基于GRU-RNN模型的交叉口短时交通流预测研究

为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度(R~2)为0.962,最接近1,稳定性最好,均方根误差(RMSE)为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。     

数据挖掘在居民出行调查数据分析中的应用

针对居民出行调查数据背后信息挖掘的需求,介绍了居民出行调查数据挖掘的理论及方法,概述了居民出行调查数据挖掘的常规流程,选择Apriori模型对居民出行调查数据进行分析。以南京市居民出行调查数据为样本实例,采用职业、年龄、受教育程度、出行目的等几种属性,以SPSS软件平台对各属性数据进行关联分析,确定影响居民出行方式选择的因素,得出改善居民出行方式构成的相应建议。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65 000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8 000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30.746 3%,分类回归树的误差平均值为29.519 7%,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

降雨条件下高速公路短时行程时间预测研究

为实现降雨条件下高速公路路段行程时间短时预测,掌握恶劣天气下交通信息、提供交通诱导和决策支持,在已获取交通和气象数据基础上应用半距离法估计路段行程时间.并以遗传算法优化的径向基函数(RBF)神经网络和K最近邻非参数回归(KNN)算法为基础,提出1种基于动态权重的行程时间组合预测模型.该组合预测模型的融合权重依据定义的动态误差的变化而持续调整,以保证子模型中精度较高的预测结果对最终结果有较大影响,从而提高预测精度.选取京港澳高速公路湖北省境内军山-武汉南路段,分析该路段降雨条件下行程时间特性,掌握其不同时段和不同降雨强度下行程时间变化规律,并进行预测.结果表明,组合预测模型能有效预测行程时间高峰变化,反应及时且预测精度较高,达到0 .98 ,平均绝对百分误差1 .99% ;而单一的RBF神经网络和KNN算法的平均绝对百分误差分别为3 .40% 和2 .60% ,且拟合程度不如组合预测模型.      

基于GPS数据的出租车通勤识别及时空特征分析

为研究城市居民出行活动中使用出租车完成的通勤行为及其时空分布特征,基于出租车GPS设备所生成车辆活动轨迹数据,利用地理信息数据库处理及GIS技术,对出租车出行起讫点信息进行甄别,在交通小区划分的基础上,构建了出租车载客出行行为OD矩阵,提出了基于出租车出行的通勤客流识别模型,并据此建立了通勤距离和时长的计算模型,用于通勤行为的时空特征分析。最后,以西安市为实证对象,对建立的模型进行实证分析。研究结果表明:各交通小区间出租车出行交通流波动系数在0.2时较为稳定;工作日的早高峰通勤交通流为20 000~27 000车次,晚高峰通勤交通流为15 000~27 000车次,其中,周一和周二相对稳定,周三至周五略有增加;工作日出租车早、晚高峰平均载客车次数基本一致,周二出租车通勤人数最多,周四相对较少;整月内所有工作日早高峰出行中依靠出租车的通勤出行量约占单日高峰交通流均值的27%;出租车通勤出行平均距离为3.7km,通勤距离主要分布在2.5~7km,通勤出行的平均时长为17min,通勤时间主要分布在10~20min;就业地和居住地的识别结果与实际土地利用性质所代表的地块属性基本一致,该方法可对城市居民使用出租车方式的通勤行为以及就业地和居住地进行有效识别,并为城市通勤服务交通系统优化及空间活动的异质性分析提供依据。     

基于数据分类的高速铁路运营事故预测方法

高速铁路运营事故预测方法是度量铁路安全管理水平的重要指标.为提高高速铁路的安全运营水平,引入工业数据分类方法,分析反向传播(BP)神经网络和灰色模型在高速铁路安全运营事故预测过程中的适应性.首先,运用事故次数、事故联动系数、月均事故率3个参数对高速铁路安全运营水平进行度量;然后,根据工业数据分类方法判别高速铁路运营事故数据属于块状型,据此建立反向传播(BP)神经网络运营事故预测模型;针对运营事故数据具有波动大的特点,利用均值聚类方法建立K-GM(1,3)预测模型.以近年来高速铁路运营事故数据为样本对模型进行训练和分析,结果表明:BP神经网络、K-GM(1,3)、GM(1,3)预测模型的预测误差分别为8.92%,13.68%,345.25%,BP神经网络在高速铁路安全运营事故预测过程中的适应性要优于灰度模型.      

