一类含特殊路段的城市干道协调控制方法研究

在分析特殊路段交通特性及需求的基础上,对一类含特殊路段的城市干道协调控制方法进行了研究,提出基于主动性思维设计控制策略。通过干道协调控制人为调节关联交叉口交通阻抗来影响用户的交通行为选择,从而在某种程度上限制特殊路段交通的过度增长,在保障路段交通安全的基础上充分发挥交通效益。针对南方某城市隧道的实地情况和流量数据,设计出根据流量和排队长度两个参数综合选择实时控制方案的方法,进而说明该控制方法的具体实现及仿真效果。试验证明该方法对一类含特殊路段的城市干道协调控制具有指导意义。     

基于移动检测技术的城市路网拥挤预测模型

提出了一种新的基于移动检测技术、神经网络和模糊判断方法的城市路网动态交通拥挤预测模型.首先构建一个3层BP神经网络模型判断路网实时交通流状态,并应用实地移动检测数据和视频数据获取BP神经网络训练样本并对其进行训练;然后结合路网静态拓扑结构,应用多重模糊推理,对路段发生交通拥挤的发生可能性、拥挤程度和形成时间做出预测.现场实测数据表明,该模型具有良好的预测效果.     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型.首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析.实例分析表明:该模...     

事故多发点鉴别本质及基于BP神经网络的鉴别方法研究

首先对常规事故多发点鉴别方法进行了分析和评述,并通过实例揭示了多发点的鉴别本质。在此基础上,建立了基于三层BP神经网络的城市干道路段事故多发点鉴别模型。该模型考虑了交通事故7个方面的影响因素,并能将常规鉴别方法不易识别出的多发点鉴别出来。其次,应用哈尔滨市市区430个干道路段上1999年至2004年发生的13764起交通事故数据及关联因素数据,对神经网络的权值和偏置值进行了标定,并应用该模型进行了事故多发路段鉴别。最后,分别应用了事故次数概率分布法、矩阵法和质量控制法对430个路段进行了多发点鉴别,并对鉴别结果进行了对比分析。     

基于一种交通状态系数的城市路网交通状态评价研究

针对以往城市路网交通状态评价研究中大多从中观角度将路口归入路段而忽略了交叉口对路网交通状态影响的问题,选取交叉口进口饱和度和路段平均行程速度作为路网状态评价的基本参数,将宏观路网交通状态评价与微观交通状态分析相结合,定义了一种新的路网交通状态系数,作为交通畅通行驶的阻抗,研究确定了路网交通状态系数临界值,提出了一种新的...     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型.首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析.通过实例表明:该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率.     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型。首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析。通过实例表明：该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率。     

基于K近邻非参数回归的交通状态概率预报技术

针对城市道路交通系统中交通流演变的随机性和复杂性,以及实时交通状态判别本身所具有的不确定性,基于模式识别和相似预报的思想,提出了一种交通状态概率预报的K近邻非参数回归模型。模型首先利用城市道路路段上环形线圈采集的交通流数据,采用模糊聚类技术,生成历史样本数据库;接着采用相似离度指标进行近邻搜索;然后根据近邻子集,构建交通状态概率预报函数,对路段未来时段的交通流运行状态进行预报,并用概率定量描述该状态发生的可能性大小。最后根据该模型,结合实际数据,进行了不同预报时长的分级交通状态的概率预报试验,独立样本检验结果表明,该模型预报准确率高,稳定性好。     

基于参数预测的高速公路交通状态判别

针对目前基于单截面检测数据的高速公路交通状态判别算法存在着判断阈值多,对拥挤样本依赖性强而拥挤样本采集困难等问题,提出了基于交通流预测的交通状态判别模型.预测过程中以车辆的平均占用时间作为预测的目标参数,利用神经网络建立预测模型,并通过相关系数法确定神经网络的输入层.在预测的基础上,以实测值与预测值之间的差值作为判别的依据,判别道路的交通状态.应用广深高速公路实测数据对判别模型的有效性进行检验,并与经典的McMaster检测算法做了对比,结果表明,所提出算法对拥挤样本依赖较少,判别精度高,鲁棒性高.      

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.      

基于BP神经网络的道路交通状态判别方法研究

根据交通流复杂性的特点,提出了基于BP神经网络的交通状态判别方法。并以高速公路隧道为例,通过Matlab软件编程实现模拟仿真,最后通过对神经网络的输出结果与决策阈值相比较,确定其所反映的交通状态。仿真结果表明,该算法可用于实时交通状态判别,并具有很高的精度和较好的收敛度。     

城市快速路交通流特性分析

城市快速路是城市道路网的主骨架,对交通状态进行状态划分及稳定性分析,结合城市快速路交通信息采集系统的交通流检测数据,对速度一流量关系模型进行分析,建立了城市快速路快速交通流流量、速度、占有率关系模型,并进行交通流基本参数时变特性和空间特性分析。首先利用基本图理论,对3种城市快速路交通流状态进行稳定性分析。随后,结合北京市典型路段实测数据散点图,对各种速度一流量关系模型的适用范围和适用程度进行对比分析,从而得出Greenshields模型的拟合效果最好。最后分析交通状态转换过程中的交通流参数时变特性和空间特性,对实际交通疏导有指导意义。     

