共查询到10条相似文献,搜索用时 46 毫秒
1.
0引言
交通流信息是建设智能交通系统的前提,全天候、全功能、全自动采集与发布道路交通流信息是智能交通系统的使命,可是这成了世界智能交通业界数十年不解的难题,一场交通流信息采集与发布技术推陈出新的浪潮席卷全球经久不衰。 相似文献
2.
交通流模型一直是交通系统中最基本的研究内容.适当的交通流模型可用于路网交通流预测和信号控制.以北京环形快速路为背景,采用改进的元胞传输模型(modified cell transmission model,MCTM)进行建模.在MCTM模型中,放宽了原始CTM模型均等划分元胞的限制,并采用密度代替车辆数表示元胞状态,对不同元胞连接方式(简单连接、融合、分离)建立了元胞交通流传输关系.与广泛应用的微观仿真软件Paramics进行了仿真对比分析.结果表明,与原始CTM相比MCTM虽然大大减少了计算复杂性,但仍然可以准确地描述环形快速路交通流动态特性,从而为进一步的交通流预测和匝道控制提供模型基础. 相似文献
3.
城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短,首先对路段传输模型(Link Transmission Model,LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-driven Link Transmission Model,D2LTM),并在此基础上引入时空深度张量神经网络模型(Spatial-temporal Deep Tensor Neural Networks,ST-DTNN)来捕获网络交通流数据中的时间维、空间维和深度维特征信息,形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D2LTM-STDTNN。该混合模型一方面通过D2LTM机理模型来揭示交通流演化的基本规律,发挥其对城市路网交通流状态时空演化过程的精细刻画能力,增强混合模型机理的可解释性;另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力,提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题,具有更细的空间粒度和时间粒度,因此也具有更大的预测难度。实测结果表明:D2LTM-STDTNN混合模型相对于基准模型预测精度更高,且具备模拟演化机理方面的优势,提升了城市路网短时交通流状态预测能力,揭示了路段间的交通流动态演化规律,可为网络交通流模拟推演和主动管控提供了技术支撑。 相似文献
4.
5.
北京市交通信息对外发布平台系统分析 总被引:1,自引:0,他引:1
交通流信息对外发布系统的建立,有利于交通静态及动态信息在最大范围内、最大限度地被出行者、驾驶员、交通管理者所共享和利用,从而实现整个交通系统的动态优化运行。本文从系统实现角度论述了北京市对外信息发布平台的总体设计。对外信息发布涉及信息的组织的,对外信息发布平台信息来源于交通流实时动态信息采集系统。为了技术上的简单化及网络上的安全性,对外信息发布平台系统应有自己的数据存储、处理中心。 相似文献
6.
7.
8.
9.