交通事故导致的高速公路拥堵状态判别方法

为量化分析不同交通事故条件下的高速公路路段拥堵情况,研究路段偶发性拥堵规律,本文构建了1个基于行程时间可靠性指标的高速公路路段拥堵判别方法。建立基于美国《公路通行能力手册》中行程时间可靠性分析方法的路段行程时间可靠性模型,并采用西南某高速公路路段实际数据校准模型。利用蒙特卡洛模拟方法生成交通事故场景,将交通事故解构为交通事故发生位置、交通事故严重程度、交通事故持续时间、交通事故发生频率4个特征,并以行程时间指数为路段拥堵量化指标,研究不同交通事故特征水平下的高速公路路段拥堵规律,并判别路段拥堵程度。研究结果表明：美国《公路通行能力手册》的行程时间可靠性分析方法具有可移植性,校准后可应用于国内高速公路路段;交通量接近饱和时,交通事故发生在出口匝道段的拥堵程度高于基本路段与入口匝道段,单车道关闭场景下的交通事故影响远高于路肩关闭场景下的交通事故;交通量接近自由流状态时,拥堵程度对严重程度不敏感;任何交通量水平下,单车道关闭场景下的交通事故持续时间一旦超过15 min,路段拥堵程度极有可能剧增。本文构建的路段拥堵判别方法,可以在精细化探究偶发性交通事故拥堵规律的同时划分路段拥堵等级,为相关部...     

基于非线性回归和BP神经网络的交通事故时空影响预测模型

高速公路偶发性事故影响的严重程度和波及范围的定量研究,对保障道路通行能力和为偶发性事故提供科学的应急处置方案与高效的应急救援具有重大意义。本文通过VISSIM交通仿真平台模拟了高速公路偶发性事故路段交通拥堵、扩散和消散的全过程,仿真分析了事故路段上游到达车流量、客货比例、事故处置时间和占道情况等因素的影响。根据仿真结果,建立了基于非线性回归和BP神经网络方法的两种交通事故时空影响预测模型。运用广东省某高速公路的交通事故处置记录对模型的有效性进行了验证,结果表明两种预测模型均有较好的效果,且BP神经网络预测模型更为精确,最大排队长度的最大值误差小于1 km的准确率为88. 6%,拥堵消散时间的误差小于10 min的准确率为75. 7%。     

基于BP神经网络的道路交通状态判别方法研究

根据交通流复杂性的特点,提出了基于BP神经网络的交通状态判别方法。并以高速公路隧道为例,通过Matlab软件编程实现模拟仿真,最后通过对神经网络的输出结果与决策阈值相比较,确定其所反映的交通状态。仿真结果表明,该算法可用于实时交通状态判别,并具有很高的精度和较好的收敛度。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

一种用于道路交通事故自动检测的改进双流网络

交通事故实时快速检测对提升道路交通应急管理水平具有重要意义。视频检测技术可以有效节省人工监控成本，并在事故检测的相关研究中取得了较好成果。然而，在拥堵交通环境中，现有方法通常无法准确识别出交通事故。为解决上述问题，提出一种改进双流网络，以提高拥堵交通环境下的检测性能。该改进双流网络利用2个并行卷积神经网络(即外观、运动特征提取网络)分别提取视频数据的事故外观特征和运动特征。为了引导网络捕捉拥堵场景下判别性事故外观特征，引入辅助网络和三元损失函数来训练外观特征提取网络。在运动特征提取网络中建立光流提取网络，以捕捉拥堵交通环境下细微的光流信息，进而提升事故运动特征提取能力。研究结果表明：相较传统方法，所提方法有效提升了拥堵交通环境下的事故检测能力，降低了24.56%的误报率和25.00%的漏检率。研究成果可用于城市高流量、混流交通场景(如城市交叉口、快速路、主干道等)中进行道路交通事故自动检测。     

基于速度性能指标的雨天环境对北京快速路网影响研究

降雨作为一种常见的气象条件,对城市路网的交通状态有着直接的影响.为避免不同道路交通状态速度评价标准的不统一,基于道路的最高限速,提出了速度性能指标,进而建立了衡量路段和路网拥堵状态的路段和路网拥堵指标,量化了路段和路网的拥堵程度.以大量数据为基础,在对比雨天和晴天2种环境下的各项拥堵指标基础上,探讨了雨天环境对北京快速路网的宏观影响,为雨天条件下的交通规划与管理提供了重要的依据.同时,基于路段拥堵指数,利用ArcGIS软件可视化展示了北京快速路拥堵路段的空间分布.结果表明,与晴天相比,雨天环境降低了车辆速度,增加了路段偶发性拥堵,也加剧了路网的拥堵程度.同时,雨天环境下的工作日平均每小时路网拥堵指数增加了17.2%,周末则增加了28.6%;而其标准差分别增加了22.2%和62.5%,表明雨天环境下工作日和周末的拥堵特性存在一定的差异性.      

