基于交通预测的多态交通流信号控制

为解决现有信号控制方法对多态交通流交叉口适应性不足的问题,通过在交叉口设置多功能进口车道和车辆检测器、车道控制器等硬件设施,进行了短时交通流预测基础上的多态交通流条件下交叉口信号配时优化研究。根据交通量预测数据,建立信号控制延误估计模型,以交叉口总延误最小为优化目标选取多功能车道流向,根据每相位最大排队长度逐步优化绿灯时长并实施信号控制。短时交通预测以小波分析为基础,采用RBF神经网络及Markov链分别预测交通流的稳态与随机部分。使用VISSIM软件对设置多功能车道的交叉口多态流信号控制方法进行了交通仿真。分析结果表明：该方法可有效降低行车延误,提高交叉口服务水平。     

基于可视化技术的交叉口短时交通流预测研究

为通过视觉图形实现交通流时序特征可视化,精准掌握交通大数据驱动下交叉口交通主体的移动趋势,构建交叉口短时交通流可视化预测系统。通过Python中的Matplotlib实现交叉口交通流时序可视化,利用ARIMA模型进行短时交通流预测,并以OpenITS合肥市示范区黄山路-科学大道交叉口数据进行实例验证。结果表明,该系统可实时、在线实现不同时段交通流分布规律可视化,并能有效提取交通流时序特征,ARIMA(1,1,0)模型的3个评价指标的预测误差均小于10%,具有较高的预测精度。     

提高武汉市环线平交路口通行能力交通设计技术研究

为了更好地把握武汉市环线平面交叉口的现状和存在的问题,提出改善措施,采用先进的交通调查仪采集武汉市环线主要平面交叉口的交通流数据,分析其交叉口交通量空间分布、交通流稳定性、交叉口流量流向、车头时距等交通流特性,得出环线主要平面交叉口现状道路交通状况,并以此提出了通行能力改善技术,并进行了案例应用。     

基于Bi-LSTM模型的高速公路交通量预测

高速公路交通量的预测是管理部门研究的重要内容,为交通控制和诱导提供数据支撑。针对高速公路交通量的预测问题,引入一种新的基于双向长短期记忆网络(Bidirectional Long Short Time Memory Network,Bi-LSTM)的方法。Bi-LSTM模型将普通的LSTM拆分成为两个方向,前向计算关联历史数据,后向计算关联未来数据,两个方向LSTM不直接连通,将两份数据整合输出作为Bi-LSTM计算单元输出值。实验表明,BiLSTM模型相比对比模型预测误差至少优化了4. 5%,在非线性交通流数据中具有更好的预测性能和泛化能力。     

机非混行平面交叉口交通设计理论研究

对机动车与非机动车混行条件下平面交叉口的交通设计进行深入、系统地研究。在分析大量实测数据的基础上,对信号控制交叉口自行车交通流的运行特征进行分析,建立自行车交通流的相关模型;在理论分析和实践的基础上,形成机非混行平面交叉口交通设计理论与方法。这些理论与方法的建立将为解决城市混合交通问题奠定基础。     

基于浮动车数据的交叉口范围动态划分方法

目前路网分析与行程时间计算的误差很大程度受路段和交叉口划分位置的影响。通过分析车流在交叉口的受阻交通过程,提出了基于浮动车数据的密度法和减速点法对平面交叉口范围进行动态划分的方法,并利用南京市浮动车数据对其进行了实证和延误对比分析,结果表明这2种方法能反应交叉口交通流的时变规律,准确地对交叉口范围进行动态划分,相对于交叉口静态范围划分,在交叉口延误计算等方面具有弹性优势。     

高速公路短时交通流预测方法对比分析

高速公路短时交通流预测对于高速公路智能管控具有重要意义。通过总结不同文献中关于高速公路短时交通流预测的研究内容，发现了目前高速公路短时交通流预测研究存在的不足，给出了高速公路短时交通流预测的流程，对高速公路短时交通流预测模型进行了分类比较，明确了不同模型的适用场景和优缺点，通过具体案例数据分析比较了KNN模型、SVM模型、LSTM模型的预测精度，研究发现KNN模型的预测精度最高，明确了数据质量和算法精度是交通流预测的关键。本研究可以为高速公路短时交通流预测发展提供借鉴。     

