动态路径导航系统PRONAVI的性能检测实验研究

利用浮动车技术收集交通信息并建立动态导航系统的尝试和努力已在世界各个城市展开。日本P-DRGS合作开发团队开发的动态导航系统PRONAVI从系统结构和技术结构对现有动态导航系统进行改进,本文详细介绍了通过在名古屋市进行的实验车走行试验对该系统的旅行时间预测精度和动态导航性能进行评价的结果。评价结果显示融合了浮动车历史数据和日本道路交通中心动态数据的PRONAVI导航系统在路径诱导和旅行时间预测等多项指标上均优于其他导航系统。     

基于交通流稳定性系数的高速公路交通事故实时风险预测

预测交通事故实时风险时，存在大量指标变量，导致数据难以采集，不仅不利于构建预测模型，且带来的过拟合问题会降低模型预测可靠性。为了减少预测指标数量，提升预测模型可用性，降低预测模型过拟合影响，构建具有可解释性的2种交通流稳定性系数以简化指标集，分别为纵向交通流稳定系数和横向交通流稳定系数。采集西安市G3001高速公路交通事故与交通流历史数据，选用支持向量机、随机森林、Logistic回归模型，分别构建高速公路交通事故实时风险预测模型。通过改进的GI指数评估交通流稳定性系数的显著性，以检验其有效性；通过指标集在训练与测试数据中的预测精度、AUC值差异评估交通流稳定性系数对降低预测模型过拟合的作用，并通过训练耗时评估模型的计算效率，以检验新方法的可靠性。研究结果表明:2种交通流稳定性系数对应的改进GI指数分别为0.952和0.922，显著大于其他受试指标，与交通事故实时风险显著相关。在3种预测模型中，包含2种交通流稳定性系数的简化指标集在训练和测试数据中的预测精度分别为91.1%和90.5%，与完整指标集相近。2种指标集在训练与测试数据中的平均预测精度差异分别为0.69%和4.87%；平均AUC值差异分别为1.61%和5.87%；平均训练时间下降了15.2%。交通流稳定性系数大幅提高了预测模型的可靠性，同时显著提升了模型的计算效率。      

基于ST-GCAN模型的高速公路车辆速度预测方法

车辆速度是影响高速公路通行效率和安全的重要指标,因此实现对高速公路车辆速度的精准预测有助于减少交通事故进而提升交通智能管控服务水平。基于现有深度学习模型,研究了融合图卷积网络(convolutional neural network,GCN)、长短期记忆网络(long short-term memory network,LSTM)和注意力机制的车辆速度预测模型(ST-GCAN)：利用图卷积网络提取复杂高速路网的空间关联特征;使用长短期记忆网络提取车辆速度的历史数据间的时间关联特征;结合注意力机制聚集并分析车辆速度的历史数据和预测值之间的相关性。此外为保障预测模型网络信息完整并解决训练时协变量偏移问题,模型使用密集连接和层归一化技术以提升模型性能表现。利用青海省西宁市的高速公路车辆速度数据集开展实例分析,研究区域包括8个收费站共49条路段,时间跨度为2020年5月1日—8月31日,以小时为步长,共计94 777条数据。实验得到未来1小时高速公路车辆速度的预测效果：平均绝对误差(mean absolute error,MAE)为12.762,均方根误差(root mean square e...     

弱GNSS信号下基于EMD和LSTM的车辆位置预测方法研究

针对弱GNSS环境下组合导航（INS/GNSS）系统存在的定位偏差问题，提出一种基于经验模态分解和长短期记忆网络的车辆位置预测算法。首先，针对训练数据中噪声较大的惯导数据，提出一种融合经验模态分解与离散小波变换的降噪算法。该算法基于噪声能量估计和各阶本征模态函数的功率谱密度函数，提出一种确定混合模态函数阶数上下界的方法，并采用离散小波变换硬阈值法对混合模态函数进行滤波处理，最终利用经过处理的各阶模态函数重构原始数据以达到降噪目的。训练数据经过预处理后，采用改进的堆叠式长短期记忆网络离线训练位置预测模型，利用该训练模型可在线实时进行位置预测。针对车辆定位序贯数据预测，提出一种局部数据降噪方法，该方法利用一定长度时间窗口的历史数据，通过线性最小二乘给出当下时刻数据的预估值，并与实际量测值进行滑动平均滤波，优化位置预测的结果。在封闭场地模拟隧道环境下，对长短期记忆网络输入端进行局部数据降噪与不进行降噪处理比较，经度和纬度的归一化均方误差分别下降了13.34%和9.38%，经度和纬度的归一化平均绝对误差分别下降了8.64%和5.41%；在复杂城市交通环境下，检验提出的方法，经度和纬度的归一化均方误差分别下降了6.51%和5.66%，经度和纬度的归一化平均绝对误差分别下降了5.70%和8.23%。试验结果表明，在弱GNSS信号环境下，提出的车辆位置预测方法有效提高了车辆定位精度和稳定性。     

