一种新型公路收费站行驶车辆检测器

本文介绍一种简单、实用的公路收费站行驶车辆检测器的软硬件设计方法。基于感应式环形线圈，采用计频方式检测车辆的速度、长度、流量、到达与离开，并将有关资料通过RS232串口送至收费站监控室的监控主机。通过模拟信号滤波、变压器隔离、多频率设置、软件容错、自适应频率、超时自动复位来保证系统适应应用现场的各种不同环境，实现系统的最佳运行状态。     

一种汽车追尾事故的模糊综合评价

为克服基于大量统计资料的汽车追尾事故评价方法存在的多种因素随机性,提出了一种追尾事故的模糊综合评价方法。以人、车、路为影响追尾事故的主要因素,建立了追尾事故的多级模糊评价模型。在案例分析中以天气指标的变化为算例,证实评价结果会随条件的变化而发生相应的改变,从而说明多级模糊评价模型的可靠性。     

阿姆斯特丹城市道路线圈检测器布设方法研究

基于宏观基本图(Macroscopic Fundamental Diagram,MFD)的网络交通控制方法受到越来越多的国家的重视,它可以更有效的节约资源和提高效率。然而建立MFD需要以收集网络范围内详细的交通数据为前提,阿姆斯特丹的城市道路错综复杂,若在每个城市道路路段都布设线圈检测器需要巨大的经济支持和维护。基于Vissim的仿真实验的方法,建立阿姆斯特丹的MFD;通过实验方法确定城市道路中对于建立网络MFD起着显著的影响关键路段,为线圈检测器的布设提供了理论依据。     

城市快速路车辆检测器数据质量评价与控制方法

为了提高车辆检测器数据的准确性,设计了城市快速路车辆检测器数据质量评价与控制方法,提出了一种综合考虑单一地点与流量守恒定律的数据质量评价与控制流程.通过分析路段上下游检测截面的流量累积曲线特性,设计了基于流量累积曲线的数据质量评价方法.以路网所有检测截面累积流量调整值与观测值差的平方和最小为目标函数,以流量累积曲线的特性为约束条件,设计了基于最优化技术的数据质量控制方法.采用某特大城市快速路实测数据对本文方法进行了验证和对比分析.验证结果表明:当引入误差分别为0.025、0.050、0.075、0.100时,采用评价与控制方法的计算结果的平均绝对百分比误差分别为2.40％、3.83％、5.70％、8.26％,评价正确率在97％以上,明显优于其他对比方法.     

提前识别危险在交通事故自我预防中的作用与应用

面对道路交通事故（以下简称事故）高发难抑的形势，“事故不可防”成了很多人的共识，然而笔提醒诸位，存在着这样一个事实：“在同样的交通环境和发生事故的概率中，有一些人（驾驶人、行人）却能一次又一次地化险为夷，一次又一次地从事故边缘逃脱，做到了长年行车（或交通）无事故。”他们以事实否认了“事故不可防”的论断。他们是如何预防事故的呢？我们该怎样预防事故呢？[第一段]     

基于生成对抗网络的追尾事故数据填补方法研究

深入分析交通事故数据可以为规避事故发生、降低事故严重程度提供重要理论依据,然而,在事故数据采集、传输、存储过程中往往会产生数据缺失,导致统计分析结果的准确性下降、模型的误判风险上升。本文以芝加哥2016—2021年的101452条追尾事故数据为研究对象,将原始数据按照7∶3随机分为训练集和测试集。在训练集数据上,利用生成式插补网络(Generative Adversarial Imputation Network, GAIN)实现对缺失数据的填补。为对比不同数据填补方法的效果,同时选择多重插补(Multiple Imputation by Chained Equations, MICE)算法、期望最大化(Expectation Maximization, EM)填充算法、缺失森林(MissForest)算法和K最近邻(K-Nearest Neighbor, KNN)算法对同一数据集进行数据填补,并基于填补前后变量方差变化比较不同填补算法对数据变异性的影响。在完成数据填补的基础上,构建LightGBM三分类事故严重程度影响因素分析模型。使用原始训练集数据,以及填补后的训练集数据分别训练模...     

基于固定检测器的动态交通故障数据识别与修复

针对固定检测器在采集动态交通数据过程中易发生交通数据异常、数据缺失等问题,为实现故障数据有效识别及修复,提出了基于离群距离检测的故障数据识别算法及改进的DE-LSTM数据修复模型。利用时序数据的自身连续性,采用直接离群点定位和离群距离检测对故障数据进行有效识别。采用差分进化算法优化长短期记忆神经网络的隐含层神经元个数和初始学习率,并引入自适应控制策略改进传统DE算法中的变异因子、交叉因子,建立了基于改进差分进化算法优化长短期记忆神经网络的修复模型,并与固定阈值结合交通流机理、LSTM神经网络模型及DE-LSTM修复模型进行对比。实例验证结果表明：与固定阈值结合交通流机理法相比,离群距离检测算法识别率更为高效,改进的DE-LSTM模型具有良好的计算效率及修复性能。     

三轴AMR 车辆检测器的车型分类设计实现

随着城市机动车数量的不断增加,城市交通向智能交通方向的快速发展,传统 的车辆检测器已经不能满足智能交通对交通状况反映的要求. 车辆检测器的车型分类功 能成为检测器发展的趋势,针对目前AMR 车辆检测器弱化车型结构对磁场强度影响的 问题,设计了一种新型的AMR 车型识别检测器.单个检测器可以采集三个方向地磁变化 量,结合一个高精度的时间模块,可以获得磁场强度在立体三维空间的变化,丰富了采集 信息.通过比较常见的车型分类算法优缺点,采用DAG-SVM 进行车型分类. 实验测试的 结果表明,该检测器可以有效地对车辆进行分类.     

