基于ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型

电子不停车收费（electronic toll collection,ETC）门架系统为节假日高速公路短时交通流预测提供了数据支撑。针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制（attention）和双向长短期记忆（bidirectional long/short-term memory,BiLSTM）神经网络组成的Attention-BiLSTM(A-BiLSTM)组合模型。通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率。在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能。采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证。实验结果表明：(1)相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差（root mean sq...     

基于PSO-LSSVM的高速公路短时行程时间预测

高速公路行程时间预测对指导公众出行具有重要意义。鉴于高速公路数据采集难,文中以高速公路收费数据为研究对象,建立最小二乘支持向量机模型对高速公路行程时间进行预测,并引入粒子群算法对最小二乘支持向量机的参数进行优化;利用广东某高速公路收费数据进行验证,结果显示该模型与以往研究相比其相对误差较小,用于高速公路行程时间预测具有一定的可靠性和实用性。     

基于GWO-SVM岩爆分级预测模型

引入灰狼算法（GWO）优化支持向量机(SVM)模型，构建GWO-SVM岩爆分级预测模型。选取围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度等，组成3种不同的输入指标组合，构建岩爆分级预测指标体系。将153组岩爆案例作为数据集输入4种模型进行训练、测试，比较不同输入组合下模型的预测效果。结果表明：GWO-SVM比标准SVM模型预测准确率提升7.41%～18.52%，在输入指标组合2下，GWO-SVM模型预测准确率最高达92.59%，基于GWOSVM的岩爆分级预测方法优于其他方法。     

一种组合式高速公路交通事件检测算法

传统的高速公路事件检测算法原理简单、容易实现,但很难达到高检测率和低误报率的效果。国内外学者越来越偏向于研究复杂算法,虽在理论上取得了较好的效果,但因数据传输量大、数据处理繁琐、对设备要求高等特征,降低了这些算法的实用性。因此,如何构建适合现状高速公路检测设备和软件系统,且具有良好检测效果的实用性算法,成为目前高速公路事件检测技术的热点话题。文中基于降低硬件成本和运行费用、提高检测效果这一目标,利用不同情况下各自算法特征值的变化规律,提供了一种基于California算法和滤波算法的组合算法。仿真研究表明,与单独应用California算法或滤波算法相比,这一组合算法在软硬件费用不增加的情况下,具有较高的检测率,且能有效降低误报率。     

基于支持向量机的高速公路事件检测研究

高速公路事件检测（AID）系统可以有效的减少交通延误、保障道路安全，减少环境污染，是智能交通管理系统的重要组件。文章采用一种新的模式识别技术——支持向量机（SVM），来进行高速公路的事件检测。支持向量机是以统计学习理论的VC维理论和结构风险最小化原理为基础，算法上采用二次规划、拉格朗日理论，因此有效避免了过学习、局部极小点等问题。最后，采用Matlab对该方法进行了测试。     

采用Elman神经网络与支持向量机预测路基沉降

为提高高速公路路基沉降预测的可靠性,构建了一种基于小波Kalman滤波的Elman神经网络与支持向量机的路基变形预测组合模型。该方法既融合了小波多尺度特性体现的优异信噪分离性能和Kalman滤波能提炼出测量信息最优估计值的严密递推算法,又涵括了Elman神经网络与支持向量机对非线性数据的强大泛化能力和拟合功能。结果表明:在高速公路路基工程实例中,该模型预测的沉降值误差控制在1%以下,验证了其在中长期路基沉降预测中的效用。     

基于机器视觉和支持向量机的汽车焊点定位研究

如何提高工业机器人的定位精度是实现汽车焊点自动化检测任务的一个关键技术问题。针对传统示教再现机器人存在的定位精度问题,提出一种基于机器视觉和支持向量机回归的焊点定位方法。通过融合激光测距信息的视觉系统测量机器人示教位置与期望位置的偏差,进行焊点的初步定位;建立基于粒子群优化算法的支持向量机回归模型,对视觉引导后的机器人末端进行三维空间上的误差补偿,实现焊点的精确定位;搭建了一套完整的试验平台,并与常用的支持向量机参数优化算法以及误差补偿模型进行比较和误差分析,验证了该方法的有效性和优越性。     

