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...     

高速公路交通流参数实时预测AML法

探讨了用于高速公路交通流参数实时预测类型,提出了交通流参数的线性神经网络方法,且利用该法对交通量、时间占有率和点速度的实时预测进行了应用性研究.     

城市快速路路段交通流状态评估方法

交通流状态分类对于选择交通控制和诱导策略有非常重要的作用,不同的快速路路段设定的交通流参数临界值及变化特性会有所不同．本文考虑到交通流参数对交通流状态判别的影响程度,给出了一种基于加权欧氏距离的相似性度量方法,并确定了交通流状态判别的关键参数．根据整个路段的交通流数据,通过聚类分析构造最小距离分类器,把个别路段的交通流数据作为样本数据．进行了对个别路段的状态评估．实证分析结果表明：在交通流状态判别过程中,密度是最关键的参数：基于最小距离分类的个别路段的状态评估结果与实际情况非常类似,这将为交通控制和管理提供决策依据．     

基于收费数据的高速公路实时网络状态估计研究

随着高速公路建设速度的加快,引发了诸如交通安全、交通拥堵、环境污染等一系列衍生问题.高速公路实时网络状态的获知就是减少拥堵延迟、保障高速公路快捷通畅的方法之一,但是由于基础数据获取的渠道还比较单一,因此在高速公路网络状态估计方面还缺乏科学的指导.本文利用高速公路进出口收费站数据,通过统计技术得到路网的OD量,在改进中观交通仿真模型的基础上,采用仿真手段将动态OD进行网络加载,从而产生实时的高速公路全路网无缝覆盖的网络状态估计.通过真实的山东省域高速公路全网络进行例证,结果表明,本文方法可以比较准确地估计出实时的网络状态,可以得到网络中任意路段的交通流速度、密度、流量等信息,可以为高速公路管理部门发布动态诱导信息、规划检测器设置等提供参考和帮助.     

高速公路交通噪声与交通流状态的关系研究

本文运用交通流理论、概率统计理论和噪声传播理论对高速公路交通噪声与交通流运行状态之间的关系进行研究,分析了高速公路交通噪声的传播规律,提出了通过交通噪声测量检测高速公路交通流状态的试验方法和参数设置原则,并通过试验具体分析了交通噪声与交通流之间的相关关系。     

交通流状态辨识小波算法研究

针对智能交通系统的开发和交通流特性，应用小波多分辨分析理论的Mallat分解算法建立交通流状态辨识方法，利用多种小波系数与交通流参数之问的相应变化规律进行交通突变状态的辨识．交通流状态的突变多与交通事件直接相关，故采用事件和非事件条件下的模拟数据对算法参数进行了标定及离线测试．将算法与几种传统算法分别进行了性能比较，结果表明Mallat分解算法在交通流突变状态实时辨识方面具有很好的性能．     

不同运行方式下高速公路交通流特征对比

六车道及以上高速公路可实行混合行驶和分车型分车道行驶等不同的运行方式,为了掌握其效果并合理选用,需对比它们的交通流特征。选择年日均交通量（AAOT）较为接近但运行方式不同的两条六车道高速公路,统计分析在高峰期0.5 h 内的车型分布、交通量、速度和车头时距数据。结果表明,在分车型分车道行驶时,大量货车向车道3转移,使各车道的交通量更均匀,同时,车道1、2的平均速度提高,车头时距更加离散,而车道3的速度下降,车头时距更加紧密。这说明分车型分车道行驶实际上是对车道进行差异化管理,内、外侧车道分别以提高服务水平和通行能力为主要目标。但是,混行在同一车道上的不同车型,速度差异进一步增大,应严格禁止不按规定车道行驶的行为。     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。     

基于数据挖掘的危险货物运输风险驾驶行为聚类分析

不良驾驶行为(车速过高,车速变化过快等)影响危险货物及车辆的稳定性,是导致危险货物运输事故频发且后果严重的重要原因. 基于对营运车辆联网联控系统海量数据的分析处理,根据其属性提取8 个驾驶行为量化指标,采用因子分析和模糊C均值聚类相结合的方法,实现对危险货物运输车辆驾驶员风险驾驶行为的科学聚类. 结果表明,危险货物运输车辆驾驶行为特征可有效聚为急加减速、超速驾驶和变速驾驶3 种行为,且在每种驾驶行为下实现对驾驶员安全等级的分类. 由此可以识别风险较高的驾驶员,这对危险货物运输企业和行业管理部门有重要参考意义.     