一种基于车辆跟踪的微观交通参数采集方法

微观交通参数采集是智能交通中的重要技术。本文用基于车辆跟踪的方法提取微观交通参数，首先，利用动态图像处理技术进行车辆跟踪；然后，建立适于交通参数采集的摄像机模型：在此基础上，提出了基于车辆跟踪的车辆位置检测算法，瞬时速度估计算法，并阐述了其它交通参数采集方法，试验表明，这些方法可以有效的提取交通参数，实施方便。     

考虑能见度的无信号交叉口行人与车辆冲突识别

为减少低能见度下无信号交叉口过街行人与车辆的交通事故,开展了考虑能见度影响的车辆与过街行人冲突识别研究.结合车辆行人相对位置、速度、加速度、车辆尺寸等信息,构建了过街行人与车辆冲突识别模型,确定了基于人-车间距的交通环境能见度测量方法,给出车辆速度与能见度之间的关系模型,在此基础上对模型进行修正,并验证了模型的有效性....     

计量检定规程《环形线圈车辆检测器》的编制研究

环形线圈车辆检测器的计数精度和测速精度关系到交通流量统计结果的准确性,是计量检定的关键项目.所以编制环形线圈车辆检测器的计量检定规程,规范计量检定的内容和方法,按照规程对其进行计量检定是十分必要的.     

基于车牌照数据的通勤特征车辆识别研究

近几年来,交通拥堵日益成为大中城市最严重的交通问题之一,而由通勤行为 引起的早晚高峰交通拥堵最为突出,严重影响了城市居民的出行和交通系统的运行.因 此,本文从车辆的角度出发,采用上海快速路牌照识别系统采集数据,通过k-means 聚类 数据挖掘方法,提取路网中的通勤特征车辆,并分析了通勤特征车辆在路网中的出行时 空分布.分析得出,在上海快速路网中,占全部检测车辆2.8%的通勤特征车辆在早晚高峰 时提供了高达36%的交通量.在早高峰时段,识别出的通勤特征车辆主要分布路段为中环 外圈、陆家嘴方向、逸仙高架和沪闵高架;晚高峰时段,基本集中在与早高峰的相反方向. 研究结果表明,本文基于车牌照数据的数据挖掘方法,可以有效地提取通勤特征车辆并 研究其出行行为的时空特征,能够为城市交通拥堵问题的缓解和交通需求管理政策的提 出提供辅助决策信息.     

一种特征融合的视频事故快速检测方法

交通事故快速检测对于提升交通事故应急管理水平具有重要的现实意义.目前主流的视频事故检测算法较难同时满足高精度和低算力的要求,一定程度上制约了该技术的工程应用.针对存在的问题,本文提出了一种新的基于特征融合的视频事故快速检测方法,以期在有限算力成本下同时获得较高的检测精度和较快的检测速度.模型将特征融合通过两个步骤实现:...     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于多粒度特征分割的车辆重识别算法

针对车辆重识别任务中局部特征提取不充分和潜在显著性局部特征易被掩盖的问题,提出一种基于多粒度特征分割的算法。该算法采用可实现跨通道间信息交互的ResNeSt-50作为骨干网络提取初级特征,并将骨干网络复制成三个独立的分支,对输出的特征图分别沿纵向、横向和通道方向进行多粒度分割以提取到区分性局部特征。为进一步增强网络提取判别性特征信息的能力,又在ResNeSt-50的每个split-attention block中嵌入了空间注意力模块。研究结果表明：算法在VeRi-776数据集上的mAP、Rank-1、Rank-5指标分别达到85.92%、97.67%、98.53%;在VehicleID数据集的三个测试集上,Rank-1指标分别达到了88.36%、84.19%、78.89%,优于现有大部分主流算法,研究结果表明该算法具有先进性和有效性。     

生物识别技术在交通管理中的应用以及车辆外型识别技术的开发

本描述了通过采用现代生物识别与测量技术，实现在道路交通信息采集处理中诸多解决方案的途径，介绍了当前已经应用的识别技术和难点；提供了正在研发中的实用技术的开发思路；章系统地提出了与传统身份识别为主的意义不同的生物识别概念，为现代道路交通信息采集技术提出了新思路，介绍了即将推出的车型识别技术的开发和应用，探讨了生物识别在交通领域其他方面的应用。     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。