基于时序-神经网络的车辆变速器齿轮故障诊断

采用时序分析和BP神经网络，建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过对车辆变速器齿轮运行状念特征信号进行时序分析和特征向量提取，并以此作为BP神经网络的输入向量进行网络训练，从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中，能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有效、可行。     

基于速度特性的城市快速路常发性交通拥堵研究

基于城市快速路浮动车技术,获取北京市快速路瓶颈路段全天交通流运行速度时间序列数据,对快速路常发性交通拥堵形成及消散进行精细化定量分析。首先应用小波分析技术对数据进行降噪处理,依据速度变化特性将快速路瓶颈处交通流运行状态划分为稳定运行态、拥堵形成态、拥堵态及拥堵消散态4种状态,并分析不同状态下的速度表现特征。研究表明,应用速度变化量可以判别交通流所处状态,而后利用统计学方法给出不同状态之间变化的判断阈值,并归纳出快速路常发性交通拥堵形成时刻、消散时刻及持续时间的判别方法。该方法对拥堵特性判别精度可达80%以上,对交通拥堵预测及交通管理具有明显实际应用价值。      

基于新奇检测技术的斜拉索状态评估

探讨了应用基于BP神经网络的新奇检测技术进行斜拉索状态评估的方法.通过对监测系统采集数据分析处理,生成训练神经网络需要的样本数据,按要求训练网络,建立了基于新奇检测技术的多阶段状态评估的神经网络模型,实现了斜拉索状态评估的两个阶段:状态预警、状态异常位置识别.状态异常位置识别采用逐步分区识别的方法,最终将损伤拉索的位置...     

BP神经网络在轮胎气压监测系统自学习匹配中的应用

提出了一种基于BP神经网络的轮胎气压监测系统轮胎换位自学习匹配方法。该方法基于间接式轮胎压力监测系统和轮胎受力特性对换位后的轮速信号特征进行分析,运用BP神经网络识别轮胎换位方式。通过采集轮胎换位后各车轮轮速数据对BP神经网络进行训练,从而实现神经网络对轮胎换位的准确识别,使得TPMS在无人工干预下可自行识别轮胎换位状态。道路试验结果表明,完成训练后的网络可实现对未换位、交叉换位、前后换位和循环换位的有效识别,准确率达97.52%。     

基于BP网络的电力系统暂态稳定性评估

本文对基于BP网络的暂态稳定进行了分析.对6机22节点系统,运用BP网络的三种算法实现对神经网络的学习和测试,根据仿真结果比较三种算法的特点.仿真结果表明,三种算法中,标准BP算法学习效果较低,快速BP算法学习效果一般,而算法学习效果最好,学习时间短,精度高,有较强的推广能力.     

基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价方法

将BP神经网络良好的非线性函数拟合能力,以及粒子群算法(PSO)良好的非线性优化性能相结合,提出一种基于自然选择策略的PSO-BP神经网络的滑坡可靠性评价新方法。新方法的整体布局是以BP神经网络作为滑坡可靠性分析的响应面函数,在内部实现细节上,针对传统BP神经网络权值和阈值更新过程中容易陷入局部最优特点,采用自然选择粒子群算法来替代标准BP神经网络内置的最速梯度下降法,以达到进一步优化网络的目的。以贵州省马达岭HP1滑坡为例,验证该方法的优越性,结果证明:(1)该文提出的自然选择PSO-BP算法全局拟合能力更强,构造出的响应面误差更小;(2)降雨对于该边坡可靠性的影响小于地震,敏感性低;(3)天然工况下的HP1处于稳定状态,饱和、天然地震工况下处于低危险状态。     

