多元交通資料融合進行旅行時間预测——以臺中港路為例

利用倒傅(遁)類神經網路,單以資料本身進行路段旅行時間预测,避免建立高複(難)度的模式以及環境所産生的干擾下,建立不失精準度的预测模式.研究通程中發現:若僅考量路段中的車輛偵测器資料用以预测旅行時間,其预测精準度較劣於融合車輛偵测器資料及公車旅行時間資料之精準度,且發現预测精準度於尖峰時段較準確,故可推論使用一種以上的...     

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.     

基于多元线性回归方法的城市汽车保有量预测研究——以天津市为例

当前,我国民用汽车保有量不断增加,能源、环境、交通等越来越成为制约汽车保有量扩张的重要因素。通过分析主要影响因子,本文运用多元线性回归模型对城市民用汽车保有量进行预测,并以天津市为例进行实证分析。通过研究民用汽车保有量的变化趋势对合理制定公路交通发展规划,有效调节汽车产业的供需平衡具有重要指导意义。     

产教融合背景下新形态教材开发研究——以《城市轨道交通车辆构造与检修》为例

随着社会的发展和职业教育的改革,产业需求不断变化,传统的教材已经不能完全满足现代产业对人才的要求。因此,产教融合成为了推动高等教育改革的重要举措。在这个背景下,新形态教材的开发变得尤为重要。本文将以《城市轨道交通车辆构造与检修》为例,探讨如何在产教融合的理念下进行教材开发研究。     

基于数据融合的路段行程时间估计

基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波,采用K近邻法寻找相似的交通流状态来标定状态转移系数,建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是,平均相对误差为9.52%,相对误差的标准差为8.92%。研究表明,与基于移动检测器数据的估计方法相比较,该方法极大地改善了估计精度和可靠性,还具有收敛速度快、对初值不敏感、参数少等特点。     

基于浮动车移动检测与感应线圈融合技术的行程时间估计模型

综合考虑到浮动车检测技术与感应线圈检测技术的优缺点,为了提高道路行程时间估计的精度及完备性,提出基于浮动车与感应线圈的融合检测技术的行程时间估计模型。该模型利用神经网络技术对两种检测技术同一路段的检测数据进行融合,从而达到提高道路行程时间估计精度和完备性的目的。最后,以广州市7 000多辆装有GPS装置的出租车所提供的浮动车数据、100多个安装在广州市各主要道路口上的感应线圈检测器提供的感应线圈数据以及广州市交通电子地图为基础,在10条道路上分别随机选取的500个两种检测数据对提出的模型进行了验证,试验结果表明,此模型在道路行程时间估计的精度方面较浮动车移动检测技术与感应线圈技术有较大提高。     

基于多源数据的城市道路网络行程时间预测模型

针对基于单一数据源、利用卡尔曼滤波理论建立行程时间预测模型存在的不足,采用多源数据进行行程时间预测以提高精度。浮动车、固定检测器是常用的交通信息采集方法,在信息种类、数据精度等方面存在一定的互补性。因此,选择2种检测器的实时交通数据作为模型输入参数。利用卡尔曼滤波理论,以流量、占有率、行程时间作为输入量构成参数矩阵,建立城市道路网络行程时间预测模型。并通过Vissim仿真实验验证了模型的有效性。结果表明:基于多源数据的行程时间预测模型平均绝对相对误差为5.45%,其精度比单独采用固定检测器检测数据预测提高了14.4%,比单独采用浮动车数据预测提高了7.5%。     

基于蓝牙的道路行程时间检测设备设计及测试

以嵌入式技术为基础,采用单片机及串口通信技术,开发基于蓝牙的路网平均行程时间检测器,实现自动采集车载蓝牙M AC地址并配时和数据存储的功能。通过场地测试确定了设备漏检率的平均大小、与速度的关系及初次检测点位置的分布规律。测定了设备的检测精度,并对平均速度、检测数、配对数等因素进行了分析;通过 t检验、曼惠特尼U检验及沃尔德沃尔福威茨(W-W )检验验证了设备数据的可靠性;通过实地测试验证了设备的可用性和实用性,并根据测试结果,提出了设备存在的一些不足以及后期改进的建议,为蓝牙检测器的后续研发奠定了基础。     

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(Season...     

信息对出行时间的影响研究

在一个不确定性交通网络上,考虑不同风险厌恶程度出行者的出行时间受交通信息的影响,采用出行时间及对出行时间不确定性的偏爱程度建立期望效用函数,研究信息环境下与非信息环境下的期望出行时间,得到如下结论:(1)信息的提供将减少所有出行者的期望出行时间;(2)在信息环境下,风险厌恶程度高的出行者期望出行时间的减少比风险厌恶程度低的出行者期望出行时间减少更显著。并用算例对模型结论加以验证。     

基于影响因素分类的路段行程时间融合研究

对基于固定检测信息和浮动车GPS信息的路段行程时间估计方法进行介绍和分析,明确了对基于以上两种检测信息进行路段行程时间估计方法有重要影响的因素,并设计试验对影响因素进行量化分析。在影响因素量化分析基础上,讨论两种估计方法的适用条件。对影响因素进行组合分类,并在分类的基础上对两种估计方法采用加权融合进行处理,分析了最优权重的分配原则。最后,用试验数据对融合方法进行验证,结果令人满意。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

基于马尔科夫链的公交站间行程时间预测算法

公交站间行程时间具有明显的时段分布特征,且公交车辆是典型的时空过程对象,其运行具有状态转移性。为了准确预测公交站间行程时间,在应用马尔科夫链预测公交站间行程时间基础上提出其改进算法。通过大量公交GPS数据构造不同时段下具体线路站间行程时间的马尔科夫状态转移矩阵,并对站间行程时间进行状态推导,采用移动误差补偿法对马尔科夫预测值进行动态修正,改进原有的马尔科夫预测算法。以广州市BRT线路B1的实际运行数据对算法进行了验证,结果表明,移动误差补偿改进算法优于基本马尔科夫算法及 BP模型,同时该改进算法还具有实现过程较简单。     

基于预测型路线行程时间的信号控制相位差优化技术研究

相位差是区域信号协调控制的重要参数,其动态优化直接影响通行能力和路网延误。论文考虑交通流诱导与交通信号控制的协同运作,通过研究车队在停车线车头受阻和车尾受阻的不同等待状态,建立了相位差与诱导参数路段行程时间的相关关系,基于诱导控制协同的动态性考虑,提出基于预测型诱导用行程时间的信号控制相位差优化技术,阐述其优化算法流程。论文利用长春市长春大街含3个交叉口的路线进行算例试验,结果表明利用预测型行程时间优化相位差之后干线总行程时间最高节约12.9%左右,延误减少高达51.3%,达到诱导控制信息共享、协同运作提高路网运行效率的目的。