missing data, particularly when the missing data ratio is high.     

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。     

利用速度信息改进城市道路短时交通量预测

利用速度消息的时变特性,提出了1种无需假设状态变量为平稳的基于卡尔曼滤波算法的短时交通量预测模型。依据城市道路网上下游路段交通流之间的时空演化关系,利用实时采集的路段平均速度信息构建时变的状态转移矩阵来取代常数状态转移矩阵,对现有基于卡尔曼滤波算法的短时交通量预测模型进行改进。最后以2个真实路段4d的交通量进行预测试验,相关计算结果表明:由于加强了模型的动态性,改进后的预测模型较原模型的预测精度在整体上有所提高,其中平均绝对相对误差由7.64%及16.04%分别下降至7.25%及15.75%,均等系数则由0.9572及0.9250分别提高至0.9602及0.9268,而对于交通量急速变化的时段,提高的幅度更为明显,平均绝对相对误差可降低14.8%,从而验证了所提出方法的有效性。     

考虑动态空间关系的短时交通流预测方法

为有效提取交通流的时空特征,提升交通流的预测精度,研究了基于动态时空图卷积网络的短时交通流预测模型（DySTGCN）。DySTGCN不仅实现了对交通流时空维度的信息建模,而且考虑了时间维度信息对空间维度信息的影响,创新性提出了基于时间信息的空间拓扑结构——时变空间图（spatial topology graph,TSG）,并设计出了1种能够高效、简便地计算时变空间图的深层网络结构。该结构通过编码、解码方式提取不同节点的交通流数据的相关性特征并实现降噪处理。时变空间图反映了交通网络的实时空间特征,基于交通网络中节点空间位置的稳定空间图（stable spatial graph,SG）反映了交通网络的稳定空间特征。TSG与SG在图卷积过程中共同指导交通流预测,更加准确地刻画了交通流的时空特性,以提高预测精度。为测试模型的预测效果,在2个权威公开数据集上进行实验,结果表明：DySTGCN学习到的时变空间图可以较为准确地反映出不同节点的交通流之间的相关性,在平均绝对误差、均方根误差,以及加权平均绝对百分比误差指标上,比其他时空图卷积网络模型如STGCN、ASTGCN等降低了近13.40%、10.98%、16.72%,充分验证了动态空间关系在短时交通流预测中的重要作用。此外,DySTGCN能够提取交通流的周期性特征,实现了对交通流的连续不间断预测。     

基于轨迹的内河船舶行为模式挖掘

从内河海量的船舶AIS数据中提取出有用的交通知识,辅助水上安全监管,对于研究日益复杂的水上交通安全形势具有重要意义.基于内河船舶行为特征,构造由船舶位置、航速和航向4个维度组成的船舶航行状态空间来描述船舶行为.针对传统DBSCAN聚类算法提取状态空间中相似船舶轨迹存在计算复杂高的问题,提出增量式算法改进DBSCAN算法用以高效地计算不同船舶的行为模式;然后利用核密度估计等统计方法对不同模式的船舶行为特征进行数据挖掘,得到船舶航速、航向和位置的时空分布特征规律,进一步挖掘不同行为模式下的船舶微观特征.以武汉航段的汉江分叉航道水域作为研究案例,利用所提的方法对该水域分析研究,得到了6类不同行为模式,挖掘出不同模式下分叉航道内船舶静态属性信息(船舶类型、船舶尺寸)、空间分布特征(轨迹点分布、航速分布、航向分布)、船舶到达规律等信息.利用该模型所提取的知识有助于水上监管人员迅速获取水域交通态势,从而提高水上交通安全监管的水平和效率.     

基于时空融合LSTM网络的驾驶视角轨迹预测

自动驾驶环境感知系统的重要任务之一是对周围交通目标进行轨迹预测,其输出轨迹可为决策控制和路径规划提供所需目标信息.考虑传统轨迹预测方法一般基于俯视视角而难以满足自动驾驶车载感知的实际需求,提出一种基于长短时记忆(LSTM)网络模块、空间交互模块和时间行为注意力模块相融合的驾驶视角轨迹预测算法.为更好体现交通目标与周围环...     

区域交通流的时空预测与分析

论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。     

零截尾负二项模型在交叉口事故预测中的应用

事故预测模型是广泛采用的交通安全定量分析方法，但往往要求具有完备的道路、交通和事故数据。然而，基础数据相对不健全是包括中国在内的发展中国家交通安全管理面临的主要问题之一，例如仅有发生事故路段或者交叉口的相关属性特征（即零截尾数据）。为此，为确保基础数据不全的情况下交叉口事故预测的准确性，提出了基于零截尾的广义负二项回归模型；采集了246个非信号控制交叉口的交通与事故数据，采用传统负二项模型和新提出的零截尾负二项模型对全数据和零截尾数据分别进行对比分析。结果表明：在针对截尾数据的分析中，零截尾负二项模型明显优于传统负二项模型，并且零截尾负二项模型的参数估计值与基于全数据的负二项基准模型的估计值非常接近；在所有模型中，交叉口的主路交通量和支路交通量与交叉口的安全性之间存在较大的正关联。此外，同等条件下，十字形交叉口的事故数量高于T形交叉口的事故数量；利用传统负二项分布模型分析截尾数据得到的事故预测模型与使用全数据的基准模型有显著差异，其结果不可靠；采用零截尾负二项分布模型的参数结果与基准模型基本一致，截尾模型的置信区间包含基准模型相应的参数估计值。当受条件所限无法获取全部数据时，可以考虑使用零截尾负二项模型进行安全分析。     