基于混合交通流的信号交叉口绿灯间隔设计方法

为了提高不同通行模式下平面信号控制交叉口的安全性,提出一种基于混合交通流的交叉口绿灯间隔计算方法.利用在车流超负荷状态时更贴合实际的交通流实用模型,将绿灯间隔影响因素之一的车辆速度转换为交通量进行计算,避免了车辆速度标定的困难,并基于实测数据验证该车速替换方法的合理性.分析采取不同非机动车通行模式的交叉口的冲突点分布,得到基于最高效率极限的改进绿灯间隔计算方法.为验证该方法对交叉口安全性的改善,选取2种代表性绿灯间隔设计方法作为对比.对宿迁市采用传统渠化方式的项王路-黄河路交叉口进行绿灯间隔设计,在3种绿灯间隔设计方法的基础上完成信号灯配时并进行仿真.结果表明,改进后的绿灯间隔计算方法能在保证交叉口通行效率的前提下减小其冲突发生的可能性,对交叉口安全性的提升效果优于现有绿灯间隔设计方法.该方法能基于不同车流量获取交叉口车辆速度,同时降低相邻相位发生机非冲突的可能性.      

基于神经网络的城市关联交叉口交通流预测控制方法

为了改善城市路网整体通行效率,针对城市交通流实时变化以及高度非线性的特点,提出一种基于神经网络的城市关联交叉口交通流预测控制方法。以关联交叉口的总体排队长度最小为性能指标,以神经网络作为交叉口的交通流量预测模型,并通过交通流量实测值与预测值之间的误差实现对神经网络的在线训练。结合神经网络预测控制方法,给出了城市关联交叉口信号控制中信号周期、绿信比（或相位时长）以及相位差的确定思路。仿真试验结果表明：以关联交叉口总体排队长度最小为优化指标的交通流预测控制策略,可提高关联交叉口的总体通行效率。     

移位左转交叉口自适应信号控制方法和模型

为降低交通流波动对移位左转交叉口通行效率与安全的不利影响,运用模型预测控制(MPC)确定移位左转交叉口自适应信号控制方法的基本框架,在此基础上,实时检测交通数据进行短时交通预测,并对累计到达消散理论进行拓展,将交通流划分为随机到达流、车辆到达受预信号影响的约束流以及车辆到达受主信号多流向影响的组合流3种类型,根据上、下游行程时间差对主、预信号间不同车流的到达情况进行推演,提出面向移位左转交叉口的延误估算方法,建立以延误最小为目标的自适应信号配时优化模型.运用Vissim软件进行仿真验证,结果表明,与定时控制相比,文中方法可使移位左转交叉口的车均延误、停车次数、排队长度分别下降31.2%,7.4%,47.8%.      

信号控制交叉口左转电动自行车交通流特性分析

为深入挖掘信号控制交叉口左转电动自行车交通流安全特性及其相互关系,利用江苏省盐城市建军东路与开放大道平面交叉口提取高峰时间段1 514辆左转电动自行车的视频数据,提取了左转电动自行车交通流量、速度、密度3个基本参数并进行统计分析.基于最小二乘法原理构建交通流参数模型,从电动自行车的流量-密度模型、流量-速度模型、速度-密度模型3个方面,分析了平面交叉口左转电动自行车的交通流安全特性.研究表明:流量与密度呈现二次函数关系,流量与速度呈幂函数关系,速度与密度呈对数函数关系,3种模型回归方程变量之间存在的函数关系显著,且回归系数具有显著意义;电动自行车驶入交叉口过程可划分为驶入启动期、膨胀加速期、跟随驶离期3个时期,膨胀加速期相比于驶入启动期、跟随驶离期的交通冲突和事故的可能性更大.     

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PCA-LSTM的城市短时交通流预测研究

针对城市交通流序列具有时空相关性难以预测的问题,构建了主成分分析(PCA)和长短期记忆LSTM(Long Short-Term Memory)网络相结合的短时交通流预测模型.以合肥市示范区交通流数据为基础,采用PCA提取与预测站点具有空间相关性的站点,将提取的站点交通流序列作为输入,利用LSTM神经网络实现城市短时交通...     

