基于神经网络的无信号路口人车交通行为预测分析

以无信号灯路口人车交通行为为研究对象,对行人和机动车辆在无信号灯路口的整体交通行为进行分类预测。在对路口现场交通情况进行拍摄后,用电脑的分帧技术对所需要的数据进行提取和分类,而后建立BP神经网络模型,确定神经网络的输入变量与输出变量。将样本数据导入神经网络并进行训练和测试后,得出行人和车辆过街类型的分类准确率,并且通过准确率所达到的标准来证明了BP神经网络模型的可行性。     

高速公路交织区安全性研究

针对高速公路交织区的安全现状,在阐述交织区涵义的基础上,分析了交织区的交通特性,从道路条件、设计车速、交通流率、交通安全设施、驾驶员、车辆这六个方面分析了交织区行车安全的影响因素,以指导安全改善策略的制定,减少道路交通事故,提高交织区的安全水平.     

广西高速公路噪声源强预测模式修正研究

文章根据广西高速公路营运的实际情况,对现有高速公路各类型车辆的噪声辐射源强进行了监测,并对监测数据进行了回归分析。通过与《环境影响评价技术导则-声环境》（HJ2.4-2009）中推荐的公路交通单车辐射噪声级公式的理论计算结果进行对比分析,得出了车辆噪声源强的修正模型,为今后广西交通噪声预测工作提供参考。     

溶洞上覆土层触探特征分析

本文首先介绍基于归一化的锥尖阻力Q_t和归一化的摩阻比F_R等触探参数的Robertson分类图及其解析表达形式,再根据研究区域的土层分布状况,简化Robertson分类图和贝叶斯模型。最后收集江西省某高速公路沿线溶洞上覆土层89个CPT和钻孔取样资料,分别采用最大似然法和贝叶斯法对Robertson分类图中的边界进行修正和比较,发现变异系数COV越小,先验分布越接近Robertson土壤分类图,预测结果越接近于Robertson土壤分类图,准确率也较以往的70%有所提高。变异系数COV越大,先验分布越为含糊不清,预测结果越接近于最大似然法的结果,但由于考虑了先验分布,准确率仍高于最大似然法。而在样本数量有限的情况下,最大似然法计算结果与Robertson分类图存在较大差别,准确率较差,应谨慎使用。     

考虑危险驾驶群体的交通事故预测模型

传统的交通事故预测是基于直接暴露量,如车辆行驶里程(VMT)等,很少有研究致力于评估不同驾驶群体对事故频率的影响,而现有的研究表明,大量的交通事故与驾驶群体相关。基于此,首先采用相对危险暴露量技术探索所有驾驶人群中的危险驾驶群体,通过相关事故参与率的计算结果可知,青年(15~29岁)和老年(大于或等于70岁)驾驶员更容易发生事故,为危险驾驶群体。然后以VMT和危险驾驶群体作为解释变量,建立了用于交通事故预测的负二项模型。最后通过计算Akaike信息准则(AIC)指标,得到了最优预测模型。结果表明,将危险驾驶群体引入交通事故预测模型可以使预测效果更好(尤其是以VMT和青年驾驶员为变量),有助于提高交通事故预测的准确性。     

基于HMM的交通运行态势评估及预测方法

文章以西安绕城高速公路为例,应用构建的预测模型,预测路网交通运行态势,并评估预测结果,对比HMM、自回归移动平均模型和灰色马尔可夫模型三种预测方法的准确率和误差,所提出的HMM预测模型不仅能从整体上预测路网交通运行态势的态势值,且准确率更高、误差更小。     

基于熵与回归树的票价影响因素研究

为构建统一开放的交通运输市场，航空运输早已实行了浮动票价，高铁也在逐步实行。本文以京沪高铁和航空为例，对高铁和航空票价影响因素进行了对比研究。首先使用Ward方法将票价的影响因素聚成了四类：出行需求、旅客选择、出行效率、出行路线。然后基于信息熵和Copula熵对单个因素进行分析，再借助CART树对多因素进行回归分析，使用回归树模型拟合了票价数据，回归树分析解释了73.1%的航空票价变化和93.8%的高铁票价变化，可信度较高。结果表明，航空票价主要受出行需求、旅客选择因素影响，而高铁票价主要由出行效率决定。     

