考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

基于SVM的高原川道型城市通勤者出行方式选择研究

为探究典型高原川道型城市(西宁市)的出行者对交通出行方式选择的行为,以大规模的居民出行调查数据为基础,提取个人、家庭社会经济属性及出行特征指标,将包含小汽车出行和出租车出行的私人交通方式与公共交通方式这2项通勤方式选择作为目标变量,并通过显著性检验得出影响出行方式选择的8项决策变量.针对29960次有效出行样本,合理划分出训练样本集和测试样本集.基于此,分别构建支持向量机(SVM)和传统的二项Binary logistic (BL)模型以识别通勤者的出行方式选择,选取3项定量指标分方式的分类预测精度、总体分类预测精度和平均绝对百分比误差以对比不同模型的分类结果.研究结果表明:相比BL模型,SVM对分类数据具有更好的拟合效果,对出行方式选择的预测适用性良好,具体来说,对私人交通方式的预测,SVM的预测准确率比BL模型的预测准确率高出8.08％,公共交通则高出了2.76％;SVM的总体分类准确率比BL模型的预测准确率高出4.82％.     

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

基于交通轨迹数据挖掘的道路限速信息识别方法

分析了道路限速信息的时空变化性,提出一种基于轨迹数据挖掘技术的道路限速信息自动识别方法。为了实现海量交通轨迹数据的快速处理,研究了快速地图匹配与数据清洗等预处理算法,分析了交通轨迹数据的速度分布特性与最高车速限制指标。基于路段行车速度的统计特性,构建了道路特征向量模型,以快速提取海量轨迹数据的潜在特征信息。提出了多投票K近邻分类算法对数据特性进行训练与学习,以实现对道路限速信息的快速识别。以福州市交通路网及其浮动车轨迹数据构建试验样本集进行训练、学习与交叉验证试验。试验结果表明:在训练过程中,当样本数量达到1 200时,方法的识别准确率最高达到93%,在仅有150个小训练样本下,方法的识别准确率也达到75%;方法具有近线性的处理性能,处理1.0×106条道路的限速信息仅用时46ms。     

基于多变量决策树交通事件持续时间预测模型

基于粗集理论和决策树方法,建立了交通事件持续时间的多变量决策树预测模型。通过分析交通事件的属性特点,运用粗集理论中的属性约简方法,确定了交通事件的核心属性;运用等价关系相对泛化原理构造了多变量组合检验,并根据变量依赖度确定了最优变量组合;以多变量组合判据代替单变量判据建立了决策树模型,利用决策树高度和节点样本数对树的规模进行控制,优化了决策树结构。实例应用表明,该模型对交通事件持续时间的分类和预测能力较强,预测精度较高。     

城市公共交通出行方式选择行为研究

优先发展公共交通系统是解决城市交通问题的有效方法,而优先发展公共交通的关键之一则是合理引导私人交通发展,提高城市公共交通的出行分担率.文中以2009年济南市居民出行调查数据为支撑,从出行行为角度分析城市居民公交出行行为特征.基于非集计模型理论与方法建立公交选择行为模型,分析居民公共交通与私人交通出行方式选择行为的差异,探讨引导小汽车转向公共交通出行的规律.     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

风景区居民出行交通方式选择研究

为改善景区交通拥堵问题,研究景区居民出行行为,在石花洞景区展开居民出行特征问卷调查,分析景区居民出行需求和居民出行交通方式选择影响因素,并利用非集计模型构建景区居民出行交通方式选择预测模型。结果表明,景区居民出行交通方式选择受出行时长影响较大,家中有车居民在日常活动中更愿意驾车出行,男性居民出行更偏向于使用私家车,中青年尤其喜欢自驾出行,且以景区居民出行者的性别、年龄、出行目的、出行时间、私家车拥有量为影响因素的交通方式选择非集计模型预测精度较高,其中步行方式的预测准确率高达95.5%。     

基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

基于事故形态特征的交通安全诊断对策研究

为构建交通安全特征模型,解决一定客观交通条件下驾驶人在某种违法驾驶行为时所产生的事故后果,以事故形态为目标,应用粗糙集理论,量化事故形态的各交通要素影响度,选取累加重要度为85%的交通要素,应用C4.5决策树算法,构建事故诊断决策模型。结合安徽省2008—2013年道路交通事故数据,经建模分析形成事故形态交通安全规则集,选取典型规则并给出了有针对性的对策方案。     