基于代价敏感神经网络的交通状态判别

交通流不同状态在实际中出现的频率存在很大差异,且不同交通状态之间的误判所造成的影响程度是不同的。因此,可以认为交通状态判别是一个类不平衡及代价敏感的分类问题。本文通过分析交通状态的类不平衡特性,结合了少数类样本合成的过采样技术和阈值移动方法,在给定的代价敏感矩阵引导下,对训练样本集进行过采样和对神经网络输出值进行阈值移动,并得到最终的判别结果。通过对广深高速公路上采集的数据进行测试,实验结果表明,所提出算法可以有效降低拥堵和缓慢状态的误判率。     

基于BP神经网络的柴油机排气门故障诊断

介绍了BP神经网络的结构和算法,设计了一个适用于柴油机排气门故障诊断的3层BP神经网络.将4缸柴油机排气门存在故障的状态和其正常工作状态所对应的特征向量作为BP神经网络的输入样本进行训练,建立故障诊断库,并用此故障诊断库对输入的检验数据进行自适应分类识别,从而实现故障诊断.实验表明,该方法可行、适用.     

RBF神经网络分析方法在车辆状态远程监测系统中的应用

以往的研究者在选择车辆运行状态远程监测分析系统的分析方法时,有的人为了更快的收敛速度选择了传统的基于规则的专家系统,有的人为了更高的精确度选择了BP（Back Propagation,反向传播）神经网络,文中所介绍的RBF（Radical Basis Function,径向基函数）神经网络（以下简称径向基网络）正好可以在这两种方法之间找到一种平衡。该神经网络既保持了BP神经网络的精确度又提高了其收敛速度,是以往的研究者在BP神经网络的基础上改进而来的。文中的仿真实验验证了该神经网络的精确度和收敛速度完全可以满足我们对车辆运行状态远程监测分析系统的要求。     

基于BP神经网络的福泉高速公路车流量预测

高速公路车流量预测为高速公路管理企业对减轻高速公路的拥堵情况、改善高速公路的通行能力等方面提供了不可或缺的数据基础,也对其未来收益提供了参考。论文以福泉高速公路为研究对象,选择BP神经网络进行预测;其次分析车流量预测的影响因素,确定神经网络的输入和输出变量的数据类型、确定BP神经网络的层数及各层神经元的数量、各参数值,利用MATLAB构建完整的BP神经网络预测模型,最后收集样本数据,进行数据的预处理,利用样本数据对神经网络进行训练,包括训练完成后输入已知数据,进行实时预测,通过MATLAB进行仿真,证实方法可行有效,得到的结果证明BP神经网络的结构和参数值都是比较合理的,可以较好模拟现实环境,进行比较准确的预测。     

基于遗传神经网络的锚杆承载力预测技术

结合GA算法和BP神经网络的各自优点,建立遗传神经网络,并从时程曲线中提取的动测因子代入网络中训练和测试,结果表明：训练后的遗传神经网络能够快速、准确地预测锚杆的承载力。     

基于出租车GPS数据的城市道路拥堵判别

在回顾前人对城市道路拥堵判别的理论和实证研究的基础上,运用边界矩形法识别道路,划分拥堵标准,并根据各道路的拥堵隶属度确定其拥堵级别以及拥堵的时间段,建立了道路拥堵判别模型.此外,利用此模型,以深圳市某一地区的出租车GPS实测数据为例进行实证研究,筛选出拥堵的路段、路口以及每条道路拥堵的时段.应用模型分析的结果表明:模型可以客观分析道路交通状况,有效判别道路拥堵.      

带偏差单元BP神经网络土体灌浆压力预测

灌浆压力是土体灌浆加固的重要参数。基于神经网络非线性映射特性,分析土体灌浆压力主要影响因素,建立符合一般工程判断和决策思维的BP网络预测模型,并引入偏差单元对其结构进行改进,实现了快速收敛,较高精度得出灌浆预测压力的具体数值。预测结果与室内灌浆试验压力对比表明,带偏差单元BP神经网络的土体灌浆压力预测结果具有较高准确性和一定的实用意义。     

适于动态导航系统的城市道路交通状态判别

城市道路交通状态判别是动态导航系统中的关键技术之一,文章从城市道路交通流系统的高度复杂性特点出发,提出了一种基于神经网络的城市道路交通状态判别方法．首先,利用灰关联熵分析方法选取交通状态的关键性特征指标;然后,建立交通状态判别的神经网络模型并利用实测数据对其进行离线训练;最后,应用训练后的神经网络进行城市道路交通状态在线判别．实验表明,用于城市快速路的交通流状态判别方法效果良好。