������Ƶ���ĻƵ��ڼ��ʻԱ��Ϊ�о�

黄灯政策问题已成为道路交通安全领域的研究热点.本文开发了基于视频处理技术的交叉口检测系统,自动采集黄灯期间的交通数据,包括黄灯启亮时车辆到停止线距离、速度、加速度和黄灯结束后车辆的通过情况,建立黄灯期间的驾驶员“停车/行进”决策行为模型和“抢黄灯”行为结果模型.利用北京市“闹市口大街—宣武门西大街”和“中关村东路—成府路”的视频数据对模型进行检验,两个模型的预测结果与实际观测误差分别为8.6%和2.5%.实验结果表明,视频检测技术和驾驶员行为模型能够应用于交叉口的控制管理,本文提出的模型与方法可为相应交通管理措施的制定和实施提供技术支持和理论依据.     

绿灯倒计时影响下机动车微观驾驶行为分析与决策建模

机动车在交叉口信号相位切换期间的驾驶行为对于城市道路交通安全至为重要,本文对绿灯倒计时影响下的机动车微观驾驶行为与“通过/停止”决策进行研究.首先,利用驾驶模拟器进行1组单盲实验来提取车辆的接近速度、反应时间、减速度等参数.其次,详细地刻画了车辆进入交叉口范围至行驶至停止线全过程的微观驾驶行为.再次,综合交通因素及驾驶员个体特征等解释变量,建立了随机效应Logistic模型以描述车辆的“通过/停止”决策行为.结果表明：车辆进入交叉口范围后会“先减速,再加速,再减速”,加速通常出现在距停止线30~ 40 m的范围内,且绿灯倒计时与黄灯启亮前期对驾驶员具有催促作用;速度、距离、年龄、性别对车辆的“通过/停止”决策行为具有显著影响;随机效应Logistic模型比Logistic模型更能表征其他未纳入模型的因素及反映不同交叉口与驾驶员的异质性.     

考虑车辆价值的倒计时信号交叉口 驾驶员驾驶行为建模

为了发现车辆价值是否对驾驶员在倒计时信号交叉口的驾驶行为产生影响, 以激进型驾驶行为、普通型驾驶行为和保守型驾驶行为为典型的驾驶行为,运用交叉口 录像获取数据方法,采集了车辆经过典型倒计时信号交叉口时的车辆价值、车速、倒计时 剩余时间、所在车道等具体数据,并对3 种驾驶行为进行了判定,建立了分时段的倒计时 信号交叉口驾驶行为Logistic 模型.结果表明,在红灯倒计时显示的3~0 s 时间段内,与保 守型驾驶行为相比,激进型驾驶行为与车辆价值、车速、所在车道有关系,普通型驾驶行 为仅与车辆价值、车速有关系;在绿灯倒计时显示时间为3~0 s 与n ~3 s 的时间段内,激进 型驾驶行为与普通型驾驶行为与车辆价值、车速有关系.结果说明,驾驶员所驾驶的车辆 价值对驾驶员在倒计时信号交叉口的驾驶行为产生影响.     

基于行人影响的信号交叉口右转车辆跟驰模型

为探究在不同场景下行人对信号交叉口右转车辆跟驰行为的影响,采用无人机采集信号交叉口视频录像,通过视频分析技术提取信号交叉口右转车辆跟驰数据,提出考虑行人过街平均流率影响的右转车辆优化速度函数,构建不同场景下基于行人影响的信号交叉口右转车辆跟驰模型,并对模型进行参数标定和仿真验证.结果表明,保守驾驶员为避免人车冲突会先减速后停车,等待20 s可放行约27人;激进的驾驶员选择在过街行人间隙强行穿越人行横道,穿行前平均速度由13.8 m/s降至8.3 m/s,穿越完成后加速离开,速度波动较小,符合实际情形.     

黄灯期间首停车及末行车行驶参数分析

黄灯期间首停车及末行车行驶参数直接决定着两难区范围,但相关文献十分稀少。为此,本文选择有无倒计时信号交叉口为视频观测点,采集黄灯期间首停车及末行车行驶参数(包括黄灯启亮时至停车线距离、速度、感知反应时间、减速度、进入时间、加速度),比较分析有无倒计时条件下上述行驶参数的描述统计值和拟合分布。结果表明,倒计时对首停车黄灯启亮时速度及感知反应时间和末行车黄灯启亮时至停车线距离及进入时间有显著影响;有无倒计时条件下黄灯期间首停车及末行车行驶参数的最佳拟合分布各异,这为两难区边界确定和黄灯期间车辆行驶行为模拟提供理论依据。     