基于贝叶斯网络的高速公路交通事故严重程度预测及致因分析

为了深入研究高速公路交通安全,剖析高速公路交通事故的发生机理以及各类因素对高速公路交通事故严重程度的影响,收集曲靖市境内沪昆高速段2017—2019年的1 939起交通事故进行研究。以事故严重程度为因变量,筛选出人、车、路、环境4个大类下的与事故严重程度相关的19个影响因素为自变量,采用数据融合法基于树增广型贝叶斯网络构建事故严重程度预测模型,量化各因素间的影响关系,经特征筛选找出关键致因,并结合案例进行推理分析。结果表明：影响高速公路交通事故严重程度的关键致因依次为天气情况、视距情况、路面情况等。模型对高速公路事故严重程度预测准确率可达84.27%,高于传统贝叶斯方法,模型有效性验证良好。针对事故主要致因提出改进建议,可为交管部门提供准确事故信息辅助决策,加快事故响应速度,提高事故应急指挥能力。     

基于数据挖掘的道路交通事故成因分析

为减少道路交通事故的发生,基于某市2020年的交通事故数据分析道路交通事故规律及成因,以照明条件、能见度和天气等9个因素为自变量,以无伤害、轻伤、重伤及死亡等4种交通事故严重程度为因变量,采用多元Logistic回归模型和有序多分类Logistic回归模型,分析影响交通事故严重程度的重要因素。对某市2021年第1季度的交通事故数据进行验证,结果表明：多元Logistic回归模型和有序多分类Logistic回归模型对交通事故严重程度的正确预测率分别为75.1%、75.0%。基于数据挖掘的道路交通事故成因分析可为交通管理部门治理交通环境、降低交通事故提供依据。     

航道内实时船舶交通流航行风险主动评估

为主动评估航道内实时交通流航行风险,并对交通事故状态做出预警,利用高斯混合模型和最大期望算法构建了贝叶斯网络。基于长江草鞋峡水道内船舶检测器数据和交通事故数据,学习和训练贝叶斯网络的结构和参数,构建了贝叶斯网络分配器。分别对8组船舶交通流数据建立贝叶斯网络分类模型,结果表明:采用交通事故发生前20~40 min内、且距离事故地点最近的2个船舶检测器的数据构建的模型分类效果最优,正确率为78.13%。最后通过与BP神经网络和K近邻两种估计算法比较,证明了BN模型预测效果更优,是一种较好的实时交通流航行风险评估方法。     

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明：基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s^-1数量级;基于SVM-LSTM神经...     

社交网络交通信息对出行方式选择行为影响模型

为解决社交网络交通信息对出行方式选择行为影响缺少定量描述方法的问题,基于技术接受理论,提出感知有用性、感知易用性、感知风险性等 7个潜变量作为出行者对社交网络交通信息的心理感受变量.结合个人属性变量、出行方案属性变量共同构建融合社交网络交通信息影响的出行方式选择行为混合离散模型,运用重庆市问卷调查数据进行实证分析.结果表明,混合模型优度比提升了 0.171,同时,心理感受变量中感知风险性对选择结果有负向影响,其余变量对选择结果均为正向影响,而感知有用性(0.757)、主观规范(0.646)、感知信任 (0.502)对结果影响最大.     

基于交通冲突模型的信号交叉口渠化岛设置方法

为了优化信号交叉口渠化岛,提出了一种基于交通冲突模型的信号交叉口渠化岛设置方法;提取了昆明市20个信号交叉口交通冲突数据、交通流数据、交通控制方式数据和几何设计数据,采用贝叶斯方法,构建了贝叶斯固定参数交通冲突模型和贝叶斯随机参数交通冲突模型,分析了模型的拟合优度和显著影响因素;基于随机参数交通冲突模型,确定了期望交通冲突数计算公式;绘制了信号交叉口渠化岛设置标准曲线,给出了信号交叉口渠化岛类型选择流程。分析结果表明:随机参数交通冲突模型比固定参数交通冲突模型拟合结果更好;交通量(直行交通量和右转交通量)、渠化岛类型与右转设计要素(右转让行标志和右转半径)变量系数服从正态分布;每增加1%的直行交通量,交通冲突增加0.56%;每增加1%的右转交通量,交通冲突增加0.53%;4种类型渠化岛的设置可以使交通冲突分别降低12.75%、23.37%、16.18%、33.64%;右转让行标志可使交通冲突降低15.03%;右转半径增加1%,直右交通冲突降低1.72%。可见,基于交通冲突模型的渠化岛设置方法是可行的。     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标：横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明：级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。     

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

农村人口出行方式选择模型

基于非集计模型的基本理论与建模方法,根据全国12个省1249份农村人口的出行调研数据,分析了影响农村人口出行方式选择的因素,选择步行、自行车、摩托车、农用车、客车、私家车6种交通方式作为农村人口出行方式选择肢,确定了影响农村人口出行方式选择的变量及相应的取值方法,建立了农村人口出行方式选择模型,并选取400份农村人口出行数据对模型进行了验证。计算结果表明:各种出行方式的计算值与统计值的最大绝对误差是4.0%,说明模型计算精度较高。