交通状态划分的参数权重聚类方法研究

由于交通流量、速度、占有率或密度等参数在交通状态划分中作用不同,本文提出了基于参数权重聚类的交通状态划分方法.根据交通参数数据的相似性,应用基于加权欧氏距离的相似性度量方法构建了交通参数评价函数,并用梯度下降法极小化评价函数对交通参数权重进行求解.将交通参数权重应用于模糊C均值聚类算法（FCM）,得到基于参数权重的FCM道路交通状态划分方法.应用提出的模型对选取的实际交通参数数据进行交通状态划分,并与基于欧式距离的FCM状态划分结果对比.研究结果表明,本文提出的方法提高了交通状态划分精度,更接近交通实际运行状况.     

基于模糊聚类的城市快速路交通流状态划分

针对城市快速路交通流状态分类的问题,提出了一种改进的模糊C均值(FCM)算法.结合层次聚类算法和FCM聚类算法,运用层次聚类算法得到最佳聚类数和初始聚类中心,并通过Relief F特征加权对影响交通状态的不同特征指标赋予相应的权值,最终用FCM算法再次聚类得出交通流状态的分类结果.以VISSIM为工具,对该方法进行了模拟.对比分析结果显示,所提出的方法能够提高城市快速路交通流状态分类的效果.     

基于时空自相关的道路交通状态聚类方法

城市道路交通状态的识别对交通管理部门进行交通管理控制、出行诱导,以及 道路设施改造具有重要意义.本文运用时空Moran 散点图探索城市道路交通的时空关联 性,并据此构建一种基于时空自相关预分类的道路交通状态层次聚类方法.运用本文所提 出的聚类算法,以北京市二环快速路外环方向的路段为例,进行聚类研究,并分析了各类 型路段的交通状态时空特性.案例研究表明,所提出聚类算法能对道路交通状态进行有效 判断,充分反映交通需求与路网结构之间的内在匹配关系.特别是畅通异质和拥堵异质两 种交通状态的提出,为识别高峰时段路网中的瓶颈路段和能力富余路段提供了一种新的 思路和方法,进而可为完善路网、缓解拥堵及制定交通管理措施提供依据.     

鉴别道路交通事故黑点的聚类分析方法研究

对道路交通事故黑点的鉴别方法进行综述,提出鉴别道路交通事故黑点的聚类分析法,利用该法对菏泽市牡丹区境内国道220交通事故黑点进行鉴别,可为进一步研究鉴别道路交通事故黑点的方法提供不同的思路。     

基于遗传动态模糊聚类的道路交通状态判定方法

针对当前城市道路交通状态判定时采用的模糊c均值聚类(FCM)和c均值聚类等方法的有效性较差的状况,提出了一种基于遗传算法的动态模糊聚类方法,通过计算交通流参数之间的模糊相似性,不失真地反映它们之间的内在关联,同时将交通流参数之间的模糊相似性映射到样本之间的欧氏距离,即将高维样本映射到二维平面,利用遗传算法不断优化两者之间的映射,使交通流参数之间的欧氏距离逐步趋近于其模糊相似性,实现动态模糊聚类,仿真实验结果证明了该方法的可行性和有效性.     

I?880高速公路二次交通事件概率估计方法

基于美国I 880高速公路交通流数据,对由交通堵塞或事故诱发的二次交通事件的各项参数进行聚类分析并建立概率模型.运用这一模型可对I 880高速公路进行实时交通流监测,发现有安全隐患的路段并向控制中心发出警报,以减少交通事件的发生与相应的人员财产损失.     

G2���������ٹ�·��ͨ�¹��뽵ˮ������Է���

通过整理G2京津塘高速公路3年（2007.3～2010.2）逐日逐时的百万车流量交通事故和交通流量及气象要素资料,并将百万车流量交通事故(交通事故与交通流量之商)与同步降水量进行日变化相关分析;结果表明：年平均百万车流量交通事故的日变化最高峰出现在05时,年平均高峰值高达234起•辆-1•10-6;年度、春季、夏季、秋季和冬季的平均百万车流量交通事故与同步降水量均呈正抛物线相关,即百万车流量交通事故随降水量的加大而增多;统计学检验（R＞Rα=0.01 和F＞Fα=0.01）效果很好。四个季节的百万车流量交通事故与降水量相关的系数高达0.7386～0.8635。这一分析事实为G2京津塘高速公路行车安全提供了客观的参考依据。     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.