广东省高速公路服务区驶入率调查与预测研究

高速公路服务区驶入率是指驶入高速公路服务区的车辆数 (辆 /日 )占高速公路主线交通量 (辆 /日 )的比例。目前 ,对高速公路服务区未来特征年的驶入率的发展趋势预测 ,在国内是一个新的课题 ,对其研究和认识有一个过程。根据 2 0 0 0年广东省深汕高速公路服务区调查的实际情况 ,并参考日本及其他国家的调查资料和计算参数的变化情况 ,对广东省高速公路服务区驶入率的发展变化作一些探讨性的预测研究。     

广东省高速公路服务区驶入率调查与预测研究

高速公路服务区驶入率是指驶入高速公路服务区的车辆数（辆／日）占高速公路主线交通量（辆／日）的比例。目前，对高速公路服务区未来特征年的驶入率的发展趋势预测，在国内是一个新的课题，对其研究和认识有一个过程，本文主要根据2000年广东省深汕高速公路服务区调查的实际情况，并参考日本及其他国家的调查资料和计算参数的变化情况，对广东省高速公路服务区驶入率的发展变化作一些探讨性预测研究。     

高速公路服务区驶入率的交通势测度模型

在分析高速公路服务区网络特点的基础上,构造了高速公路服务区网络的交通势,根据交通势理论推导出网络状态下的高速公路服务区交通势测度模型;在分析高速公路服务区需求主体行为特征的基础上,说明了驶入率产生的内在机理,揭示了不同驶入率类型的服务区在高速公路网上的分布规律;最后根据2006年河北省高速公路服务区驶入率数据的分析结果,对该交通势测度模型进行了验证。结果表明：高速公路服务区网络具有场系统特征;交通势测度模型可较为准确地给出高速公路服务区驶入率,为高速公路服务区规模的设置提供了依据。     

山东省高速公路服务区交通分析

文章通过对山东省境内3个服务区的主线交通量和驶入交通量进行现场人工调查,分析了重载车辆驶入率和交通组成的日变化规律,提出了建议值,可以为服务区路面设计交通量的确定提供依据和参考。     

陕西省高速公路服务区驶入率调查与预测研究

高速公路服务区驶入率是计算确定服务区总体规模的关键技术指标之一,进一步影响到服务区内部设施的配备数量.我国高速公路服务区规划设计中驶入率多是采用《交通工程手册》[1]中推荐的恒定值,但是驶入率是随着社会经济状况、道路发展状况的变化而变化发展的,故该推荐值有一定的局限性.通过对陕西省部分高速公路服务区驶入率的调查,运用弹性系数理论对高速公路服务区未来特征年的驶入率进行了预测研究.     

基于收费数据的高速公路车辆运行速度算法

为精准统计高速公路车辆平均运行速度,依托联网收费数据,分析影响平均速度统计结果的多源干扰因素,提出2种处理干扰因素的研究思路,估计每种思路的统计误差,通过在服务区开展调查获取驶入概率、间隔行驶里程、停驶时间及其占总行程时间的比例,引入变异系数对比停驶时间和间隔行驶里程的波动情况,明确在总行程时间中剔除服务区停驶时间的研究思路的局限性,基于间隔行驶里程分布区间中位值,通过样本量加权计算车辆驶入服务区的间隔行驶里程,结合陕西省2019年6月客货车辆平均行程的交通量分布情况,最后提出以206 km为间隔行驶里程、省内出行车流、ETC客车和货车作为统计约束条件,在联网收费数据中寻找不驶入服务区的短途行驶车辆作为最优样本来完成平均运行速度统计方法改进,通过陕西省数据验证统计方法的可行性。研究结论可为路网运行状态分析、路段车辆安全风险评估与监测提供有力的技术支撑。     

