基于重采样的交通拥挤识别方法

交通拥挤识别实质上是一种不平衡分类问题,通过解决不平衡分类问题,在数据层面对原始数据集进行重采样,并采用不同的采样倍率进行向上和向下采样,降低数据集类间不平衡程度,从而提高拥挤类识别精度.选取南京市虎踞路(主干道)某一路段作为研究对象,调查获得7:30-9:00交通流数据,并在此基础上,通过vissim软件仿真得到更多数据.借助weka软件平台运用朴素贝叶斯分类器进行分类试验,并对检测结果对比分析,结果表明重采样方法在对总体识别率影响较小的情况下,能够提高拥挤类的识别率.     

二分K-FCM结合算法在交通运行状态判别中的应用

正确判别交通运行状态是交通运营管理的理论依据。以高速公路交通状态判别为研究对象,综合考虑交通流三参数(流量、速度、占有率)的基础上,应用模糊C均值(FCM)与二分K均值结合算法对交通运行状态进行判别。首先,对交通数据集分布特征及交通运行状态特征进行分析,确定以V05~V85为最小欧氏距离判别的数据范围。其次,为解决算法收敛较慢及任意初始化质心对聚类结果的不良影响,对传统模糊C均值聚类算法进行了改进,将运行二分K均值算法的聚类结果矩阵作为FCM的初始聚类中心。经检验,改进的FCM可以有效减少算法迭代次数,得到的目标路段交通状态判别矩阵能较精准地划分高速公路不同的交通状态。     

基于BP神经网络的道路交通状态判别方法研究

根据交通流复杂性的特点,提出了基于BP神经网络的交通状态判别方法。并以高速公路隧道为例,通过Matlab软件编程实现模拟仿真,最后通过对神经网络的输出结果与决策阈值相比较,确定其所反映的交通状态。仿真结果表明,该算法可用于实时交通状态判别,并具有很高的精度和较好的收敛度。     

基于浮动车车速数据的交通状态实时判别系统和方法

提出一种交通状态判别方法,使之符合交通状态变化连续性。基于浮动车数据特性分析,考虑交通阻抗及临界跳变现象的影响,通过预判别及二次修正,优化了交通状态判别结果。该方法能有效滤除交通状态参数在阈值附近频繁变化产生的交通状态非正常跳变,同时可以修正异常数据导致的交通状态阶跃,从而优化了交通状态判别结果。构建并实现了基于该方法的实证系统,通过多种指标的验证,表明该方法提高了交通状态发布的准确度。     

基于ROC曲线的疲劳驾驶判别方法研究

疲劳驾驶判别是危险驾驶行为研究的主要内容之一,基于驾驶行为的疲劳驾驶判别更加直接.文中选取疲劳状态下的驾驶行为指标作为研究对象,结合不同道路线形分析疲劳对于驾驶行为的影响,获得能在相应的道路条件下显著反映疲劳驾驶的驾驶行为指标.使用ROC曲线方法分别确定不同道路线形下各个驾驶行为指标判别疲劳驾驶的阈值.根据各个驾驶行为指标及阈值,建立疲劳驾驶综合判别模型,并通过对比分析说明基于驾驶行为指标进行疲劳驾驶判别考虑不同道路线形的必要性.研究结果表明,疲劳状态对驾驶行为的影响在不同道路线形上表现不同,基于ROC曲线的疲劳驾驶判别方法可应用于基于驾驶行为的疲劳检测,不同道路线形下平均识别率达75％,平均误判率为16.5％.     

