基于贝叶斯网络的高速公路突发事件态势评估研究

为了提高高速公路应急管理能力,提升高速公路应急效率,从突发事件演化机理着手,基于贝叶斯网络构建了高速公路交通突发事件应急处置的态势评估模型,用于推理学习不同情况下的交通事故概率。评估模型首先确立了高速公路交通突发事件贝叶斯网络总体工作流程,将贝叶斯网络节点设置为高速公路突发事件的影响因素,贝叶斯网络结构根据各节点,即各影响因素之间的相互关系进行构建。其次,根据交通事故数据和专家知识对网络中每个节点进行条件概率赋值,再在条件概率的基础上根据现场初步事故信息运用联合树推理算法将贝叶斯网络转化为联合树,通过定义在联合树上的消息传递过程,计算后验概率;最后,在条件概率的基础上进行推理,建立评估模型实现对高速公路突发事件态势评估。实例分析随机抽取50次高速公路交通突发事件数据用于贝叶斯网络,通过软件Ge Nie2.2,以事故车辆类型,事故车辆数量,得到事故信息的时间,事发时天气及事发时段为证据信息,推理得出高速公路突发事件概率,预测结果表明基于贝叶斯网络的高速公路交通突发事件应急处置态势评估模型具有较高的准确性。     

交通事件持续时间预测的贝叶斯网络模型

交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件。基于MIT打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以S-ACOB算法为核心搭建最优贝叶斯网络模型。增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性。通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间。     

基于收费数据的交通运行参数估计方法

为更精准利用收费OD数据获取路网时空交通运行参数,提出一种机器学习预测服务区驶入与收费OD数据增量迭代相结合的计算交通运行状态的方法.首先利用机器学习方法开展服务区驶入预测,通过调查获取23 515份问卷数据,利用随机森林模型、支持向量机、朴素贝叶斯模型3种机器学习方法开展训练和预测精度敏感性分析,结果表明进入服务区最...     

基于贝叶斯网络的机动车驾驶行为状态分析建模

复杂多变的机动车驾驶环境决定了驾驶行为系统内部各信息之间存在不确定性.利用贝叶斯网络构建驾驶行为状态分析模型,可忽略驾驶行为状态类型与可观测驾驶数据之间的耦合关系,以概率网络形式直观表现观测数据与驾驶行为状态之间的关联.为降低概率解算复杂度,使用基于簇树的贝叶斯网络推理方法推算并预测驾驶行为发生概率.算例结果表明,应用驾驶行为贝叶斯网络模型的车载预警系统能推算出驾驶人行为动作发生概率,从而达到评估驾驶安全等级并预判驾驶人后续驾驶动作的目的.     

基于贝叶斯网络的高速公路预警系统研究

贝叶斯网络能够对不完全、不精确或不确定的知识或信息做出有效的推理,已成为目前不确定知识表达和推理领域最有效的模型之一。为了有效减少交通拥挤、预防交通事故,建立了基于贝叶斯网络的高速公路预警系统。该系统可以根据已知的交通信息、天气以及时段等信息判断道路交通状况,对高速公路交通事件进行有效的预警。     

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.      

基于贝叶斯网络的钢筋混凝土双曲拱桥技术状况综合评估及荷载试验研究

桥梁技术状况评定是衡量桥梁总体运营状况的重要依据。本文基于贝叶斯网络模型理论,在实际调查和样本统计基础上,建立了双曲拱桥技术状况评估的贝叶斯网络分析模型,运用贝叶斯网络概率计算软件,获得双曲拱桥评定标度概率,从而判定出双曲拱桥全桥技术状况评价等级;此外,对研究桥梁进行现场静载荷试验研究。无论是贝叶斯模型计算结果还是静载试验结果都表明,该桥存在严重影响桥梁使用功能,不能保证正常使用。     

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。     

基于离散选择分析的山区公路安全预警系统研究

普通公路安全预警尤其是山区公路安全预警,由于其交通流的复杂性使得利用监控系统检测交通状态较为困难。离散选择分析模型通过原始数据直接做出判断,又可以根据数据更新系统进行有效的自身学习,因此较目前应用的贝叶斯网络模型更适用于山区公路安全预警。首先利用离散选择分析方法建立了道路交通状态检测的判断模型;其次以检测结果为基础,利用线性神经网络模型建立了路段交通预警模型;最终建立了山区公路安全预警系统。     

干道交通状态识别及演变机理研究

为减少城市交通拥挤、避免交通瘫痪、保障出行安全,在综合分析交通信息采集技术、交通状态识别、交通状态演变研究现状的基础上,对干道交通状态识别及演变机理进行分析,建立适用于精细化交通管控的城市道路交通状态识别及预测框架,主要包括基于深度学习结合视频跟踪算法提取交通参数、基于路段单元运用堆叠式稀疏自编码结合K-均值聚类对车道和路段交通状态进行精准判别、基于LSTM循环神经网络与3D-CNN卷积神经网络对交通状态进行预测;最后提出干道交通状态识别与预测面临的挑战和研究方向。     

基于冲突极值模型的非常规信号交叉口安全评价

为了评估非常规信号交叉口交通安全,提出了基于冲突极值模型的横断面分析方法.利用计算机视频技术提取了南京市3个信号交叉口(1个设施组和2个参照组)96h的交通冲突数据和交通流数据,构建了包含数据层[处理层[先验层的3层贝叶斯超阈值冲突极值模型,利用马尔可夫链蒙特卡罗仿真方法对模型参数进行估计,采用预测交通事故和比值比计算...     