基于时空交互模型的高速公路季节事故频次影响因素分析

为了深入了解影响高速公路事故频次的显著因素,采集2014年广东省开阳高速公路的事故、道路、交通和气象数据,以曲率和坡度同质性为原则将整条公路划分为154条路段,采用时空交互模型拟合路段季节事故数和道路设计参数、交通特征、气象因素间的内在关系。该模型不仅解释了相邻路段间的空间效应和相邻季节间的时间效应,而且还考虑了时空效应间的相互作用,有助于提高模型的拟合预测性能、减少参数估计偏倚。基于贝叶斯推断的模型估计和评价结果显示：事故数据中存在显著的时空关联和交互效应;时空交互模型比传统层级泊松模型的拟合优度更高;路段长度与事故频次线性相关,而交通量则与事故频次间存在非线性关系;高速公路交通安全性随着中、大型客、货车（三类车）比例的增加而显著提高;路段曲率、坡度越大,交通事故风险越高;风速越高、降水量越多的季节,事故频次将显著上升。研究结果可为高速公路交通安全改善方案的制定提供理论依据。     

Data Fusion-Based Traffic Density Estimation and Prediction

Traffic congestion has become a major challenge in recent years in many countries of the world. One way to alleviate congestion is to manage the traffic efficiently by applying intelligent transportation systems (ITS). One set of ITS technologies helps in diverting vehicles from congested parts of the network to alternate routes having less congestion. Congestion is often measured by traffic density, which is the number of vehicles per unit stretch of the roadway. Density, being a spatial characteristic, is difficult to measure in the field. Also, the general approach of estimating density from location-based measures may not capture the spatial variation in density. To capture the spatial variation better, density can be estimated using both location-based and spatial data sources using a data fusion approach. The present study uses a Kalman filter to fuse spatial and location-based data for the estimation of traffic density. Subsequently, the estimated data are utilized for predicting density to future time intervals using a time-series regression model. The models were estimated and validated using both field and simulated data. Both estimation and prediction models performed well, despite the challenges arising from heterogeneous traffic flow conditions prevalent in India.     

基于出租车GPS定位技术的ITS共用信息平台实时路况信息采集及处理方法

以广州市ITS共用信息平台的建设为背景,提出基于出租车GPS定位技术的ITS共用信息平台实时路况信息采集及处理方法。针对ITS共用信息平台信息采集范围大、准确性和实时性要求高的需求特点,具体研究队列方式的道路拓扑存储方法,利用出租车计费器进行奇异数据剔除的方法,分区搜索和边界矩形相结合的GPS地图匹配方法和循环队列与A*算法相结合的路况计算方法等一整套基于出租车GPS定位数据的实时路况信息采集和处理的方法,并提出了基于J2EE架构的平台数据处理服务器的实现方案。广州市ITS共用信息平台示范工程的实际应用表明,该方法具有良好的效果和广泛的应用前景。     

基于冲突极值模型的非常规信号交叉口安全评价

为了评估非常规信号交叉口交通安全,提出了基于冲突极值模型的横断面分析方法.利用计算机视频技术提取了南京市3个信号交叉口(1个设施组和2个参照组)96h的交通冲突数据和交通流数据,构建了包含数据层[处理层[先验层的3层贝叶斯超阈值冲突极值模型,利用马尔可夫链蒙特卡罗仿真方法对模型参数进行估计,采用预测交通事故和比值比计算...     

基于时空特征序列匹配的交通流状态估计方法

为了针对无交通流检测器路段更好地进行交通流状态估计,提高估计精度,研究了基于时空特征序列匹配的交通流状态估计模型.通过交通运行指数的计算方法预设城市道路中有交通流参数路段的交通流状态;分析影响城市道路运行条件的各项因素,引入交通流参数与道路参数、路网拓扑参数等时空多维度参数特征,提取3个维度8个特征1个附加维度组成交通...     

