北京动态交通信息服务系统建设

1 动态交通信息服务系统关键技术 1)信息采集--浮动车技术 传统的动态交通信息采集手段是利用固定检测器(线圈、微波检测器等)采集道路断面的流量、速度、占有率等数据.浮动车技术是一种新型的动态交通信息采集手段,相对于固定检测器,具有覆盖范围广、建设和维护成本低等特点.     

基于多SVM分类器融合的高速公路异常事件检测方法

提出了一种利用多SVM分类器对高速公路中的复杂交通信息进行有效融合的异常事件检测方法.首先,将初始训练集划分为互不重叠的子集,为每个子集训练分类器.给定一个输入向量,利用分类器求得其所属的类别标签,并计算出该向量对特定簇的隶属度.其次,利用概率方法将多SVM分类器分类结果进行融合,得到最终分类结果.接下来,将“车流量”、“行车速度”、“道路占用率”、“相邻监测站的车流量差值”、“速度差值”以及“道路占用率差值”等交通参数表示为特征向量,分别输入到经过训练的SVM分类器,并将多SVM分类器融合后的分类结果作为判别异常事件的依据.最后,从5个具有代表性的高速公路路段采集到的交通数据构造实验数据集.实验结果表明,对比单一SVM和LS-SVM,文章提出的基于多SVM分类器融合的高速公路异常事件检测方法可以有效提高高速公路异常事件检测的准确性和可靠性,弥补了仅使用单一交通参数进行异常事件检测的不足.     

基于自适应加权平均融合的路段行程时间估计

在固定检测器和浮动车数据的路段行程时间估计基础上,利用两种估计方法数据之间的互补性,应用自适应加权平均融合算法对估计结果进行融合处理,从而实现对路段行程时间更为精确的动态估计.以大连市中心城区为主要研究对象,通过交通调查和VISSIM仿真环境实现对固定检测器和浮动车的数据收集和行程时间估计.结果显示自适应加权平均融合能够有效提高路段行程时间估计精度,且适用于不同流量状态下的路段行程时间估计.     

���ڸ��������ݵij��п���·��ͨ�¼�����㷨�о�

交通事件是引发快速路交通延误的主要因素,迅速、有效的检测事件是快速路交通管理与控制的重要组成部分。本文利用CUSUM理论提出了基于浮动车数据的城市快速路交通事件自动检测算法;通过采集北京市快速路上的真实事件信息以及浮动车探测数据,对不同采样间隔条件下的算法性能进行了实际验证,并与传统的基于浮动车数据的UCB算法验证结果进行了对比分析。结果表明：所提算法在采样间隔为1分钟条件下的检测性能要优于采样间隔为5分钟条件下的检测性能;相对于UCB算法而言,所提算法的检测性能大大提高,在同一误报率条件下检测率可提高10%左右。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

������ϵͳ���ܷ�����Ӧ������о�

作为一种新型、经济的道路信息检测手段，浮动车系统受到广泛关注，并被应用于出行诱导、交通事件检测等领域。本文从浮动车系统的特点出发，分析了交通系统不同部门的各种需求，深入挖掘了浮动车系统在各个部门的应用，并对浮动车系统进行了功能定义和应用系统得模块设计，以北京市的浮动车数据为基础，给出了部分分析结果和界面。     

基于V-支持向量分类机的交通事件检测方法研究

基于支持向量机在解决分类问题的优势，本文提出基于V-支持向量分类机的交通事件检测方法。首先把交通事件是否发生看成是一个特殊的分类问题，选取V-支持向量分类机和核函数，根据以往的交通事件是否发生的检测数据，即分别在发生交通事件和不发生交通事件两种情况下的上下游车道占有率，计算出其当前时段的上下游车道占有率的绝对差、相对差，以及下游前两时段与当前时段车道占有率的相对差，以此作为V-支持向量分类机的输入，对其进行训练，然后输入现阶段检测到的相应车道占有率统计结果，利用训练完成的V-支持向量分类机来判别是否发生交通事件。最后，本文以微观交通模拟的数据验证模型的效果。     

