基于监控视频的高速公路能见度检测方法及系统

针对我国高速公路能见度天气的全面检测与预警处置的迫切需求,提出了一种基于监控视频的高速公路能见度检测方法.该方法从监控摄像头提取固定距离参照物的图像,根据图像的灰度失真状况计算能见度值,并通过数据融合的手段对多监控摄像头计算结果进行综合;并设计和开发了一款能见度监测与预警处置信息化系统,利用获取的实时能见度数据,从局部现场和宏观路网两个方面支撑能见度预警、应急处置、交通流调控、信息发布等智能交通业务.实验分析结果表明,该能见度计算方法的平均检测误差为13.4%,能够满足我国高速公路能见度检测的精度和计算性能要求;本文方法及系统可以充分复用高速公路沿线广泛架设的视频监控机电系统,可应用于我国高速公路的运营管理及效率提升等工作中.      

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

雾霾天气低能见度下的交通流仿真研究

为了研究雾霾天气低能见度下的交通流,结合停车视距模型,建立雾霾低能见度下的交通流微观模型。在数值模拟中,得到了雾霾天气低能见度条件下的时空图,分析了低能见度下不同最大速度的事故率曲线结果表明,与晴天相比,低能见度下,交通拥堵的频率和持续的时间都相对较长。并仿真得到了不同密度下的道路车辆限速值,仿真结果与道路能见度限速标准相一致。研究结果对于雾霾天气下交通管理与控制、安全出行都具有重要的意义。     

不同能见度条件下高速公路车辆速度特性研究

本文以京港澳高速公路湖北省内金山-武汉南路段内的交通流检测器及其附近设置于路侧的公路气象站的历史数据为主要研究数据,针对雾天低能见度等天气因素,分析有无雾及不同能见度条件对车辆速度均值及速度离散型的影响;研究在雾天条件下,不同车道位置、不同车辆类型、不同时间时段的车辆行驶速度的差异性;基于交通流Greenshield 经典V-K关系,采用非线性回归方法,建立雾天车辆平均行驶速度综合预测模型,模型的拟合优度达到80%.研究成果对研究公路沿线能见度因素对行车安全影响,分析雾天等低能见度条件下的公路通行能力,制定雾天等低能见度条件下可变速度控制等交通控制措施具有重要参考与借鉴意义.     

高速公路不良天气条件下最高车速限制合理取值

为了提高不良天气条件下高速公路行车的安全性,分析了雨、雪、雾等不良天气条件对道路交通安全的影响机理,采用数学公式推导的方法,以制动反应时间内行驶距离与制动距离之和小于能见距离为条件,推导了不良天气条件下的基于安全距离的高速公路最高车速限制值计算公式,并给出了雾天、雨天及雪天对应不同能见距离、附着系数及纵坡的车速限制标准建议.     

基于风险矩阵的干线公路弯道路段交通冲突风险评估模型

为评估干线公路弯道路段(AHBS)交通冲突风险,基于交通冲突前5 min集计交通流数据、冲突路段道路线形特征和行车环境数据,分别建立交通冲突可能性及严重度评估指标体系。集成运用随机森林模型和多层次模糊综合评价法分别确定交通冲突可能性和严重度等级,进而采用风险矩阵法确定交通冲突风险等级。以云南省元双干线公路为例进行验证。结果表明：基于随机森林模型的交通冲突可能性预测准确率达到84.21%,所提模型能有效评估AHBS交通冲突风险,为干线公路交通事故治理提供理论依据。     

考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

不良交通流状态实时监测支持向量机模型算法研究

交通流安全实时预警是交通主动安全防控的重要前提.采用实际事故发生前的交通流状态作为不良交通流状态判别标准,通过对车道级交通流数据进行参数提取,结合主成分分析法进行参数降维后得到9个主要参数.建立以径向基为核函数的交通流安全实时预警支持向量机模型,采用网格遍历法确定最优的支持向量机模型的惩罚参数C和核函数参数γ,最终构建的支持向量机模型能够成功地识别79.55%事故对应的不良交通流状态,能够有效地对高速公路上的不良交通流状态进行实时监测预警.     