城市干道路段交通流速度-流量关系模型研究

结合城市干道交通流为间断流的特点,主要研究了城市干道交通流速度-流量关系。通过对实测数据的统计分析,分析城市干道路段速度与流量之间的关系,采用分段建模的方法,建立了城市干道速度-流量关系模型,对模型的结果进行了分析。可为通行能力、服务水平的研究以及交通仿真参数的修订提供理论依据,并为城市交通规划设计、管理及控制提供技术支持。     

基于交叉口转弯率的网络交通状态模式发现

针对日益凸显的城市网络层次交通问题,提出一种基于交叉口转弯率的网络交通状态模型,并根据该模型进行了网络交通状态典型模式发现。该模型从交通网络拓扑结构出发,根据各路段的实际流量采用递归最小二乘法对各交叉口在各方向上的转弯率进行了估计,得到了基于路网拓扑结构的转弯率矩阵。该矩阵不仅反映了路段之间的相互影响关系,也反映了路网中交通流的分配情况,即从一定程度上反映了整个网络的交通状态。进而对各时间点的转弯率矩阵进行了基于SOM的分类,对各种网络交通状态在时间轴上进行了统计,结果显示了早晚高峰时段以及白天早晚高峰之间的典型网络交通模式。该方法为网络交通状态研究提供了一种新的建模与分析方法,通过实例分析证明该方法具有普适性与有效性。     

基于数据预测的区域道路状态模糊判别

区域路网交通状态判别是实施区域交通管理控制和交通诱导的基础。为有效且有前瞻性地描述区域路网拥挤状况,提出了1种基于时间序列数据预测和主成分分析相结合的模糊综合定量评价方法。以路段平均速度和交通流量为描述交通拥挤状况的参数,利用时间序列预测模型对数据进行预测;将路网中各路段的平均旅行时间作为总延误的影响因素;再利用主成分分析法确定各个路段对区域拥挤的影响权重;最后运用模糊综合评价法对区域路网拥挤状况进行评估。以山西省临汾市实际路网为例,通过 Vissim 交通仿真软件和 SPSS 数据统计分析软件对算法进行了仿真验证。仿真结果表明,该算法能够有效地预判城市区域的交通状况,为交通管理、控制和诱导提供准确的依据。      

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法.针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PN N算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析.结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性.      

基于交通因子状态网络的城市交叉口交通流预测

信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持。将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型（Traffic Factor State Network,TFSN）,考察交通因素之间的相互关联,并考虑环境因素的影响。该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状态的对应关系。进一步地,基于不同交通状态下的交通流数据建立高阶多元马尔可夫链,进行交通流预测,并根据交通流时间序列的聚类性能指标提高模型的预测准确性。对数据序列马氏性强弱、马尔可夫模型阶数与模型预测准确性之间关系进行分析。研究结果表明：根据马氏性合理选择马尔可夫模型的阶数可以提升模型预测准确性;直接对原始交通流数据进行预测的平均绝对百分比误差为24.61%,而不同交通状态下交通流预测的平均绝对百分比误差为16.99%,相比直接预测误差下降了7.62%,验证了所提出的微观交通因子状态网络的有效性和可用性。     

基于出租车跟踪的市区路网交通状态估计方法

为了获取市区路网的交通状态,提出了一种基于出租车跟踪的市区路网交通状态估计方法。该方法采用GPS定位设备获取出租车的行驶数据,然后结合数字地图数据对其中的位置数据进行修正,并采用A^＊启发式搜索算法对出租车进行跟踪,最终通过计算出租车跟踪路径在所覆盖路段上的置信参数来实现对市区路网交通状态的估计。基于上海市的出租车GPS调度数据和市区路网数字地图数据的应用实例验证了这一方法的可用性。     

基于粗模糊神经网络的高速公路路段交通事件识别

高精度、快速的高速公路路段交通事件自动识别将为合理诱导交通流,提高事故救援反应速度提供基础技术支持。设计了一个基于粗模糊神经网络的事故识别算法,用于高速公路路段交通事件识别。首先,利用粗糙集的数据约简技术提取精简的规则,得到系统的原始输入输出数据集。然后,建立交通突发事件识别的模糊神经网络系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围之内。最后,利用VISSIM软件进行系统仿真检测,检测结果表明系统具有良好的应用性能。     

基于EMME3与VISSIM的交通影响分析方法

为了提高在交通影响分析中预测的精确性和研究的细致性，使用宏观交通规划分析软件EMME3与微观交通仿真软件VISSIM结合分析，提出了基于EMME—VISSIM的仿真分析交通影响的方法。该方法不仅能预测分析道路网络的宏观交通流和研究微观交通流特征，而且能准确简易地在微观层面上定量地评价关键路段和交叉口的交通影响。以温州市龙湾区规划馆为例，综述了EMME和VISSIM在交通影响分析中的应用及两者结合的研究与应用，讨论了当前研究中存在的一些关键问题，并指明未来在这一方面的研究方向。