基于SMOTE-Logistic的高速公路鲜活农产品绿色通道车辆稽查与分析

高速公路鲜活农产品免费政策作为一项惠民政策自实施以来,为改善鲜活农产品流程环境和降低流通成本发挥了重要作用。近年来,绿通政策在执行过程中也遇到了不少问题,特别是随着经济增长,绿通车辆持续增长,高速公路绿通收费减免总额快速增加,假冒绿通车辆也快速增长。本研究通过对高速公路收费数据以及绿通查验数据进行分析,对假冒绿通车和绿通车的车辆重量、通行时间等时空特征进行了统计分析。同时考虑到绿通车辆和假冒绿通车辆在通行数据集中不平衡的特点,采用SMOTE过采样算法对数据集预处理,并在此基础上利用logistic回归分析建立非绿通车预警模型。最后通过实例分析比较SMOTE-Logistic模型与传统的Logistic模型的分类性能,结果表明SMOTE-Logistic模型能够更准确的分类非绿通车,有助于实现对于绿通车辆的快速稽查和判断。     

高速公路偷逃费稽查筛选方法研究

本文利用河南省收费数据,对河南省高速公路当前收费业务及偷逃费行为进行调研与分析,明确将偷逃费行为分为作弊类、假冒类和违规类三大类14小类。在此基础上,通过对收费业务数据清洗和预处理,提出了一种利用关联、分类与迭代算法相结合的逃费行为筛查方法,实现从海量收费数据、图片中准确识别异常偷逃费车辆,并可对高疑似车辆进行排序。实际数据证明了方法的有效性。本文方法对于其他省份管理单位提高偷逃漏通行费稽查效率具有一定的参考价值。     

绿通稽查综合防逃费系统的研究与运用

当前利用绿色通道免费放行的逃费行为越趋严重,逃费行为多种多变,严重影响了高速公路正常的缴费秩序和公平竞争市场规律。广东省利用互联网+大数据分析,研究开发了全省高速公路绿通稽查综合防逃费系统,构建了由收费车道、移动APP、网站、路段中心组成的多层次、立体化的防逃打逃体系,形成了数据采集、流水稽查、登记稽查结论、黑灰名单管理、车道拦截、逃费追缴、黑名单洗白等闭环业务流程,取得了良好的效果。     

货车超限作弊行为的数据特征分析

随着高速公路运输量的急剧增加,货运车辆超限超载现象却时有发生,严重影响了高速公路的使用寿命和运输安全,车辆超重作弊行为与人工稽查工作量的矛盾日益加深。在高速公路联网运营环境下,我们依据货车计重数据特征的分析,在路网终端实现了对货车超重作弊逃费行为的预判,为高速公路稽查提供了技术支撑。     

上海市二级公路事故风险等级预测模型及致因分析

随着上海市规划建成区不断向郊区扩大,原有的二级公路很多转变为过境和集散功能兼具的城镇化道路。现收集了2017年上海市33条典型二级公路的历史事故数据和路段基础设施数据,对事故率进行了负二项分布拟合,拟合通过了K-S检验,以事故率为初始因变量,道路基础设施属性为变量,构建二级公路事故预测模型。将事故率进行风险等级划分作为最终因变量,构建事故风险等级预测模型。该模型训练集预测整体准确率为90.3%,测试集预测准确率为89.3%。通过模型结果对上海市二级公路事故致因进行分析,发现:路面宽度、人非隔离形式、机非隔离形式、接入口密度和机非分隔带开口密度对事故风险有显著的影响,应作为设计和管理中的控制对象。     