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RFID和视频监测的城市交通运行状态模糊判别（英文）

为了确定城市道路网路的交通状态,为主动的交通管理、交通诱导及控制提供支持,提出了一种基于无线射频识别(RFID)交通检测系统和视频监控系统的交通运行状态模糊判别方法。在该方法中,交通运行状态由从RFID系统获得的车辆行驶时间和从视频监控系统中获得的车辆速度决定。由于实际的交通状态可以从视频中直接观测,因此实际交通运行状态的阈值可以根据视频来校准,用以评估本文所提出方法的性能。基于安装于南京的RFID和视频交通检测系统进行实证分析,结果表明本文所提出的方法是可行的。下一步工作可推进交通数据,特别是RFID数据在交通管理中的应用。     

基于RFID和视频监测的城市交通运行状态模糊判别

为了确定城市道路网路的交通状态,为主动的交通管理、交通诱导及控制提供支持,提出了一种基于无线射频识别(RFID)交通检测系统和视频监控系统的交通运行状态模糊判别方法.在该方法中,交通运行状态由从RFID系统获得的车辆行驶时间和从视频监控系统中获得的车辆速度决定.由于实际的交通状态可以从视频中直接观测,因此实际交通运行状态的阈值可以根据视频来校准,用以评估本文所提出方法的性能.基于安装于南京的RFID和视频交通检测系统进行实证分析,结果表明本文所提出的方法是可行的.下一步工作可推进交通数据,特别是 RFID数据在交通管理中的应用.      

基于数据分布特征的城市道路拥堵判别算法改进

针对传统模糊c算法与阈值两种交通流状态划分方法的适用性不足,分析了交通流数据的分布特征,并在二维空间的城市道路以各状态离散性变化差异作为参考进行状态的划分,在FCM算法的基础上加入历史先验数据与后验概率进行初始聚类中心的优化,并以对不同维度数据之间变化关系与离散性更加敏感的马氏距离代替传统欧式距离进行改进,并在最终的结果单值化时不再采用整数使结果更加接近实际交通运行状况。并使用实验数据进行算法验证,判别结果与数据表现更加接近,验证了方法的稳定性与有效性。     

基于短时交通预测的公路交通异常判别方法

普通公路由于受到检测设施布设稀疏的制约,若沿用传统的交通事件自动识别方法,其判别率将低于高速公路或城市道路,而误判率也将高于高速公路或城市道路。为了便于公路管理者对普通公路发生交通异常时及时处理,以短时交通预测为基础,将交通异常的定义作为为判别标准,提出了1种新的交通异常判别方法,该方法能够排除由常发性交通拥挤和幽灵瓶颈现象引起的异常误判。试验表明,基于短时交通预测的公路异常判别方法精度误差在0.2以内,能够较好的实现对交通异常的判别。      

基于模糊的城市快速路交通流状态判别

“交通状态”具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视。因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态。在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则。该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据。     

基于模糊的城市快速路交通流状态判别

"交通状态"具有外延不明确的模糊信息特征,交通流自身特征和评价主体的专业知识都不可忽视.因此,基于快速路检测线圈数据,引入了基于知识的模糊系统来判别快速路交通状态.在充分分析各种交通现象的基础上,提出了交通状态划分原则、依据,评价指标,以及状态判别的模糊集和模糊规则.该方法可以动态的显示路网的交通拥挤范围,为实施交通信息发布以及后期交通瓶颈的判别和改善提供依据.     

基于模糊综合评判的道路交通状态分析模型

结合交通流本身的特点,选择对交通状态变化反应灵敏,容易获取,且准确率较高的参数作为判别道路交通状态的指标。综合考虑各种情况,选取交叉口进口道最大相位饱和度、进口道平均最大排队长度比和路段平均车速为特征参数,设计了一种基于模糊综合评判的道路交通状态分析模型,并用VISSM4.20对以上方法进行了模拟验证。试验结果表明,单个的特征参数得到的交通状态判别结果波动性较大,准确性不足。通过将其进行模糊综合评判后,判别结果有了较好的稳定性和准确度,所提出的算法能够提高交通状态实时判别的效果。     

动态聚类的城市道路交通状态判别分析

运用遗传算法确定最佳道路交通状态划分类型数,在此基础上引入模糊C均值聚类方法对道路交通状态进行了评价研究,分析得出了不同交通状态下的阈值。应用结果表明,该方法可实现对道路交通状态的评价,并能反映道路交通状态的变化。     