北京市环形交叉口通行能力分析

分析北京地区仙环形交叉口的交通流特征，提出交叉口内交织段的交通流简化模型。根据交叉口内冲突交通流无通行优先级的特点，运用车队分析法，确定交织段的通行能力。最后采用线性最优化方法计算整修环形交叉口的通行能力。配合以实测数据的分析计算，说明该环行交叉口通行能力分析方法的合理性。     

基于K近邻算法和支持向量回归组合的短时交通流预测

为了提高短时交通流的预测精度,向交通管理部门和出行者提供更加准确可靠的交通信息,基于非参数回归与支持向量回归方法的特点,提出了一种混合预测模型(KNN-SVR)。该模型利用K近邻方法的搜索机制,重建与当前交通状态近似的历史交通流时间序列,然后利用支持向量回归原理实现短时交通流预测。针对实际的交通流数据,考虑预测路段上下游交通流的影响,对提出的KNN-SVR模型的预测精度进行了分析。研究结果表明:同时考虑预测路段和其邻近路段交通流影响的KNN-SVR模型具有更好的预测精度,其预测误差最小,平均为8.29%,而仅仅考虑预测路段交通流影响的KNN-SVR模型,其预测误差略高,平均为9.16%;KNN-SVR模型的预测精度优于传统单一的预测方法,如K-近邻非参数回归、支持向量回归以及神经网络方法。     

基于自适应神经网络模糊推理系统的交叉口交通冲突数预测

自适应神经网络模糊系统在建立对象输入和输出关系时,与传统的数学方法不同,它是基于数据的建模。本文利用这一系统特性,建立平面交叉口交通冲突数与进入交叉口内的左转交通量、右转交通量、直行交通量和行人过街交通量之间模型,提出自适应神经网络模糊系统预测交叉口冲突数的方法,建立一种快速获取交通冲突数的预测方法,为交通冲突数的调查开辟了新的途径。     

基于SA-RF的公路隧道交通流数据修复模型研究

为保障公路隧道交通流数据完整性,同时为公路隧道运营决策提供稳定数据支撑,采用SA-RF模型预测修补公路隧道交通流数据缺失数据,根据交通流数据缺失模式,分别建立单变量和多变量修复模式,并将两者相结合构建了SA-RF综合修复模型,以预测修补公路隧道交通流数据,同时对比分析了不同修复模型在3%、5%、10%和15%缺失率下的修复效果。实例证明,SA-RF综合修复模型在不同缺失率下均可高精度修复交通流缺失数据,且修复精度均高于同等缺失率的RF、LSTM、均值插补修复方法。     

环形信号交叉口进口道车辆延误及排队长度计算方法

由于环形交叉口的内在局限性,大部分的环形交叉口被改造为常规的十字交叉口或环形信号交叉口。为了分析环形交叉口内车流特性,针对环形信号控制交叉口,分析影响进口车道车辆延误与排队长度的因素;提出了2种常见的环形交叉口相位方案;根据每种相位方案,考虑进口道内侧车道、外侧车道的交通流运行特性,分别建立了进口道内侧车道、外侧车道的车均延误和平均排队长度计算模型,将内外侧车道区别考虑有利于分析环形交叉口内车流特性。以哈尔滨市博物馆环形交叉口为例,通过Vissim仿真软件得到仿真结果,将模型计算结果与仿真输出结果进行比较,结果基本相近。论证了模型的准确性。     

信号交叉口基于出发时刻预测的生态驾驶方法

在城市道路交通中,信号交叉口区域内车辆频繁停车启动的现象,加剧了整体交通流的能源消耗、污染排放与车辆延误。为了减少信号交叉口启停波现象对整体交通流产生的负面影响,以面向未来人工驾驶车辆(HDV)/智能网联车辆(CAV)混合构成的新型混合交通环境为基础,提出了一种基于出发时刻预测的生态驾驶方法,通过优化CAV的驾驶轨迹,减少交叉口区域的车辆延误和能源消耗。首先,对混合交通流的基本图模型进行了分析,根据启停波影响范围,划分CAV通过交叉口的驾驶场景;然后,建立了子区渗透率对饱和车头时距的影响关系,预测了CAV以当前饱和车头时距通过交叉口的时间;最后,结合车辆与交叉口的距离,利用分段三角函数模型,生成其通过交叉口的速度限制曲线,并将优化速度嵌入到智能车辆的跟驰模型中作为限制速度,从而使CAV在无法通过当前绿灯窗口的条件下,实现提前减速,在通过交叉口区域后解除速度限制,切换回自身的跟驰模型。此外,还提出了平均综合效能这一指标来综合评价驾驶策略在效率和能耗2个方面的性能,并将提出的基于出发时刻预测的生态驾驶方法与传统网联车辆控制方法、经典交叉口节能控制方法进行了对比。研究结果表明:提出的出发时刻预测方法可以精确预测CAV在交叉口的出发时刻,有效减少车辆的能源消耗与污染排放,同时提高信号交叉口的通行效率;在渗透率大于60%情况下,该方法对系统效能的提高达到12%左右,在10%渗透率条件下也可以达到6%的效能增益;在交通饱和流率在0.5~0.9的范围内时,系统的效能增益较明显。     

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。