基于ST-GCAN模型的高速公路车辆速度预测方法

车辆速度是影响高速公路通行效率和安全的重要指标,因此实现对高速公路车辆速度的精准预测有助于减少交通事故进而提升交通智能管控服务水平。基于现有深度学习模型,研究了融合图卷积网络(convolutional neural network,GCN)、长短期记忆网络(long short-term memory network,LSTM)和注意力机制的车辆速度预测模型(ST-GCAN)：利用图卷积网络提取复杂高速路网的空间关联特征;使用长短期记忆网络提取车辆速度的历史数据间的时间关联特征;结合注意力机制聚集并分析车辆速度的历史数据和预测值之间的相关性。此外为保障预测模型网络信息完整并解决训练时协变量偏移问题,模型使用密集连接和层归一化技术以提升模型性能表现。利用青海省西宁市的高速公路车辆速度数据集开展实例分析,研究区域包括8个收费站共49条路段,时间跨度为2020年5月1日—8月31日,以小时为步长,共计94 777条数据。实验得到未来1小时高速公路车辆速度的预测效果：平均绝对误差(mean absolute error,MAE)为12.762,均方根误差(root mean square e...     

基于卷积神经网络的自行车骑行行为识别

为研究适合我国城市交通的自行车骑行行为分类识别方法,实施骑行行为视频调查试验,并提取骑行者骑行特征信息.结合我国交通现状和自行车交通特点,提出一种新的骑行行为分类方法,新的行为分类可基本覆盖我国自行车交通的所有骑行行为场景.采用提出的行为分类方法对试验个体骑行行为进行人工分类标记,得到不同骑行场景下的骑行行为分类数据集.基于卷积神经网络(CNN)建立自行车骑行行为识别模型,考虑模型输入特征特性以及分类任务复杂度对模型结构进行迭代设计选优,调整模型网络组成和卷积参数,得到分类效果显著的模型结构.对比分析多元Logit分类模型、三层全连接层BP神经网络模型,与本文的卷积网络模型在骑行行为分类预测的表现,在20 000次迭代训练之后,3个模型均得到收敛结果.结果 表明,提出的骑行行为分类模型准确率分别高于多元Logit模型20%,高于BP网络模型15%,显著优于对比模型的识别效果.卷积网络模型可有效解析骑行行为与各骑行特征因素之间的关系.      

取消省界收费站后治理公路逃费的方法

为维护社会秩序和交通秩序,杜绝取消省界收费站后公路逃费行为,文中通过收集整理近10年来的公路逃费案例,分析了治理公路逃费问题适用的法律条款;提出了通过收费者使用大数据分析建立逃费黑名单及时提示,用诚信和法治加强管理的防治公路逃费的方法。建议对于90%以上的逃费者,只需列入黑名单及时提醒、拒绝服务即可;对于不到10%的恶意逃费、极少数暴力逃费者,则依法治理。     

考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林预测模型

为探索驾驶员驾驶行为与电动公交车能耗之间的关系，采用随机森林算法建立电动公交车能耗预测模型。为克服驾驶行为特征参数和样本数据的随机性对电动公交车能耗预测模型的负面影响，运用灰色关联投影法计算各驾驶行为特征参数的灰色关联度以及各样本数据的投影值，筛选出与能耗具有高关联性的驾驶行为特征参数作为模型的输入变量，以及相似度较高的样本数据作为训练集和测试集。同时，引入了与能耗具有显著相关性的驾驶风格变量以进一步提升模型的预测能力，运用K-means聚类方法将驾驶风格分类并得到驾驶风格标签。将驾驶风格标签和筛选后驾驶行为特征参数作为输入变量，单位里程能耗作为输出变量，基于筛选后的数据集建立了考虑驾驶风格的电动公交车能耗灰色关联投影-随机森林（GRP-RF）预测模型。基于广州市某线路电动公交车运营数据对模型进行检验，并运用该模型分析加速、制动和运行3种典型场景下相应驾驶行为特征参数对电动公交车能耗的影响。结果表明:该模型预测能耗的均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.001 8 kW·h/km和3.42%。相比于不考虑驾驶风格的GRP-RF模型和随机森林模型，该模型的RMSE分别降低了35.71%和48.57%，MAPE分别降低了38.82%和46.81%。研究结果表明:加速、制动和运行阶段的平均能耗分别为1.066，0.903 7，0.955 2 kW·h/km；为使各阶段能耗在相应均值以下，加速阶段应控制加速踏板开度在55%以内；制动阶段应控制制动踏板开度在25%以内；运行阶段应控制车速在40 km/h以内。      

