中国第一款全线交通数据产品问世

继10月发布交通路况预测产品和11月推出交通事件产品后，美慧信息科技（上海）有限公司的全线交通数据产品于12月12日正式上线。这是中国交通信息领域第一款全系列的数据产品，包括实时数据、预测数据、历史数据（交通模式）和交通事件共4类。该产品套件的推出标志着我国在交通信息行业的技术研发上已经全面达到世界先进水平。     

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。      

交通事件持续时间影响因素分析及其回归模型

交通事件的快速处置对于交通事故的快速救援、交通拥堵的及时疏导、交通安全隐患的有效排除具有重要意义。文中就某高速公路交通事件管理系统中记录的近3年的交通事件信息进行数据统计处理;采用方差分析的方法,分析高速公路交通事件持续时间的影响因素及其作用;采用多元逐步回归建模的方法找出主要影响因素并进行多元回归预测。经样本检验,此回归模型能够很好地预测交通事件持续时间。     

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CNN的城市道路交通事件检测算法

交通事件检测是预防和缓解城市路网偶发性交通拥堵的重要手段.基于卷积神经网络(CNN)和浮动车数据(FCD),提出1种改进的城市道路交通事件检测算法,形成城市道路交通流的时空特征与交通事件之间的映射关系.将道路按照交叉口分段设置,重构具有时空特征的多维信息输入张量,通过时空矩阵来描述完整的道路交通流时变信息.在隐藏层和输...     

基于物联网的公路交通运行状态评估与预测

交通事故与交通运行异常状态在公路上经常发生,对上游路段和相邻国省道带来严重的影响。通常,针对此类情况提前制定具有针对性的预案难度很大。如何在复杂路网环境下快速监测异常交通运行状态的发生并预测交通事件的影响范围,成为公路应急处置管理的基础。提出基于物联网技术对交通运行状态信息、气象条件、路面状况以及结构物状态的广泛感知,用于实时、快速监测公路异常事件的发生并预测复杂路网环境下交通事件发生后未来短时的交通拥堵发展态势的预测方法。该方法充分考虑了交通流、气象、路面条件以及结构物状态对交通事件下公路通行状态的影响。基于该方法,开发了公路网交通运行状态预测系统,通过实际数据的测试,该预测方法具有良好的监测与预测能力。因此,本文提出的技术可以很好地为公路应急处置提供快速、科学的决策支持,为公路运营管理提供服务。     

基于交通量演变模式检索的高速公路交通量预测方法

通过交通量预测的方法,可以在突发事件情况下评估事件对高速公路网的交通影响。各种预测算法的共同特征,需要一定的历史数据支持。在同一算法中,对历史信息吸收得越多,其预测往往越准确。作者借用图像压缩的原理,从历史交通数据中抽象出历史交通状态演化模式,并用压缩码表示该演化模式。通过对压缩码的检索,可以快速提取与当前演化模式相近的历史数据,通过这些演化模式相近的历史数据,预测交通状态的变化趋势。试验证明,预测数据与真实数据具有良好的拟合度。     

基于小波变换的城市道路交通事件检测

利用出租车浮动车数据对城市道路行程车速的表达能力,针对出租车空车和重车2种数据运用小波变换技术分析了城市道路交通状态突变点,据此进行了城市道路交通事件的检测。区别于以往小波变换技术,首先运用于数据降噪,再将处理数据运用交通事件检测算法判断,直接采用小波变换技术实现了对城市道路间断流的交通事件的检测。并利用实际采集数据对提出的交通事件检测算法进行了验证,结果表明算法能够对交通事件进行更综合的检测,检测准确度得到了提高,能够为城市交通信息发布和交通诱导提供更加可靠的信息。     

基于智能分析的高速公路事件检测系统的研究与开发

随着高速公路通行里程的增加和交通流量的迅速上升,因交通事件(指道路异常、交通异常、气象异常)引起的交通捅挤和阻塞时有发生。为了能及时预测交通异常事件隐情和不幸发生交通事件能及时处理,提高道路的通行能力,拟研发一套集道路异常提前报警功能、交通事件自动检测功能、事件管理功能于一体的高速公路营运管理辅助系统。     