基于浮动车的高速公路交通事件自动判别方法研究

交通事件判别是高速公路事件管理系统的重要组成部分，提高事件判别算法性能可以显著改善事件管理系统的运行效果．文中阐述了国内外交通事件自动判别方法的研究现状，分析了以往基于固定式检测器的事件判别算法之不足，如检测速度较慢、低流量情况下检测效果较差、可移植性不强等．根据交通事件会显著影响车辆运行速度这一特点，提出了一种基于浮动车数据的交通事件自动判别算法．仿真结果表明，算法具有较高的事件判别率（92．5％）、较低的误判率（1．2％）和较短的事件判别时间（1．6min）．     

基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

高速公路固定检测器布设方案分析

为研究高速公路交通事件检测算法及固定检测器布设间距,设计高速公路基本路段的人工神经网络事件检测算法,并研究基本路段检测器布设间距为200～700m时,使用不同情况的事件来检测效果。利用VISSIM4.2软件仿真获得数据,并在MATlab人工神经网络工具箱中计算,验证所设计的事件检测算法的有效性,得出基本路段固定检测器的合理布设间距。     

���ڸ��������ݵ��Ŷӳ��ȼ�ⷽ���о�

排队长度作为评价信号交叉口运行效率的一个重要指标,能有效反映交叉口处的运行状况.传统排队检测模型大多基于线圈检测器,且模型假设过于理想化,本文提出一种面向低采样率浮动车数据、具有良好数据驱动性的信控交叉口在线排队长度检测方法,方法关键在于利用队尾浮动车位置估算最大排队长度.检测过程采用固定时间间隔,主要步骤包括地图匹配、等距划分交叉口进口道并统计停车点数量、判定队尾浮动车的位置、修正得到最大排队长度估计值.实测数据表明,此方法的精度与浮动车比率有直接的关系,在浮动车比率较高的许多主干路交叉口,精度可以达到理想效果,30 m以内的平均绝对误差对高峰期的排队检测依旧具有很大价值.     

基于VISSIM的高速公路交通事件仿真及数据处理

交通事件检测是智能运输系统的重要部分.本文简要归纳了交通事件检测的方法.利用VISSIM的incident模块模拟单向三车道高速公路直线路段因车抛锚引起的拥堵,由检测器记录交通事件发生前后的交通流数据.利用Matlab语言对原始数据进行处理,并提出利用小波技术对交通事件进行检测的新方法.     

CORS在浮动车交通信息采集系统中的应用

针对目前GPS浮动车交通信息采集系统中GPS原始数据因精度产生的问题,在深入分析CORS系统的基础上,提出结合CORS系统,对浮动车采集数据进行实时差分改正的优化方案。CORS与GIS结合对综合信息进行输入,将能大幅度改善数据的准确性,提高数据的利用率,实现数据质量的优化。     

基于Kriging插值的无检测器路段交通数据插补方法

从交通流扩散的特点和人的先验知识出发,提出采用Kriging插值法对路网中无检测器路段进行交通数据插补.基于交通数据空间相关性的特征,对交通数据进行空间建模,从而以空间距离作为度量基准对未知路段交通数据进行估计.利用南昌市浮动车系统中提取的路段行程速度作为试验数据,进行了试验验证.研究结果表明:在城市交通中各个典型时段...     