基于交通流量预测的高速公路收费道口运营策略研究

以宁沪高速公路南京主线收费站数据为样本,使用现代时间序列模型预测收费道口交通流量,提出了基于交通流量预测的收费道口运营策略制定方法,并给出了应用实例。     

短时交通量时间序列智能复合预测方法概述

短时交通量预测是智能运输系统的核心研究内容之一,已成为交通工程领域重点研究课题。对国内外短时交通量时间序列的预测方法尤其是智能复合预测方法进行概述和总结,重点介绍灰色预测模型、模糊预测、遗传算法、神经网络、灰色神经网络、神经网络集成、统计学习理论、混沌预测、小波分解与重构的方法、以及由上述模型互相组合构成的各种智能组合预测模型等,并指出智能复合预测方法是解决短时交通量时间序列预测问题的有效途径和发展趋势。     

基于ADAS联网时空数据的路段交通参数估算模型

交通参数实时获取是道路交通管控的重要基础。针对固定检测器观测范围受限和浮动车数量需求大的问题,研究了1种利用车载ADAS联网数据进行路段交通参数估算的方法。通过分析车载ADAS感知的前向目标参数与交通参数的关系,结合广义交通量定义,并考虑多车道条件下ADAS车辆及其邻近前车的相对运动变化特性,建立了1种非稳态交通条件下的交通参数估算模型。在仿真实验环境下获得定参数据集和验证数据集,完成对模型的参数标定和验证,并探讨时空分辨率和ADAS车辆渗透率对模型估算精度的影响规律。基于实验数据分析,结果表明,时间分辨率降低5 min,所提模型估算误差平均减小3.4%,降低时间分辨率可以提升所提模型的估算精度;空间分辨率降低500 m,流量和密度的估算误差平均减小1.68%,却可能导致速度估算误差平均增加5.19%;ADAS车辆渗透率的增长可以增强估算交通参数和观测交通参数在路段时空区域的契合程度。在ADAS逐渐装车应用的背景下,所提的交通参数估算模型可快速、精准获取路段连续时空范围内的交通量信息。     

环形交叉口待行区设置与信号控制方法

为解决环形交叉口左转通行能力不足的问题,提出一种借助内侧环道与外侧环道设置左转待行区和直行待行区,并建立环道交通信号与进口道交通信号协调控制的环形交叉口信号控制方法。在饱和度等约束条件下,基于进口道停车线和环道停车线后不同的交通状态建立相应的延误计算模型,以延误最小为优化目标建立信号控制参数优化模型。案例分析表明：当左转交通量低于左转二次停车控制法适用的左转临界值时,所提出方法的延误较高;而当左转交通量高于该临界值时,左转二次停车控制法的延误快速上升并高于所提出方法的延误,且将导致环道锁死,而采用该方法仍能稳定运行,验证了提出方法的有效性。进一步分析进口交通量、不同类型环道数量和环岛半径等差异对所提出方法控制效益的影响,结果表明：随着环形交叉口进口交通量增大,该方法适用的临界左转比例随之降低;当进口交通量的左转比例低于临界左转比例时,交叉口处于非饱和状态且延误低;反之,交叉口处于过饱和状态且延误高。当左转交通量高于450 veh·h^-1时,增加左转环道有利于降低车均延误;而当直行交通量高于1 150 veh·h^-1时,增加直行环道效果更佳。当进口交通量小于800 veh·h^-1时,环岛半径对交叉口延误影响不大;而一旦进口交通量高于800 veh·h^-1后,环岛半径对车均延误的影响随进口交通量的增长愈加显著,环岛半径越大,交叉口车均延误就越高。     

融合PCA-LPP与DBSCAN的道路交通事故分类及风险等级预测方法

道路交通事故是全球范围内造成大量人员伤亡和财产损失的重大问题之一,通过对道路交通事故进行分类和风险等级预测,能够锁定高风险车辆,以减小事故的发生和人员伤亡的概率。交通事故往往由环境、天气、道路条件、路段设施等多维特征相互作用形成,现有的事故影响分析方法缺乏对交通事故数据的综合研究。为此本文提出1种交通事故分类模型,在传统PCA算法的基础上通过衡量各等级数据间的相似性对数据集进行二次降维,采用改进后降维算法PCA-LPP处理大规模交通事故数据集;利用DBSCAN算法对事故数据划分风险区域,根据迭代训练出的各等级空间对模拟车辆环境进行风险划分。试验结果表明：在大规模交通数据降至不同维度的对比实验中,证明PCA-LPP算法使降维后的特征与样本的类别相关程度更高;同时,利用基于密度的DBSCAN聚类算法处理复杂且伴有偶发性的交通事故数据时,算法的纯度为0.942 9、兰德指数为0.946 2,互信息指数为0.678 4,与K-means、谱聚类等传统算法结果相比,DBSCAN算法的各项评估指标均高于其他算法,从分类效果图发现该模型减少了噪声数据的影响;最后,通过消融实验验证了带有二次降维的PCA-LPP算法的各项评估指标均为最高。其预测结果的混淆矩阵显示该模型对各风险等级的精确率分别为85.77%、70.78%、80.65%,验证了模型的有效性与实用性。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。