支持向量机在路面评价中的应用

提出了基于支持向量机的水泥路面性能评价模型,结合湖南未宜（耒阳-宜章）高速公路水泥砼路面检测数据进行评价并与传统模型进行对比,结果表明,应用支持向量机分类模型对路面进行评价能更好地弥补传统模型的不足,评价结果更加符合事实。     

基于逐类组合支持向量机的边坡稳定性预测研究

首次采用逐类组合支持向量机（TCSVM）方法,用于解决边坡稳定性预测的问题。模型是先用支持向量分类机（SVC）对边坡状态进行判识,然后用支持向量回归机（SVR）建立边坡安全系数预测模型,再用建好的模型对未知边坡的稳定性进行判别和安全性系数预测。利用模型对71个边坡实例中的61个进行学习,10个进行检验。结果表明:TCSVM对边坡安全系数的预测结果均优于SVM和PCA-SVM。表明逐类组合支持向量机方法提高了安全性系数预测的准确率,对边坡稳定性研究具有积极意义。     

基于GA启发式抽样的交通事件自动检测

为了提高面向不平衡数据集的交通事件检测综合性能,提出了两种基于GA启发式抽样方法的交通事件检测算法.基于GA的实例选择抽样方法(GA-IS),解决非启发式抽样方法人为设定抽样率导致的检测效果不稳定问题.基于GA的支持向量选择抽样方法(GA-SS),改善学习集数据量较大时的检测效率.实验采用新加坡AYE仿真数据库,以支持向量机作为分类器进行事件检测.结果表明,基于遗传算法实例选择抽样的检测模型检测率达到94%,平均检测时间为1.413 3 min,性能指标PI为0.157;基于遗传算法支持向量选择抽样的检测模型决策时间为4.55 s,综合性能最优,其PI为0.151;基于少数类过抽样算法(SMOTE)的检测模型决策时间为35.21 s,PI为0.329,与非启发式抽样方法相比,所提方法能有效改善面向不平衡数据集的事件检测综合性能.      

路网环境下考虑大型车混入率的事故疏散诱导模型

大型车的混入对高速公路交通流产生了较大的影响，尤其是在交通事故情景下。为了引导事故条件下驾驶人和组织者做出高效准确的决断，将考虑了大型车混入率的动态空间占有率模型引入到交通波模型，构建干涉与非干涉情景下的交通事故影响模型。以郑尧高速为例，对模型的准确性和可行性进行了验证，分别对干涉情景下的疏散时间、疏散量以及事故发生的位置，车辆数等指标与事故影响程度的指标（包含事故最远排队长度，事故持续时间）关系进行分析。研究结果表明：疏散时间与事故影响程度成正相关关系，疏散量与事故影响程度成负相关关系，而事故发生点与上游匝道之间的距离与其关系不大；道路服务水平为0.456，车辆数为1 321 veh·h^-1时，为了使得分合流区不受影响，在不采取任何措施的情景下，应将大型车混入率控制在50.1%以下，使得最远排队长度在10 km内；当大型车混入率大于58%时，将很难通过干涉引导避免对上游分合流区产生影响；在35 min以内采取干涉措施的效果最为明显，而大于35 min时，事故持续时间会发生一个急剧的增加，不利于路网恢复，之后事故恢复时间将趋于平稳；对道路交通量进行模拟可知交通量每增加50 veh，疏散时间和距离增加的范围为[1.5 min，3.6 min]和[1.209 km，1.543 km]。研究结果可为高速公路事故诱导策略制定和疏散效果提升提供参考。     

高速公路应急决策系统支持技术研究

针对我国高速公路管理部门不能迅速有效处理突发事件问题,分析了交通事件的分类,介绍了高速公路应急交通指挥决策系统主要内容和支持技术.主要包括:数据仓库设计、模型库设计、知识库设计、在线联机分析技术,在此基础上提出了主要保障技术.结合高速公路管理体制,提出了高速公路应急交通指挥决策程序.     