基于非参数回归的快速路行程速度短期预测算法

基于北京市快速路上的检测器所采集的历史数据，经过数据筛选，剔除判别，小波滤噪平稳处理，聚类分析等过程，建立了交通状态演变系列的历史样本数据库。基于所构建的历史数据库，通过数值试验，确定了状态向量、距离匹配原则，K近邻值等参量，构建了一种基于K近邻的非参数回归短时交通预测模型，实现了对路段行程速度的短时预测。最后，利用随机选取的历史数据系列对预测模型的精度进行了检验。结果表明，预测算法的精度可以达到90％以上，可以很好地满足ITS应用系统对于交通预测数据的精度要求。     

遗传神经网络在轮载动态称重辨识中的应用

动态称重系统在测量的过程中为一时变系统，难以对称重系统建立精确的数学模型。采用遗传神经网络对动态称重系统作了非线性建模，并且对该网络进行了训练以及仿真，结果表明遗传神经网络比一般的神经网络有着更好的优越性。     

高速公路网的动态交通预测

本文介绍一城市间高速公路网的动态交通预测模式系统，该系统实时预测网络的交通状况并把信息及时传送给交通控制中心。模式实时接受来自交通监测中心的交通流、平均速度及传感器占有率等交通数据，此外，模式也使用已有交通信息的数据库。     

基于灰色理论的沥青混凝土路面使用性能多指标预测方法研究

在自然环境和交通荷载的共同作用下,沥青混凝土路面的路面使用性能会随着时间推移而日益衰减,从而直接影响车辆的行驶速度和运输的安全性、经济性和舒适性.为了评估和预测路面使用性能的状况,便于进行科学地养护和管理.应用了灰色系统理论模型,从路面状况指数(PCI)、路面结构强度指数(SSI)、行驶质量指数(RQI)和横向力系数(SFC)4项指标进行分析,建立了基于历史数据的指标预测模型,对高速公路使用性能的各单项指标进行了预测,对模型的精度进行了评价,并根据预测结果提出了相应的养护措施.     

陕西省公路路面养护决策系统应用研究通过鉴定

1993年12月23日，来自全国交通系统和大专院校的16名专家和教授，在西安公路学院，对陕西省公路局、西安公路学院合作开发的“陕西省公路路面养护决策系统应用研究”成果进行了鉴定。专家们认为该课题同时具有省级和地区级系统，覆盖了水泥混凝土路面、沥青路面和砂石路面，形成了完整的路面养护决策系统；提出的路况调查方法、综合评价指标及自适应跟踪动态预测方法，科学合理，简便实用，便于推广应用；该系统采用的地区级排序方法及省级养护资金分配方法，便’F制定养护计划和宏观管理。整套系统处于国内领先水平，其中自适应动态预测方…     

基于大数据挖掘技术的车载自组织网络状态异常检测

基于主成分分析法与Apriori关联规则挖掘算法,提出一种利用大数据技术检测车载自组织网络(VANET)运行状态异常的方法。运用主成分分析法从大数据中挖掘出关键评估指标;针对关键指标采用并行关联规则模型,挖掘强关联规则,进而找出主要影响因素;基于历史数据和自组织人工神经网络预测方法,输入主要影响因素值,输出关键评估指标值。对评估指标值进行算例分析,利用VANET状态异常检测方法预测指标概率,结果表明,所提方法得到的预测值较仅使用人工神经网络方法准确性高。     

基于城市路口相关性的交通流量预测

利用主成分分析方法对路网中各路口的交通流量进行了相关性分析，构建了相关路口集，提出了根据相关路口集的交通流量预测本路口流量的思想．给出了用于预测的神经网络模型、具体算法和评价标准。在比较精确的训练样本基础上对网络进行了训练，测试了训练后的网络性能。实验表明，采用基于城市路口相关性进行交通流量预测具有满意的准确性和较好的鲁棒性。     

基于小波网络逆系统的汽油机瞬态空燃比预测控制研究

为实现瞬态空燃比精确控制,提出基于小波网络逆系统的复合预测控制策略.利用小波网络辨识空燃比系统逆模型,实现对瞬态空燃比系统中进气量的动态前馈补偿,并将该逆系统与原系统串联构成一伪线性系统,然后结合动态矩阵控制对系统的扰动、误差等进行修正,实现对非线性、时滞、时变的瞬态空燃比系统的预测控制;最后利用瞬态工况试验数据进行仿...     