基于TE-LSTM组合模型的短时交通流预测

为了提升城市道路智能交通控制和管理的合理性和有效性，从交通流时空特性角度出发，提出基于传递熵（TE）变量选择和长短时记忆（LSTM）神经网络模型的城市道路交通流预测方法。根据传递熵选取与被测对象时空因果关联性强的影响因素，将筛选所得的因素作为输入变量，建立TELSTM组合预测模型。采用自动车牌识别数据对算法进行训练和实验，并与基于随机森林（RF）、递归特征消除（RFE）、前向选择（FA）的LSTM组合预测模型对比。结果表明：TE-LSTM模型对道路交通流的预测准确度最高，交通流量预测的MAPE低于5%，在满足实际交通管理和控制的数据精度要求的同时，降低了预测模型的变量维度和复杂度，提升预测效率。     

基于Nested-Logit模型的空铁换乘客流预测

本文以经济性、快速性、方便性、舒适性作为效用函数的特征变量,建立了基于非集计Nested-Logit模型建的空铁换乘量预测模型,采用专家调查法对模型参数进行标定，并以郑州市新郑机场空铁换乘量为例对模型进行了实证分析和验证。结果表明基于Nested-Lo git模型的分类预测方法物理意义明确，计算简单，能较为客观和精确地预测空铁换乘量,为空铁换乘的预测提供了一种新思路，同时为机场的规划建设提供科学依据。     

基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM（支持向量机）模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明：(1)误差对比：当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。(2)预测精度：组合模型>BP神经网络>SVM,组合模型的平均绝对误差（MAE）提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。     

灰色理论GM(1.1)模型预测高速公路养护成本研究

结合广西省南友高速公路养护成本的分析,建立基于灰色理论的GM(1,1)养护成本预测模型,并通过后残差检验分析了预测精度等级,结果表明此模型结果可靠。     

混凝土结构钢筋锈蚀率BP神经网络预测模型

文章基于对钢筋锈蚀率与锈胀裂缝关系的分析,建立了根据锈胀裂缝宽度预测钢筋锈蚀率的BP神经网络模型,并将该模型的预测结果与采用线性拟合法预测的结果进行了比较。结果表明：用BP神经网络模型可以较准确、简便、快速地预测钢筋混凝土结构的钢筋锈蚀率。     

基于METANET模型的车道级可变限速控制研究

可变限速控制是一种应用广泛的主动管理方式，能够提高车辆的通行效率和安全性。现有研究集中在对多车道路段不区分车道进行限速控制。事实上，不同车道的交通状态有所不同，且换道行为本身也会对交通流造成影响，进而影响限速控制的效果。本文基于METANET模型，提出一个新的高速公路多车道交通流模型。以总行程时间最小和总周转量最大作为目标函数，建立了车道级可变限速控制模型。利用MATLAB数值仿真的方法，基于真实交通数据对所提出的模型进行了评价。研究结果显示，相较于整体可变限速控制，车道级可变限速控制使车辆总行程时间减少了5.9%，总周转量提高了6.8%，证明本文提出的模型能够更进一步提升高速公路通行能力、缓解交通拥堵。     

基于深度学习的沥青路面使用性能预测研究

在高速公路的使用过程中,路面的使用性能会由于车辆的不断经过和碾压以及天气的变化而降低。目前,道路维护均是在道路出现裂缝和其他肉眼可见的损伤后,才进行养护和维修,这样不仅会增加路面养护和维修的费用,还会错过道路维护的最佳时机,因此早期养护和及时获取待检测信息尤为关键。本文的主要研究内容是在深度学习的基础上对高速公路技术指标路面性能指数（PQI）进行智能化预测。本文利用长短记忆（LSTM）神经网络模型对河北省某高速公路的路面状况指数PQI进行了预测。结果表明,预测的PQI指标与全年的实测数据具有显著的一致性,确定性系数达到了0.7,预测结果是可靠的。     

基于K-means与GRNN的高原山区高速公路短时交通流预测

为了研究可适用于高原山区高速公路短时交通流的预测方法,以及预测方法思路对绩效的影响,提出基于广义回归神经网络（General Regression Neural Network,GRNN）,构建K均值聚类算法（K-means clustering algorithm,K-means）与GRNN混合预测方法思路,即通过K-means和绩效指标判断GRNN模型参数最佳值,进而建立最佳预测模型。与传统上通过经验或一定指标判断模型参数值的思路相比,采用K-means和GRNN混合预测思路得出的模型参数值更佳,且模型RMSE、MAE最高可分别改善45.92%、45.05%,则构建的混合预测方法思路是科学有效的,可为高原山区交通流预测方法优化提供借鉴。     