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。     

基于改进的RBF神经网络的高速公路交通事件检测

根据高速公路有交通事件发生时交通流将产生突变这一原理,采用改进的径向基函数(RBF)神经网络研究高速公路事件检测问题。分析交通流参数在有交通事件发生时的变化规影影响神经网络泛化能力的同时,加入多余节点的删除和合并策略,从而得到精简的网络结构。采用自适应学习方法进行隐含层节点的调整,使网络在不同的训练阶段能够自动选取不同的学习速率。仿真试验表明,该改进算法在高速公路交通事件检测中具有检测率高、学习速度快等优点,具有良好的应用前景。     

高速公路交通流组织方法

介绍了高速公路交通流的概念、组织意义;分析了高速公路的特点及影响其安全通行的因素;阐述了交通安全管理者在日常情况下、恶劣天气条件下、发生重特大交通事故时对高速公路交通流实施科学有效的组织方法,达到预防或减少事故发生,确保高速公路安全畅通的目的。     

Development of analytical procedure for selection of control measures to reduce congestions at various freeway bottlenecks

Variable speed limit (VSL) and ramp metering (RM) affect freeway traffic operations in different ways and, accordingly, result in different effects on system travel time. The primary objective of this study is to propose an analytical procedure to help determine which control measure should be selected given different freeway bottlenecks and traffic conditions. The bottlenecks considered included an isolated merge bottleneck, a merge bottleneck with a closely spaced upstream off-ramp, and a diverge bottleneck with a closely spaced upstream on-ramp. Two RM and a VSL control strategies were considered, including the ALINEA, ALINEA/Q and feedback based VSL. The maximum achievable improvements in system efficiency by various control measures were calculated and the results were tested using modified cell transmission models. A coordinated control strategy that combined ALINEA/Q and VSL control was also proposed. The effects of VSL and RM control on system travel time at different freeway bottleneck areas were compared to identify the applicable conditions of different control measures. The analytical procedure was proposed for the selection of control measures at different bottlenecks and the ex-ante estimation of control effects were also discussed.     

我国高速公路安全影响因素分析

针对我国高速公路交通事故率高及事故严重程度大的现状,结合对我国某早期修建的高速公路安全情况的调查研究,对影响高速公路安全的相关因素进行了分析,并提出了建议。     

基于检测器脉冲数据的高速公路事件自动检测算法研究

提出了一种全新的高速公路事件自动检测算法,直接利用车辆检测器输出的脉冲宽度和脉冲间隔作为参数,运用LVQ神经网络对获得的脉冲宽度数据和脉冲间隔数据进行处理来判断是否有事件发生,从而大大减少了检测时间,为交通事件的快速处理提供了可靠的依据。此外,该算法利用神经网络的自学习能力,可以很好地确定各条道路发生交通事件的门限值。仿真结果表明:该算法具有较高的事件检测率(约为97%)、较短的检测时间和较低的误警率(约为0 41%),具有很好的应用前景。     

基于状态观测器的城市快速路交通事故识别

针对城市快速路网中交通事故频发的现象,为及时准确地对事故进行识别,提出一种基于宏观交通流模型的状态观测器估计算法.根据利用交通仿真软件Paramics的实验数据,并结合元胞传输模型(CTM)理论分析事故发生前后,事故路段及其上下游路段的交通流密度分布特征.同时基于路网的交通流模型构建了城市快速路事故的状态观测器估计模型,模型通过估计密度的变化规律,并结合交通状态分布特征来对事故进行识别.以京通快速路为例,通过对观测器估计误差进行计算,得出了实验路段平均百分比误差(MPE)的均值为11.56%,模型估计精度为88.44%.该方法能较为准确的对事故进行识别,为快速路中的交通事故识别提供有效的参考.      

高速公路车速离散性与交通事故的关系及车速管理研究

对高速公路的车速标准差和亿车公里事故率的数据进行回归分析,建立了二者的关系模型,模型表明车速分布越离散,事故率越高,从而为高速公路的车速限制提供了理论依据。利用中国14条高速公路的地点车速调查数据,对15％位车速、85％位车速与单圆曲线的曲率变化率CCRs进行回归分析,分别建立了85％位车速与CCRs的回归模型以及15％位车速与CCRs的回归模型,利用这些模型提出了合理的基于交通安全的车速限制建议值。