公路运输枢纽站场规模确定的χ-GM模型及算法

站场规模的确定是公路运输枢纽规划中的一个重要环节,但目前主要依靠专家经验进行,缺乏科学性的理论方法指导。在对站场规模影响因素合理量化的基础上,提出了χ-GM模型及算法,这种算法基于交通区划分和适站量预测,通过迭代计算将各交通区的适站量分配到各个站场,然后计算得到站场规模。χ-GM算法在重庆市国家公路运输枢纽规划中得到了有效应用。     

氧传感器故障状态补偿控制方法的研究

在Hendricks提出的汽油机平均值模型的基础上增加了空燃比模型、氧传感器模型和PI控制器,建立了系统仿真模型,并通过台架试验进行了验证.在系统仿真模型上模拟了氧传感器的响应延迟故障,研究其不同故障程度对发动机喷油规律和排放的影响.同时提出了一种基于Elman神经网络的虚拟氧传感器,根据Elman神经网络的基本理论构建了网络模型,以模型输出作为网络的训练样本,并对该网络模型进行了训练和测试.结果表明,该模型能较好地预测空燃比信号,并利用预测信号进行氧传感器故障状态下的补偿控制;基于Elman神经网络和虚拟氧传感器信号的喷油规律与正常状态下的喷油规律一致,能满足实际空燃比控制需求.     

基于多时间尺度一步外推的短时交通参数多步预测方法

为了进一步提高短时交通参数多步预测的效果,以自适应指数平滑法、BP神经网络法和小波分析理论作为基础模型,利用前一时刻预测误差确定基础模型在组合模型中所占权重,提出了一种交通参数一步预测组合模型;通过分析交通参数合成和分解机理,在分别提出多时间尺度交通参数合成方法和交通参数分解方法的基础上,设计了一种基于多时间尺度一步外推的短时交通参数多步预测方法,采用某大城市感应线圈1 min时间尺度的交通参数数据进行了验证和对比分析.验证结果表明,交通参数一步预测组合模型的预测效果明显优于任一基础模型,且该方法的多步预测效果明显优于循环一步外推短时交通参数多步预测方法.     

基于贝叶斯网络的路侧安全评价方法

首先阐述了路侧安全评价对于减少公路交通事故的重要意义,在对国内外相关研究进行分析和比较的基础上,构建了一个用于路侧安全性评价的指标体系。随后利用贝叶斯网络所具有的表达不确定性知识和进行不确定性知识推理的能力,提出了一种基于贝叶斯网络的安全评价模型。该模型能够处理复杂的逻辑关系,很好地表达变量间的不确定性关系,可以灵活方便地对系统进行预测及诊断分析,有效地处理专家意见不一致的情形,并能够在某些专家意见缺失的情况下得到合理的结果。最后将此方法应用于评估某路侧的安全等级,结果表明此方法是合理有效的。     

贝叶斯网络在沥青路面施工质量控制中的应用研究

贝叶斯网络作为一种进行不确定和数据分析的方法,可以对工程质量进行预测、分析和推理。针对沥青路面工程质量影响因素的变异性,本文将贝叶斯网络应用于沥青路面施工质量中的控制,建立了基于贝叶斯网络的沥青路面施工质量控制模型,可通过给定节点参数,对沥青路面施工质量进行预测和诊断。     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

动态状态交通分配模型及其运用

静态交通分配模型不能很好地反映实际交通状况,而动态交通分配模型计算复杂、计算量大。本文基于动态用户状态均衡条件下,提出一种动态和静态交通分配的折衷方案———动态状态交通分配模型,给出了该模型计算路段平均队列长度和平均通行时间的公式,以及动态状态交通分配算法;最后给出一个运用于正常工作日动态交通分配的例子进行模型检验及其检验的数值结果。     

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。     

考虑大型车因素的支持向量机短时交通状态预测模型研究

高速公路是运输效率高、通行能力大、具备全控制条件的道路,及时发现异常交通状态并采取相应的管制措施是保持良好通行能力的基础。交通状态的短时预测技术能够在实时交通状态数据的基础上对交通状态发展趋势进行预测,为高速公路主线运行管理及匝道交通控制提供决策依据。本研究首先应用灰色关联度理论,分析了道路车型组成比例对交通状态的影响,发现车流中的大型车比例与车流平均速度存在较强的关联性,而且在纵断面线形较为复杂的山区高速公路,车流中大型车比例对车流速度的影响更为显著;然后建立了引入大型车辆比例影响因素的基于支持向量机(SVM)模型的高速公路短时交通状态预测模型,最后通过实测数据及对比试验验证了模型的可行性与准确性。结果表明:本研究设计的支持向量机预测模型具有较为准确的预测效果,均方误差为0. 024 19,决定系数为0. 58;与未引入大型车辆比例的预测方案相比,均方误差减少0. 22,决定系数增大0. 27;与传统的BP神经网络模型相比,支持向量机短时交通状态预测模型预测结果震荡幅度小,所需训练样本量少,具有良好的预测精度,综合性能较好;通过时间序列分析得到,以前6,7个时间点作为输入的预测方案效果较为准确,若时间选取过多,将对模型产生干扰,预测效果反而不好。