城市道路交通安全预测与评价方法研究

为提高城市道路交通安全性,确保车辆通畅、安全运行,对城市道路交通安全预测与评价方法进行研究。首先,分析影响道路交通安全的相关因素;其次,解读研究过程中所涉及的理论,通过构建安全预测模型、实施指标评价方法,提高城市道路交通安全预测与评价结果的准确性;最后,分析车辆行驶轨迹获取方式,以及车速离散度、紧急加速或减速行为对交通安全造成的实际影响。研究取得预期成果,可实现对交通安全的有效预测与评价,能为城市道路交通安全管控提供可靠参考。     

基于深度学习的隧道工作面岩石结构自动化判别

从掌子面图像中快速准确获取建设阶段隧道工作面的表观岩体结构特征对于掌握待开挖围岩的稳定性及跟进阶段的施工决策意义重大。文章结合自研数字照相设备获取云南蒙屏高速公路13条隧道在不同工况、温湿度、照度、粉尘浓度环境下的150余个掌子面42 100张图像样本,选取现场数据集出现的块体、层状、碎裂、散体、镶嵌等5种主要结构类型,以训练及测试损失率、准确率、召回率等为主要评价指标,建立基于TensorFlow-GPU的岩石隧道掌子面结构的卷积神经网络Inception-ResNet-v2模型,对模型进行训练并实现岩体结构类别的自动识别与分类。研究表明:(1)采用训练集和测试集中的掌子面图像对模型进行分类研究,训练、测试集的准确率分别达到98.21%和94.61%,召回率达到96.14%;(2)测试可视化结果显示Inception-ResNet-v2模型对复杂的现场条件具有较好的鲁棒性,而局部的错检现象需要通过进一步提高样本丰富性和纹理多样性来规避。     

非线性分类模型在高速公路边坡监测中的应用

针对高速公路边坡形变预测数据存在非线性和不确定性的特点,为探究边坡监测地质参数与边坡安全系数的相关性,文章基于广西某高速边坡监测数据,应用SVM和ANFIS等非线性分类模型对边坡监测地质参数进行计算分析。结果表明:ANFIS计算结果最大误差为0.281 3,平均误差为0.107 8,更接近实际误差,获得的预测结果相对更为准确有效,为判断边坡安全性和采用边坡防护防治措施提供参考。     

基于机器学习的铁路隧道施工碳排放预测模型研究

为构建适用于铁路隧道施工建设阶段碳排放预测的算法模型，以某铁路隧道建设工程为研究案例，首先基于碳排放计算体系量化得到案例隧道的施工碳排放量与各子阶段碳排放占比；然后采用多种机器学习算法构建不同预测模型，结合动物优化算法对预测模型进行参数调优，选用R²、MAE、MSE、RMSE、MAPE、SMAPE等评价指标对比分析拟合效果，筛选最佳预测模型，并基于SHAP值分析各参数变量的重要性程度。结果显示：建材生产阶段对隧道施工碳排放的贡献最大，建材运输阶段的碳排放最小；BP神经网络相对随机森林、LightGBM、SVR、极限学习机等算法的回归效果更好，并且通过对比使用PSO算法、WOA算法和SSA算法优化后的回归预测模型，WOA-BP算法的拟合效果最好；基于SHAP算法的分析，各参数变量的特征重要性排名依次为：开挖面积>围岩等级>开挖工法>埋深。     

基于机器学习的民航不安全事件信息数据清洗

为解决民航不安全事件信息中分类不准确的问题，提出一种基于机器学习的数据清洗方案。首先，设计了一种基于one class svm的异常值筛选模型，筛选出现有航空不安全事件信息中事发阶段中标签错误的数据。其次，建立了一种基于BERT的分类模型对分类正确数据进行训练，利用经过训练的模型对筛选出来的异常数据进行重新分类。最后，将清洗后的数据与原始数据进行比较，清洗后的数据标签准确率提高了10.2%。实验结果表明，基于机器学习的数据清洗方法能够实现民航安全信息的数据清洗，提高了数据质量。