北京市信号交叉口行人过街忍耐时间研究

为了保障信号交叉口机动车的通行效率,多数行人过街环境遭到破坏,“中国 式过马路”应运而生.通过对北京市信号交叉口行人过街忍耐时间的研究,在保障行人过 街安全的情况下对提高交叉口运行效率,推进“公平优先,保障效率”战略的实施,促进城 市交通系统高效运转具有重要的意义.本文结合当前北京市交通的特点,以红灯期间到达 信号交叉口人行横道等待区处违章过街的行人为研究对象,运用视频调查和人工调查相 结合的方法,采集了9 554 个行人过街忍耐时间样本.建立了信号交叉口行人过街忍耐时 间的韦布尔参数分布模型.结果表明,信号交叉口行人过街忍耐时间与环境因素、行人特 性、出行时间、交通状况,以及道路环境等影响因素有关.     

倒计时信号对信号交叉口交通特性的影响

从运行效率和交通安全方面,对信号交叉口换相提示的影响进行研究。基于视频数据,提取不同换相提示方式下驾驶人启动反应时间、车头时距、黄灯期间交织区车辆滞留率等参数,运用SPSS中的T检验方法获取运行参数,基于倒计时信号对交叉口交通特性的影响进行显著性分析,验证倒计时信号的有效性。研究结果表明:倒计时信号换相提示装置能显著降低驾驶人的启动反应时间,使车队达到饱和车头时距的时间提前,提高交叉口的运行效率,但增加了黄灯期间交织区车辆滞留率,对交叉口交通安全可能具有一定潜在的负面影响。     

交叉口绿灯倒计时信号对黄灯时长的影响研究

在分析绿灯倒计时信号对驾驶员驾驶行为的影响以及最佳黄灯时间计算方法的基础上,建立车辆在绿灯末期运动过程的数学模型,确定考虑绿灯倒计时信号的最佳黄灯时间计算方法。计算分析结果表明：车辆加速性能对最佳黄灯时间的影响可以忽略;考虑绿灯倒计时信号的情况下,信号灯的可见距离越长,所需的黄灯时间越长;在信号灯可见距离足够远的情况下,最佳黄灯时长比未考虑绿灯倒计时信号多0.6～0.7 s。建议对于信号灯可见距离较远、流量未饱和,且未安装交通违法检测装置的交叉口,黄灯时间延长一个闪烁周期,并去除黄灯倒计时信号。     

考虑车流异质性的信号交叉口疏解车辆跟驰模型

为客观地描述绿灯期间交叉口进口道异质疏解车流的跟驰行为,基于实测数据验证全速差模型发现,其加速度、速度、车间距的仿真结果存在较大误差. 考虑不同车型车辆性能和驾驶员驾驶行为差异,基于4 种跟驰情景,即小客车跟驰小客车(car-car),小客车跟驰公交车(car-bus),公交车跟驰小客车(bus-car),公交车跟驰公交车(bus-bus),建立考虑车流异质性的车辆跟驰模型. 结果表明,改进模型的性能提升明显,较全速差模型,速度和跟驰间距的均方根百分比误差(RMSPE)分别下降了15.29%,22.32%,更符合交叉口进口道异质疏解车流的跟驰行为.     

�����ź����ȵķ������۷�����ͳ����֤

公交信号优先系统在投入使用以前要经过严格的测试分析。交通仿真虽然在这方面是一个很好的工具,但它往往需要大量的路网输入,数据采集以及模型校准等工作。而且,交通仿真模型的开发都是根据不同的项目“量身定做”,项目完成即被丢弃,很难再重复使用到其它项目上去。本文探讨用交叉口容量分析的方法来评价公交信号优先对公交车以及其它车辆的影响。就目前最常用的两种公交信号优先方法,即“绿信号先导”和“绿信号延长”展开分析,用大家熟知的韦伯思特的图形方法来诠释这两种方法对公交车辆和其它车辆交叉口延迟的影响.采用交通仿真对分析结果进行的统计验证表明,用分析方法得到的结论是可靠的。     