基于投影寻踪的快速路交织区交通状态判别方法

为了准确判别城市快速路交织区的交通状态,实现交通控制策略的优化决策,基于投影寻踪模型与k-means聚类算法,研究了一种新的交通状态判别方法.以交通状态的量化分析为目标,考虑投影寻踪模型的特性,定义了交通状态系数;根据类内聚集度与异类间散度的分析,建立了聚类效果评价系数表达式;应用推导的改进式遗传算法,结合k-means聚类算法,计算获得最优投影方向与聚类中心;应用最优投影方向将新观测的交通流数据转化为交通状态系数,判定欧式距离最小的聚类中心,获得相对应的交通流状态.新方法克服了传统方法对专家经验的依赖性,解决了熵权法对小概率事件信息熵的过量估计问题,并改进了投影寻踪模型的聚类效果评价系数.仿真实验结果表明,新方法状态判别准确率为96.63%,较神经元网络和决策树算法分别提高了5.58% 和7.01%,能够准确判别交织区交通流状态.      

考虑数据不平衡的城市道路乘用车致命事故率分析

城市道路交通事故频发,而事故数据存在明显不平衡,不同因素间的耦合作用对城市道路乘用车致命事故率分析造成极大挑战。为此提出了1种集成重采样、贝叶斯网络（Bayesian networks,BN）和关联规则（association rule method,ARM）的三阶段事故率分析方法。基于国家事故深度调查体系的1 105例城市道路乘用车事故数据,从驾驶人、车辆、道路、环境这4个方面选取16个潜在特征变量构建BN模型;鉴于数据不平衡时会导致BN模型性能下降的问题,提出在构建BN模型前利用合成少数类过采样技术（Synthetic Minority Over-sampling Technique,SMOTE）和聚类中心进行数据重采样,并比较分析各类采样技术下不同BN模型的综合性能;基于最优BN模型并结合ARM,推理不同影响因素及因素的耦合作用对致命事故率的影响。结果表明：重采样方法可以显著提升BN模型的综合性能,以及识别风险因素的能力。其中SMOTE采样技术结合GTT算法构建的BN模型的AUC最高,达0.793。此外,相较于原始不平衡数据构建的BN模型,经SMOTE采样后构建的BN模型多挖掘了...     

常发性交通拥挤网络中ATIS最大效益分析与估计

通过分析实际交通网络典型时段不同工作日交通状态的随机变化以及与ＡＴＩＳ期望交通状态的差别认为；ＡＴＩＳ的外部环境因素是城市交通网络所固有的，不随ＡＴＩＳ的实施而发生变化，而技术因素会随着ＡＴＩＳ的发展逐步得到改善，这两类因素可以分别考虑。     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型。首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析。通过实例表明：该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率。     

基于K近邻非参数回归的交通状态概率预报技术

针对城市道路交通系统中交通流演变的随机性和复杂性,以及实时交通状态判别本身所具有的不确定性,基于模式识别和相似预报的思想,提出了一种交通状态概率预报的K近邻非参数回归模型。模型首先利用城市道路路段上环形线圈采集的交通流数据,采用模糊聚类技术,生成历史样本数据库;接着采用相似离度指标进行近邻搜索;然后根据近邻子集,构建交通状态概率预报函数,对路段未来时段的交通流运行状态进行预报,并用概率定量描述该状态发生的可能性大小。最后根据该模型,结合实际数据,进行了不同预报时长的分级交通状态的概率预报试验,独立样本检验结果表明,该模型预报准确率高,稳定性好。     

区域高等级公路网交通状态识别与分析模型研究

为了在区域内分析高等级路网交通状态,建立了一种区域高等级路网交通状态分析模型.首先分析路网结构并对路段的交通状态进行识别分类,建立在实时交通状态下的区域高等级路网模型;然后基于路网模型运用系统结构分析法建立路网交通状态分析模型,根据不同交通状态分析需求得到不同的交通状态可达矩阵,并对可达矩阵分层分析.通过实例表明:该模型能够有效地判别路网中节点的可达性和连通性,描述路网的交通状态时空变化规律,若通过及时发布信息,出行者可根据不同的信息需求来选择最优路径,避免大范围拥挤,从而提高整个路网的运行效率.