基于危化品运输安全的服务区分类

从安全性角度出发,根据危化品运输车辆的需求特性、服务区整体功能性,确定服务区划分的原则、影响因素及其赋值标准,将服务区划分为三大类,分别为 A 类可供危化品车辆停放的服务区,B 类仅提供加油加水的服务区和 C 类禁止危化品车辆驶入的服务区。并运用聚类分析方法将试点服务区划分相似的类,最后通过停车饱和度指标的高低判定各类服务区的类型属性。     

高速公路服务区合理规模的确定

为了确定高速公路服务区的合理规模,根据服务区的功能构成,通过对若干服务区平面图设计案例及服务区使用情况的调研,分析了影响服务区规模的主要因素。结果表明,停车场面积是影响服务区总面积的关键;经过现场调查与统计分析,得到了驶入率、高峰率、周转率等主要设计参数值,建立了停车场面积的计算模型,进而计算出各种交通量及车型比例状态下的停车场面积和服务区总面积。     

江西省高速公路服务区驶入率分析与预测

根据江西省高速公路服务区调查的实际情况,并参考国内外的调查资料和计算方法,对江西省高速公路服务区驶入率的发展进行了探讨性的研究,以期为相关工作提供参考。     

基于A-CBR的高速公路服务区最优规模研究

为确定高速公路服务区的最优规模,研究首先分析了确定服务区规模常规方法的局限性,并提出服务区规模确定的改进方法;引入基于案例推理的改进模型(A-CBR),进行服务区的驶入率及每辆车收益预测,建立了确定服务区最优规模的决策技术;最后对服务区的单位面积收益进行估算,确定目标服务区的最优规模。案例分析结果显示,采用此方法估算目标服务区的建筑面积为2 001m2,而此服务区的实际建筑面积为3 263m2,表明实际建筑面积存在空间浪费,建议在服务区规划阶段对建筑面积进行估算。     

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。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。      

Urban Traffic Flow Prediction Using a Spatio-Temporal Random Effects Model

Traffic prediction is critical for the success of intelligent transportation systems (ITS). However, most spatio-temporal models suffer from high mathematical complexity and low tune-up flexibility. This article presents a novel spatio-temporal random effects (STRE) model that has a reduced computational complexity due to mathematical dimension reduction, with additional tune-up flexibility provided by a basis function capable of taking traffic patterns into account. Bellevue, WA, was selected as the model test site due to its widespread deployment of loop detectors. Data collected during the 2 weeks of July 2007 from 105 detectors in the downtown area were used in the modeling process and traffic volumes predicted for 14 detectors for the entire month of July 2008. The results show that the STRE model not only effectively predicts traffic volume but also outperforms three well-established volume prediction models, the enhanced versions of autoregressive moving average (ARMA) and spatiotemporal ARMA, and artificial neural network. Even without further model tuning, all the experimental links produced mean absolute percentage errors between 8% and 16% except for three atypical locations. Based on lessons learned, recommendations are provided for future applications and tune-up of the proposed STRE model.     

连续数据环境下的道路交通事故风险预测模型

针对现有研究多基于病例对照的欠采样方法,即每起事故从连续交通流数据中按一定比例抽取对照的非事故数据构建模型,而该类模型在连续数据环境中的预测精度存在缺陷的状况,对城市交通连续观测并动态调控的技术环境（简称连续数据环境）开展道路交通事故风险预测模型构建研究。首先提出基于全样本交通流数据,结合“调整事故分类阈值”的方法解决事故风险预测研究中的非平衡数据分类问题;而后采用上海市城市快速路2014年5,6月的线圈检测交通流数据及历史事故数据开展实证研究,以受试者工作特征曲线下面积为评价指标,对比基于全样本和抽样样本构建的常用事故风险预测模型（逻辑回归、随机森林）的整体预测能力;以灵敏度和特异度的几何均数为评价指标,对比3种分类阈值计算方式（约登指数法、事故占比法和交叉点法）对事故/非事故综合预测精度的影响。结果表明：在连续数据环境下,采用全样本数据建模能使模型整体预测能力提高13.06%;基于约登指数法进行分类阈值计算可使模型的事故/非事故综合预测精度最佳。     