多车道交织区车辆跟驰行为风险判别与冲突预测

车路协同系统(IVICS)是保障安全高效出行的新兴技术之一,将高精度车辆轨迹数据与机器学习方法相结合,提出一种可应用于 IVICS 的多车道交织区的潜在风险判别与冲突预测方法。首先,基于无人机视频,从广域视角提取交织区交通矢量位置、速度等信息,并划分上下游、交织影响区等多个分区;然后,考虑决策行为(车车边缘距离、接近率)与车辆行为(横纵向速度、加速度、速度角度)构建风险判别模型,以单位面积冲突次数、持续时间、冲突密度等指标评估风险;最后,基于朴素贝叶斯模型与logistic回归模型分别进行交通冲突预测,与实测数据相比,预测准确率分别为74.86%、87.10%,Area Under Curve分别为0.84、0.88,表明logistic回归模型具有更好的预测性能。研究成果有助于交管部门制定与优化交通管控方案,可应用于IVICS动态预警。     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流,缓解高速公路交通拥堵现象,本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵,并利用滑动窗口模型获得输入样本的最佳长度;然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征,随后输出预测结果;最后,将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好,工作日的高速公路交通流预测精度远高于节假日,本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1,说明考虑多种因素可以提升高速公路交通流预测精度。     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

一种恶劣天气下的高速公路车流稳健控制方式

基于车辆跟驰理论,提出一种车流控制方式,并结合车间距与车辆安全的影响因素,推导得出恶劣天气下能见度与高速公路安全行车速度的关系,可为恶劣天气条件下高速公路的不间断安全运营提供可能。     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

Short-Time Traffic Flow Prediction Based on Chaos Time Series Theory

Traffic flow prediction has become a kernel study in intelligent transportation system. A prediction model of short-time traffic flow is presented based on chaotic time series analysis method. After the phase space reconstruction using traffic flow data, a two-step optimized selection method is proposed, which considers Euclidean distance and equal coefficient between neighboring point and predicted point. Then the prediction model is educed with the local polynomial method to approximate the neighboring points. The model proposed in this paper is applied to predict the real traffic flow in Dongjiang road, Dongguan city in Guangdong province, China. Comparing the predicted traffic flow value with the flow measured in reality, the results show that the maximal relative error is 0.445%, whereas, the minimal one is 0.038%. Moreover, the single-step forward prediction only requires 38.52 seconds. As a result, it is proved that the method can significantly improve the prediction accuracy and meet the requirement of the real-time prediction.     

���ڻ���ʱ�����з������Ķ�ʱ��ͨ��Ԥ���о�

交通流预测分析已成为智能交通的核心研究内容之一。依据混沌时间序列分析方法,建立了短时交通流的预测模型。在对实测的交通流数据进行相空间重构的基础上,综合考虑欧氏距离和均等系数,提出了最邻近点的两步优化选择方法,并采用了局部多项式拟合方法对所选取的最邻近点进行逼近以求得预测公式。本文将此方法运用于东莞东江大道流量预测,比较预测流量和实测流量,得出最大相对误差为0.445％,最小相对误差为0.038％,且单步预测时间仅为38.52秒。结果表明,该预测模型具有较高的精度,同时也能够满足实时性的要求。     

海事事故严重性影响因素及影响程度识别

以上海、浙江、江苏海事局发布的海事事故调查报告为基础,通过建立有序概率模型(包括有序Logit模型和有序Probit模型),对海事事故严重性影响因素及影响程度进行识别.结果表明:有序概率模型适于研究该问题,且有序Logit模型优于有序Probit模型;季节、时段、天气、通航水域、船型、船长、船舶所有权等对较大及以上事故具有正向影响,能见度对较大及以上事故具有负向影响.其中,船长200 m影响最大(边际效应为0.378 3),夏季影响次之(0.282 2);能见度不良影响最小(-0.108 0),个体所有船舶影响次之(0.109 5).研究结果可为海事安全部门开展安全监管工作提供决策参考.     

K近邻短时交通流预测模型

为了准确预测道路短时交通流,构建了基于K近邻算法的短时交通流预测模型。分析了K近邻算法的时间和空间参数,提出4种状态向量组合的K近邻模型:时间维度模型、上游路段-时间维度模型、下游路段-时间维度模型与时空参数模型。以贵州省贵阳市出租车的GPS数据对几种K近邻模型进行了检验。分析结果表明:带有时空参数的K近邻模型具有更高的预测精度,其预测误差最小,平均为7.26%。基于指数权重的距离度量方式能更精确的选择近邻,其预测误差最小,平均为5.57%。与神经网络和历史平均模型相比,带有指数权重的K近邻模型具有更好的预测精度,平均预测误差仅为9.43%。可见,带有时空参数与指数权重的K近邻模型可作为道路短时交通流预测的有效手段。