针对浮动车异常数据的增强型在线异常点检测算法

在智能交通系统(ITS)中,为了从浮动车数据中获取准确动态的交通信息,需要实时识别并剔除异常数据。为了检测异常浮动车数据,本文提出一种独特的增强型在线非监督离群点检测算法(EOSA)。该算法由SS算法和K-means聚类算法组成,其中,SS算法可采用基于离散变量和连续变量的概率模型来计算异常分值,将K-means聚类算法与SS算法相结合可以有效提高检测精度。本文采用了深圳市浮动车数据来验证EOSA算法,试验结果表明,该算法能够成功检测到异常的数据,其中包含车辆停放和停车等待时的异常GPS记录。此外,通过试验比较,本文提出的EOSA算法比现有六种常用算法都具有更高的异常数据检测精度。EOSA算法有望应用于基于浮动车数据的智能交通系统。     

基于GPS定位的浮动车样本数量确定方法研究

基于GPS定位的浮动车交通信息采集的关键问题之一就是如何确定浮动车的样本数量,分析在不同交通参数检测需求下．浮动车样本数量的确定方法,同时在考虑定位精度和通信效率下,给出计算模型,具有重要的应用价值。     

警戒区水上交通冲突数据自动采集系统

基于ECDIS、AIS以及支持向量机,引入交通冲突研究方法,提出船舶定线制警戒区水上交通冲突数据自动采集解决方案.方案利用支持向量机学习训练冲突样本数据,得到判别冲突严重程度SVM分类模型,并将SVM软件包和SVM分类模型嵌入到ECDIS,结合实时AIS数据建立水上交通冲突数据自动采集系统,应用该系统对长江口船舶定线制...     

基于自适应加权平均的路网MFD估测融合方法

路网宏观基本图(Macroscopic Fundamental Diagrams,MFD)的估测方法有基于固定检测器数据估测法和基于浮动车数据估测法,但很少有文献将两者结合起来,鉴于此,本文提出以车联网环境下联网车数据估测的交通参数为检验数据,引入动态误差,建立两个自适应加权平均数据融合模型,对两种估测法所得的路网加权交通流量和路网加权交通密度分别进行数据融合,从而更加准确地估测路网MFD.为验证模型的有效性,以广州天河区核心路网为研究区域,通过Vissim交通仿真建模分析,对比各种估测法所得路网MFD参数的平均绝对相对误差、路网MFD的状态比和差异值.结果表明,经数据融合后的路网MFD参数平均绝对相对误差和路网MFD差异值均最小,最接近标准路网MFD.     

基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度,提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值,进而通过D-S证据理论进行数据融合,整合了BP 神经网络自学习的特点与D-S 证据理论推理的能力。提出了融合方法的框架,给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证,并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明：融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7．90％、20．72％,融合方法能够得到较好的效果。微波检测器失效的情况下,融合精度有所下降,但融合数据的误差仍然小于仅使用浮动车数据的误差,说明融合方法具有一定的鲁棒性。     

高速公路交通事件视频车辆检测技术

交通事件自动检测技术概述 交通事件自动检测(AID)技术可分为"间接检测方法"和"直接检测方法"两大类.绝大多数的AID方法都属于前一种,其原理是根据交通流的变化来间接地判断交通事件的存在.实时交通流参数可用多种手段获得,最普通最常用的做法是通过设置在路上的交通检测器(环型检测器或超声波检测器)动态采集各路段的交通数据,由此推断可能发生的交通事件.交通检测器需要埋设在车道下面,使用过程中可能会损坏,属于有损检测器.由于数据误差及交通情况的复杂性,这类系统事件的检测与鉴别时间较长,误报率高,而且不适合在交通量较低的情况下使用."直接检测方法"是指使用图像处理技术来发现车辆行驶异常的一类方法.这类方法实际上是"看到"发生了交通事件而不是通过交通事件的影响来检测到它的存在.在潜在的意义上看,在检测速度方面远远胜于"间接检测方法",在交通量较低的情况下也能有良好的检测效果.另外,"间接检测方法"一般只能判断有没有事件,而不能对事件的类型进行鉴别,还需要人工对事件进行鉴别;而"直接检测方法"则既能检测事件,又能对事件的类型作出判断,这有利于减少事件的响应时间,减少事件延误.