在道路交通和城市化进程影响下对汽车销量的预测

本文研究了汽车销量在道路交通和城市化进程影响下的预测模型的建立,以历史数据为检测依据,判断所建模型的可行性,并对2011~2015年末汽车总销量进行了预测。其模型参数即道路交通和城市化进程对汽车销量的影响因素包括城镇人口数、城镇居民人均可支配收入、城市化率、城市年末实有道路长度、城市年末实有道路面积、公路里程。经精度检验,BP神经网络可用于预测城镇人口数、城镇居民人均可支配收入、城市化率、公路里程。二元线性回归可用于预测城市道路长度和城市道路面积。最后BP神经网络利用其在处理非线性系统方面的优越性,实现在各参数影响输入下对汽车总销量输出的任意非线性映射且具有较高的预测精度。     

基于道路环境因素的公路隧道交通事故预测

为提高公路隧道交通事故预测准确率,以西汉高速秦岭某隧道群的496起交通事故作为研究对象,对影响公路隧道交通事故预测的道路环境因素进行相关性分析,针对不同预测类别选定具有显著影响的主要变量,通过贝叶斯模型、随机森林模型、BP神经网络模型和支持向量机模型分别对公路隧道交通事故形态、严重程度、伤亡情况和持续时间进行预测,根据准确率和稳定性确定出最优预测模型。研究结果表明： 1）随机森林模型在预测公路隧道交通事故形态时最为可靠,准确率约为84%; 2）在对公路隧道交通事故严重程度和伤亡情况进行预测时可优先考虑贝叶斯模型,其对重大或特大事故的预测准确率高达50%; 3）选择随机森林模型作为公路隧道交通事故持续时间的预测模型,绝对误差为20 min时模型准确率将超过70%。     

基于中心区改造的济南市中心区社会停车场布局优化探讨

城市交通是一个大系统,停车场是城市交通这个大系统中的一个有机组成部分,静态交通与动态交通构成完整的交通系统。静态交通解决不好将严重影响动态交通。大量私家车的出现,使得城市中心区"停车难"的现象尤为突出。一方面动静态的交通相互干扰造成道路通行能力的下降,另一方面长期低速行驶的汽车排放出的废气又给城市环境带来严重污染。该文基于停车场是城市重要的基础设施,在分析济南市中心区停车现状的基础上,综合分析社会停车场规划布局的影响因素,结合济南市中心城区改造,提出适应城市发展的中心区停车场布局要点、社会停车场用地的规划管理措施。     

天津滨海新区重载交通工作区深度的分析

该文提出了我国现行路基设计规范中对动荷载的影响深度统一界定为1.5m深度的问题,认为其与轴载有一定关系,进而提出重载交通及工作区深度的定义,并以天津滨海地区高等级道路建设为工程实例,以该地区的典型地质条件、交通轴载、路面结构为模型,计算分析了不同轴载的路基工作区深度,得出标准轴载工作区深度为1.5m,重载交通工作区深度...     

基于灰色理论的高速公路小修保养维修量预测模型

在仅有通车5 a以下维修量的小样本数据条件下,为了合理、科学地预测高速公路小修保养维修量,量化年平均日交通量、年均降雨量、年均温度和通车年限4个因素对维修量的影响程度。提出了基于Matlab的灰色系统预测模型,以实际调研路段5 a的统计数据为样本,运用灰色关联度模型对4个因素的影响程度进行量化评估;分别建立均值GM(1,1)单变量预测模型与GM(1,N)多变量预测模型对维修量进行预测分析。研究结果表明:上述4个影响因素与维修量的灰色关联度均大于0.5,说明上述4个自变量对维修量均具有较大影响;GM(1,1)模型70%的预测结果误差小于15%,GM(1,N)模型75%的预测结果误差大于30%,从而得出GM(1,1)预测模型比GM(1,N)预测模型的预测结果更加准确。因此,对通车5 a以下维修量的小样本数据预测,选用单变量预测模型更加合理、有效。     

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。