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于粗糙集交通信息提取计算的城市道路行程时间预测

针对城市道路的行程时间预测问题进行研究。由于城市道路交通问题具有不确定性和不精确性,故采用基于粗糙集的交通信息提取计算理论建立城市道路行程时间预测模型。模型建立后,利用在荷兰代尔夫特市采集到的实际数据,对该预测模型进行检验。检验结果表明:如果不进行原始数据的前期处理,那么得到的预测误差在35%左右;而在剔除了质量较差的数据后,预测精度明显提高;同时,条件属性和决策属性的分类,显著影响到预测的精度。通过计算得到分类范围值,该模型能够较好的对交通状态进行物理解释同时预测精度能够达到可以接受的范围。     

并行网络与数据扩充方法在乘用车异响识别中的应用

针对乘用车车内异响识别研究过程中数据集少且人工诊断法效率低的问题，提出了一种具有高识别准确率的数据扩充方法，并采取卷积神经网络与Transformer编码器栈并行的工作机制获得分类模型。结果表明，当将提取的扩充数据的梅尔倒谱系数特征用作并行网络的输入时，所提出的数据扩充方法可有效提高分类性能，且拟议模型在测试集上可以实现高达98.31%的分类精度。     

一段典型山区高速公路的事故频次建模研究

山区高速公路是道路交通系统中的一个重大安全隐患。文中通过对一段典型山区高速公路上事故频次建模,获得了对主要风险因素的安全效应评价;通过数据预处理及对其中"过度离散"和"零膨胀"特征的观察与统计检验,建立了基于零膨胀负二项回归技术的事故预测模型;对比传统泊松和负二项模型,该模型具有更好的数据拟合度和鲁棒性。研究结果表明陡坡、弯道、季节、隧道等是影响山区高速公路事故发生的主要因素。同时提出了一种计算"零事故状态"下各因素相对重要性的方法。     

基于贝叶斯网络的高速公路出口指路标志满意度评价

为建立科学有效的高速公路出口指路标志设置满意度评价体系,分析多维度因子对评价结果的直接和潜在影响。采用问卷调查收集驾驶人的基本信息和对指路标志的主观评价,通过贝叶斯网络构建高速公路出口指路标志设置满意度评价模型。结果表明,文中建立的贝叶斯网络模型可以准确识别驾驶人对高速公路出口指路标志的满意度,总体准确率达到72.9%;通过贝叶斯网络模型识别了驾驶人个体特征、出行选择特征、出口处的行为特征等因素之间的因果关联及其组合对出口指路标志满意度的影响。     

基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型

山区高速公路事故严重程度预测对保障交通安全具有重大意义。针对现有事故严重程度预测模型存在准确率低、泛化性差等问题,考虑到深度卷积神经网络可以高效处理图像问题,为此将事故影响因素图像化,提出一种融合深度反残差与注意力机制的山区高速公路事故严重程度预测模型。该模型首先采用相关性分析确定影响交通事故严重程度的因素,依据严重程度与影响因素将事故划分为财产损失、轻伤事故、重伤事故和死亡事故4类;然后将影响因素处理成图片的形式,进而将事故严重程度预测问题转化为图像的分类问题,随之构建基于反残差与注意力机制的山区高速公路事故严重程度预测模型,其中：基于深度可分离卷积的反残差结构可以以较少训练参数获取较高的准确率,基于软阈值的注意力机制作为一种非线性层可以忽略与事故严重程度无关的信息,Mish激活函数可以确保更好的信息流入神经网络。结果表明：在山区高速公路交通安全事故严重程度评估中,相比于传统的机器学习模型,所提出的模型识别准确率具有明显的提高,且测试准确率为85%左右,满足山区高速公路安全评估的实际预测需求。     