城市交通控制中的数据采集研究综述

过去几十年来,城市交通控制技术为适应不断增长的交通需求和日益复杂的管理目标有了长足发展. 作为城市交通控制策略制定和控制算法设计的基础,交通数据决定了城市交通控制的适用性、可靠性和先进性. 数据采集技术的发展为城市交通控制能力的提升带来了机遇和挑战. 本文回顾交通控制系统中数据采集与参数估计的基本方法,分析评述检测数据方法从固定式无标识数据、移动式检测数据到固定式有标识数据的演变,指出它们给交通参数估计带来的变革. 结合20 世纪末出现的移动式检测技术,分析评述了对应的两种交通参数估计方法,即基于概率论的方法和基于交通流激波理论的方法给交通控制带来的影响. 针对近年来出现的固定式有标识检测数据,分析其对城市交通需求估计及交通控制策略参数估计研究带来的新任务. 最后,分析指出我国未来交通控制研究的三个方向：一是城市交通控制系统的信息范围已扩展到区域和路网层级,二是交通参数估计研究的重点随着数据采集方式的演变已转向提高参数估计的实时性与精度等领域,三是交通参数研究理论与实践存在差异,如何结合我国城市交通系统运行中检测环境差异导致数据误差率的变化,交通流到达规律的变化,道路上不同种类交通流间的交叉干扰等实际应用因素,使方法与模型能有效地指导我国复杂的交通控制实践是重要方向.     

高清视频检测和识别技术研究及其在城市交通中的应用

在智能交通的城市公安交通之中,对车辆检测、车辆行为分析和跟踪、车牌识别和交通事件检测都提出了更加明确的需求,利用计算机视觉分析等先进的信息技术实现高效、安全的智能交通已成为交通治安治理的主要发展方向之一。     

高速公路交通事件自动检测系统与算法设计

据估计发达国家高速公路中60％～70％的延误是由交通事件引起的,而交通事件的早期检测与及早分流可以使由其引起的延误大幅度降低。自20世纪60年代开始的交通事件自动检测(AID)系统的目标一直是协助交通管理部门处理交通事件。尽管已开发并投入使用了多个AID系统,但是居高不下的误警率(FAR)和令人失望的检测效果,让一些交通管理者不得不放弃它的使用。为了提高AID系统的可靠性和实用性,提出了一种具有三级报警制度的高速公路交通事件自动检测系统框架,并以人工神经网络技术为依托,设计了基于单个检测设施的AID算法。模拟计算表明,基于单个路段交通流参数标定的模型可以应用于其它路段交通事件的检测。在检测率(DR)、误警率(FAR)和平均检测时间(MTTD)方面都优于目标方法,而且由于每个检测器站只需安装一个检测器,也降低了高速公路事件管理系统的建设成本。     

����ռ���ʵĽ�ͨ������ģ���о�

直接采用占有率信息而不是密度信息更有利于交通管理的实际应用．根据三种经典的基于密度的交通流参数模型，分别推导了三种占有率速度模型和占有率流量模型．考虑参数的约束条件可使交通流模型更具有实际物理意义，给出了各基于占有率的交通流模型的参数的约束条件，并对模型的目标函数、评价指标和优化方法做了详细的探讨．实测数据的优化结果表明本文所提出的模型、约束条件和优化方法是有效的．     

混合交通流视频检测中区域选择更新混合高斯背景模型研究

混合交通是我国交通的主要特征，利用视频检测技术可以获取混合交通流参数，实现混合交通的有效管制，由于检测过程中天气、光线等环境变化，实时有效的自适应背景提取模型尤其重要。本文在混合高斯模型的基础上，根据运动分割与Kalman运动跟踪，结合象素的时间与空间特性，提出区域选择更新混合高斯模型来抽取背景，克服了交通控制信号或交通阻塞等造成的长时间停车，以及高峰期大量运动物体长期充满当前图像等情况对背景抽取造成的影响，该模型通过对交叉口和路段视频进行背景提取，实验效果良好，证明了本方法具有较强的鲁椿性和自适应性。     

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。      

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测. 首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模 型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传 算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器 数据对3 种融合模型进行了验证,对比工作日及非工作日2 种交通流状态下3 种模型的性 能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2 种模型,预测精度及稳 定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.     

�����е��͵�·��ͨ����״̬������Ԥ���о�

对城市的道路交通运行状况进行全面分析评估并实时监控、预测,可以有效地消除交通隐患,增强城市交通管理部门对城市交通的管控能力.本文基于北京市典型道路交通流特性分析及已有的道路交通流预测模型,提出道路交通运行状态组合预测模型,确定了非参数回归模型作为预测模型的核心,组合使用傅立叶历史估算模型、非参数自回归模型和非参数邻域回归模型对北京市典型道路的交通运行状态进行预测.针对北京市道路交通流信息采集系统实际情况及未来预测信息图形化发布的需要,提出了道路交通流预测系统的异构数据融合方法及道路编码模型及方法.     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。