交通事件持续时间预测方法综述

对交通事件持续时间的预测方法进行综述。分析了交通事件对交通拥堵的影响,解释了交通事件持续时间的含义。交通事件持续时间预测方法主要包括：基于统计分析的模型,如概率分布、条件概率、回归分析、时间序列,其次包括不需要知道其分布特点的决策树模型、非参数回归模型,模糊逻辑模型。分析了各种方法的优缺点和适用性,并指出交通事件数据的质量影响了模型的准确性和精度。大量的研究发现事件持续时间的分布近似于正态分布,并向左侧偏斜。最后,提出今后交通事件数据库的建立和交通事件的科学分类可从根本上提高基于统计学模型的精度。     

快速路上交通事件所致延迟的实时预测

利用上、下游监测断面同步采集的交通量信息,提出用于实时预测快速路上交通事件所致延迟的改进队列法。首先基于上游监测断面采集的交通量信息,利用K近邻法对到达曲线进行预测,并利用多元回归方法估计交通事件的持续时间;然后将下游监测断面采集的交通量信息和路段的最大通行能力相结合对离开曲线进行拟合,参照确定性队列法计算交通延迟。算例表明,该方法具有较好的预测精度,且计算方便、实用性强、能实时调节。     

考虑交通事件影响的城市道路行程时间预测

外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型（Sequence-to-sequence，Seq2Seq）为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法（Seasonal and Trend Decomposition Using Loess，STL）挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型（Stacked Denoising Autoencoder，SDAE）提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。     

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RFID技术回传数据的交叉口延误计算

提出利用射频识别(Radio Frequency Identification,RFID)技术所获取的数据计算延误的方法,通过射频信号自动识别目标对象并获取相关数据,将交通实时信息和交通事件信息通过城市交通传感网、互联网传送到终端计算机,在分析交叉口范围划分的基础上,确定出交叉口延误的计算思路及计算公式。该方法具有无需人工干预、不受恶劣环境影响等优点。     

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。     

多元交通信息于车速数据融合系统之节能减碳应用研究

提出了1个经济可运作的实时动态节能减碳计算模型,用KPI来评估节能减碳效果,运作方式如下:配备GPS装置之实验车,后端软件自动动态搭配Google Map与路径图资之起讫点(A→B)来回一趟,才量该车之耗油量,由行前预估值、旅行时间、动态交通事件与实际油耗值之误差分析,在实时交通信息协助下选定之KPI (key performance index)值(含油耗、CO2排放量、道路等级、旅行时间及ETC (electronic toll collection)费用等)做比较.搜集对应环保路径之路网交通信息数据及交通信息建立历史数据库,配合时速/油耗表完成油耗/碳排放系统数据库,得出实时交通信息占比与油耗预估误差率关系图.      

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。     

二次指数平滑在交通信息短期预测中的应用

通过对当前交通道路信息的实际情况的分析并结合指数平滑预测模型,提出了符合当前交通信息的分段二次指数平滑模型,该模型主要根据某城市一天各时段的拥堵情况计算平滑系数表,在通过二次指数平滑模型对交通信息进行短期预测。该方法充分考虑到了交通道路信息的实际情况,提高了交通信息短期预测的合理性。经过实际交通信息数据验证,结果表明基于该方法预测未来短期交通信息准确率满足使用需求,并为其他交通信息短期预测提供一种新的方法。     

动态交通信息应用实践——以深圳市为例

交通规划研究需要大量的交通数据支持,传统交通数据通过人工问卷和调查获得,特点是调查周期长、成本高、数据质量难以控制.随着信息化快速发展,结合智能交通采集的动态交通数据将是未来交通规划决策支持的重要领域.根据动态交通信息在深圳的轨道客流预测、常规公交模型、道路运行评估、主动交通管理等领域的应用实践,表明动态交通信息引入,将有效提高交通规划决策水平.      

高速公路网的动态交通预测

本文介绍一城市间高速公路网的动态交通预测模式系统，该系统实时预测网络的交通状况并把信息及时传送给交通控制中心。模式实时接受来自交通监测中心的交通流、平均速度及传感器占有率等交通数据，此外，模式也使用已有交通信息的数据库。