轨道列车运行时间的线性预测模型与算法

为更加准确地预测城市轨道交通列车运行时间,建立列车运行时间改进线性预测模型.该模型基于正交函数和最小均方误差规则求解线性预测系数.采用不同长度的数据样本建立预测模型,分析数据样本长度和预测阶数对预测结果的影响,进而引入基于顺序迭代法的数据调整机制,提高模型系数计算的准确性.通过对比站间距离不等的情况下距离变换前后模型预测的准确性,分析了站间距离对预测精度的影响,进而引入站间距离的线性变换方法,提高模型的预测精度.结果表明,模型改进前后的平均预测精度分别为92.53%和95.43%,预测精度提高3.13%;提高预测阶数可小幅提高模型预测精度,模型的改进可明显提高运行时间的预测精度.将该模型应用于上海轨道交通2号线列车运行时间的预测,与列车运动模型相比,所提模型预测误差降低17.4%,验证了模型的实用性与准确性.      

高速公路路面裂缝识别算法研究

经过研究给出了不均匀光照的路面裂缝图像识别的详细算法。算法采用多窗口中值滤波进行图像平滑,既能去除图像的噪声点,又较好地保留了裂缝的边缘信息;使用背景子集图像插值校正法进行灰度校正,有效地克服了不均匀成像对后期图像分割的影响;采用otsu阈值分割、形态学去噪及连通区域标记完成裂缝图像分割;选用连通区域个数、投影特征和分布密度3个参数完成裂缝分类;最后提取裂缝长度、宽度和破损面积等裂缝参数。实验结果显示分类准确率为94%,线状裂缝长度误差均值为7.2%,宽度误差均值为11.3%,非线状裂缝的面积误差均值为9.6%,表明这一方法有效、可靠。      

基于参数预测的高速公路交通状态判别

针对目前基于单截面检测数据的高速公路交通状态判别算法存在着判断阈值多,对拥挤样本依赖性强而拥挤样本采集困难等问题,提出了基于交通流预测的交通状态判别模型.预测过程中以车辆的平均占用时间作为预测的目标参数,利用神经网络建立预测模型,并通过相关系数法确定神经网络的输入层.在预测的基础上,以实测值与预测值之间的差值作为判别的依据,判别道路的交通状态.应用广深高速公路实测数据对判别模型的有效性进行检验,并与经典的McMaster检测算法做了对比,结果表明,所提出算法对拥挤样本依赖较少,判别精度高,鲁棒性高.      

城市交通信号控制干道旅行时间实时预测

城市干道旅行时间预测是实时交通运营管理与交通诱导的核心问题之一,也是出行者的重要需求.文中分析了济南市经十路采集的真实数据,研究发现了交通需求和旅行时间在工作日和非工作日同时段具有较大差异、全天具有显著早晚高峰、以及工作日同时段具有相似性及波动性等特征.基于该类特性,分别改进了适用于周期性数据的卡尔曼滤波和波动性的人工神经网络2类预测模型.提出了组合预测算法,将基于历史同时段数据的卡尔曼滤波算法的预测值作为人工神经网络的输入变量,利用历史天和临近时刻的可用数据进行了预测.结果表明:在3.8 km的信号控制干道上,组合预测模型平均误差低于0.9 min,误差超过2 min的概率低于4%,其预测性能可满足实时的交通需求.      

数据库

1600万辆 据日本报道，中国的14家知名汽车企业计划将2010年的汽车总产量增至2006年的25倍，达到1600万辆，中国将成最大汽车生产国。     

数据库

长达6米的甲壳虫？没错，这就是英国改装公司推出的基于1999款大众甲壳虫GLS的加长豪华礼车，车身长6米左右，它可以乘坐5到6人，但是加长后的甲壳虫Limo还是“麻雀虽小，五脏俱全”，传统加长礼车的配置一应俱全。     

数据一览

2009年1—11月基本型乘用车主要品牌前15名市场占有率；2009年11月乘用车产销量 据中国汽车工业协会统计，2009年11月，基本型乘用车（轿车）产销76．38万辆和75．42万辆，环比增长9．28％和10．65％，同比增长87．16％和93．60％；多功能乘用车（MPV）产销2．68万辆和2．77万辆，环比增长5．54％和19．50％，