基于非线性回归和BP神经网络的交通事故时空影响预测模型

高速公路偶发性事故影响的严重程度和波及范围的定量研究,对保障道路通行能力和为偶发性事故提供科学的应急处置方案与高效的应急救援具有重大意义。本文通过VISSIM交通仿真平台模拟了高速公路偶发性事故路段交通拥堵、扩散和消散的全过程,仿真分析了事故路段上游到达车流量、客货比例、事故处置时间和占道情况等因素的影响。根据仿真结果,建立了基于非线性回归和BP神经网络方法的两种交通事故时空影响预测模型。运用广东省某高速公路的交通事故处置记录对模型的有效性进行了验证,结果表明两种预测模型均有较好的效果,且BP神经网络预测模型更为精确,最大排队长度的最大值误差小于1 km的准确率为88. 6%,拥堵消散时间的误差小于10 min的准确率为75. 7%。     

高速公路改扩建保通车道路断面布置研究

高速公路改扩建施工路段保通车期间,需保证道路交通组织作业安全和通行安全。以柳南改扩建施工路段为背景,为保证路段通行区和作业区合理分配,研究保通车道路断面优化布置。实测5种车道宽度路段的交通流,通过道路通行能力和车辆横向偏移分布研究车道断面布置;通过车速分布和驾驶人员行车心率研究内侧车道侧向宽度布置。此外,利用配对t检验验证交通流数据差异的显著性。结果表明：为保证组织交通安全运行,改扩建施工区保通车车道宽度不宜小于3.25 m,侧向宽度不宜小于0.5 m;车道宽度造成交通流显著差异。     

基于港珠澳大桥左右舵车辆时空混行的差异化驾驶行为识别和预测方法

为实现左右舵不同驾驶习性驾驶人在港珠澳大桥时空混行环境下快速、有效识别并预测行驶车辆在应急条件下的运动状态，提出了一种考虑右舵驾驶行为的模型加数据混合运动预测方法。首先，提取港珠澳大桥通行车辆的跟驰与换道原始轨迹数据并分析，挖掘左右舵驾驶行为在直道及变道属性下的长短时特性；其次，结合最大信息系数算法(MIC)对比所提取特征与2类驾驶行为的关联程度，并求解关键区分特性下高斯混合模型(GMM)对于左右舵驾驶行为应急反应的倾向性概率；最后，将2种驾驶行为的车辆运动状态在直道行驶的差异特征作为长短时记忆(LSTM)神经网络的输入，建立数据驱动下的直道横向偏移预测模型，并在具有差异化驾驶行为的车辆直道位姿信息预测基础上，串联建立模型驱动下的变道概率预测模型。对青州航道桥实际车流监测数据的测试结果表明：所提方法可基于行驶车辆的横向偏移和偏航率等特征快速、准确识别左右舵驾驶行为；对于不同特征输入下的直道偏移预测结果，所预测左舵驾驶行为的均方根误差(RMSE)、改进的豪斯多夫距离(MHD)与决定系数(R²)的最优评估分别为0.578 7、0.468 1与0.870 7,右舵驾驶行...     

高速公路路侧雷达布设间距对交通事故风险评估精度的影响

高速公路通过布设毫米波雷达等新型检测设备,实现交通状态的精准感知,并为主动交通管控提供支撑。然而检测设备布设成本高,其布设间距需综合考虑成本约束和交通状态感知成效。为探究路侧毫米波雷达布设间距对交通事故风险评估精度的影响,基于浙江省沪杭甬高速公路的实证数据开展研究。构建事故风险评估深度森林模型（deep forest,DF）,应用滑动时空窗提取交通运行特征,并通过多层级联随机森林的集成建立交通运行特征与事故风险的关联关系;考虑路侧毫米波雷达感知范围,构建不同雷达布设间距下的交通运行数据集,开展布设间距对事故风险评估模型精度的敏感性分析。研究结果表明：DF模型曲线面积值（area under curve,AUC）为0.849,事故样本分类准确率为80.9%,高于传统的卷积神经网络模型（AUC值为0.741,准确率为75.2%）、随机森林模型（AUC值为0.715,准确率为70.8%）;雷达布设间距与事故风险评估精度呈反比关系,且密集布设下模型精度提升的边际效应递减,当布设间距由1 500 m缩减至750 m时,事故风险评估模型AUC值呈显著上升趋势,由0.794提升至0.853,布设间距...