递推SOM神经网络在短时交通流预测中的应用

针对短时交通流预测,提出一种新颖的递归自组织映射(SOM)神经网络方法。根据SOM的拓扑保持聚类技术,递推SOM预测方法用完整SOM构成网络中的重复神经元,通过训练神经元权值及上下文信息学习时序动态。将方法应用于英国某地区实测交通流数据集与华盛顿大学ITS研究组的数据集,并与现有方法比较,实验结果表明递推SOM方法能有效改善预测精度,输出能够很好地跟踪实际流量值,在同等情况下优于其他方法。     

动态网络交通信号配时模型研究

讨论了均衡网络交通信号醒时问题，提出了一个同时进行动态交通分配和最优信号配时的动态网络交通信号配时多层规划模型。该模型的下层问题是应用最优控制理论建立的动态用户最优模型，能够实时描述出行者对任意给定的信号控制策略的反应。模型的上层问题在考虑出行者路径选择行为的基础上，优化系统运行指标以获得时变的绿信比。     

基于贝叶斯网络的联网环境中跟车工况下的前车运动状态预测

车辆行驶过程中,前方车辆运动状态预测是车辆智能控制系统的重要研究部分。车辆运动状态受其驾驶员驾驶风格、道路状况、交通流、前方车辆运动速度和加速度等因素的影响,使车辆在未来一定时间段内的运动状态具有较大不确定性,给前方车辆的运动状态预测带来困难,因此本文中对跟车工况下前车运动状态预测进行研究。本文中在分析车辆跟车工况时的运动特性,采用贝叶斯网络对前方车辆运动速度进行预测,将获得的车辆跟车工况时的运动状态数据分为训练集和测试集。通过训练集辨识前车速度预测贝叶斯网络参数,通过测试集检验前车速度预测贝叶斯网络的预测效果。对前车未来0.1,0.5,1和2s时的运动速度进行预测,预测结果表明,前车的实际运动速度均在前车速度预测贝叶斯网络预测的95%置信区间内。     

公路货运量灰色模型-马尔可夫链预测方法研究

将灰色系统理论与马尔可夫链相结合，首次提出了灰色模型-马尔可夫链预测公路货运量的方法；并结合“十五”期间中国公路货运量和公路货运市场的发展趋势的预测分析详细阐述了该方法的具体应用。首先建立GM(1，1)灰色动态拟合模型，并以此作为公路货运量发展变化的动态基准线模型；在此基础上应用马尔可夫链确定系统状态转移概率矩阵，通过系统状态的划分、样本值与模型拟合值之间的残差及其标准化离差等指标的分析计算，最终以概率形式分析和预测公路货运量的发展变化区问。理论分析和实践都表明，该法不但预测结果更可靠，而且能够对公路货运市场的发展趋势进行宏观的把握，有利于决策者的决策行为。     

基于船联网的异构网络垂直切换信号预测技术研究

针对内河航运中存在多种异构网络共存的现状,提出了1种网络状态共享机制,即由信息中心收集来自船舶的网络状态信息,然后进行汇总处理后将数据共享.运用灰色理论,并根据船舶网络状况历史数据,与信息中心的最新数据相融合,得出较准确的前方网络状况值.通过Matlab仿真,验证了这种信号共享方法及预测机制可以有效提升预测信号的准确度,并同时兼顾了船舶的速度和长距离预测问题,适用于船载终端.     

实时道路车辆速度监测系统

据世界交通网报道,TrafficCast国际公司宣布,一种命名为Dynaflow系统的实时道路车辆速度监测系统在美国州际公路和主要干线公路上投入使用。TrafficCast公司表示,采用Dynaflow系统可以动态地模拟实时交通流量,整合并利用美国一级、二级和三级公路的详细历史数据,包括来自于公共机构和私人公司实时提供、输入的数据。     

城市交通网络交通量自适应模糊预测方法

本文基于交通量动态特征模板匹配的思想，引入了模糊控制作为预测的修正机制，提出了一种城市交通网络交通量自适应模糊预测方法。     

基于动态神经网络模型的交通事件检测算法

本文将一种新型的动态神经网络结构与传统的基于状态估计的故障检测方法相结合，提出了一种基于动态神经网络的交通事件检测算法。该网络借鉴静态BP网络的训练算法，并针对其训练方法中收敛速度慢及容易陷入局部极小点的缺点采用一种改进的算法，改善了训练效果。最后利用Matlab对提出的算法进行仿真，得到令人满意的效果。