基于轨迹谱聚类的终端区盛行交通流识别方法

为了改善终端空域扇区和进离场航线对实际空中交通的流量及空间分布的适用性,研究了从大量航空器飞行轨迹中识别主要交通流的方法.在分析飞行轨迹空间特征的基础上,建立了基于3D网格的轨迹间相似性模型.利用谱聚类算法对终端区飞行轨迹样本进行聚类划分,提出了一种基于轨迹聚类核密度估计的盛行交通流和异常轨迹的识别方法,用于从空管雷达记录的飞行轨迹中识别出盛行交通流的实验.实验研究结果表明:该方法将1 476条轨迹划分为5个聚类,识别出5个盛行交通流,且识别结果未受到异常轨迹的影响.      

基于多源轨迹数据的城市交通状态精细划分与识别

针对基于路段的城市交通状态分析方法的不足,本文利用公交车和出租车轨迹数据提出了城市交通状态精细划分和识别方法,实现城市交通状态分析.对两种轨迹点的速度值和空间位置值分别进行归一化处理,以此为属性数据,通过迭代计算轮廓系数确定k 值完成轨迹点聚类,结合二次处理方法对类簇进行拆分和融合以划分道路交通状态;在特征级建立多源数据融合方法,实现交通状态速度值计算;以归一化后的速度值为属性数据,通过聚类将样本分为4类对应4种城市交通流状态层级.实验表明,本文方法能够实现道路交通状态精细划分,能有效地识别出道路局部位置的交通状态,进而可为城市道路交通管理提供决策支持.     

基于BADA及航空器意图的四维航迹预测

为了提高航空器四维轨迹预测的准确性,提出了基于航空器性能数据以及航空器意图的四维航迹预测方法.通过统计分析航空器实际雷达轨迹数据,根据水平轨迹、高度和速度剖面等构建了航空器意图模型.采用航空器意图模型与航空器动力与运动学模型相结合的方法,考虑气象因素,基于性能数据设计了四维航迹预测模型.以国内某机场进场航班ACA025与CES2161为例进行了模拟,将预计到达时刻与实际到达时刻的误差作为评价指标,结果表明:本文提出的算法可以将通过航路点时刻的误差控制在30 s以内.      

动态航迹推测方法

应用大圆航迹和等角航迹原理,融合雷达、电报等动态数据,研究了动态航迹推测算法,以及该算法在航空器飞行轨迹预测、航空器过航路点时间预测和空中交通流量动态统计预测等方面的应用。利用广州机场的实际航班数据,将动态航迹推测算法与经验时间累加法进行了对比研究,发现动态航迹推测算法符合航空器运行规则,其误差在±0 5 min之内,能及时修正航空器的飞行轨迹,反应灵敏。结果表明动态航迹推测方法能更好地预测未来短时期内空域使用情况,是一种为空中交通战术流量管理提供准确数据的有效方法。     

ADS-B历史飞行轨迹数据清洗方法

为有效解决广播式自动相关监视(ADS-B)历史飞行轨迹数据受地面站分布广度、地形阻挡、电磁干扰等影响而出现的各种字段数据异常情况, 建立了ADS-B数据清洗方法, 并将其分为确定清洗对象、字段去重、异常点清理和时间戳修正这4个步骤; 根据已有样本ADS-B历史数据各字段建立了航迹模型并进行有效性分析, 将时间戳、经度、纬度、气压高度和地速等字段定义为特征字段, 并作为清洗对象; 对ADS-B航迹点序列的时间戳、经度和纬度进行去重, 删除数据重复的相邻航迹点; 为提高清洗效率, 使用有噪声的密度聚类(DBSCAN)方法找出特征字段中的离群点, 并进行异常检测与修正; 为使航迹点状态变化符合质点运动学规律, 使用ADS-B航迹点的经度、纬度、气压高度和地速等字段数据修正时间戳, 并存入已扩展的修正后时间戳字段。研究结果表明: 516个样本航班中有97.58%的异常航迹点被有效识别并清理, 清洗后的航迹点状态更具有渐变性特征; 修正前后的总飞行历时存在10~600 s的差异; 时间戳修正效果主要依赖于地速的准确度, 在实际工程中可根据样本航迹的数据特点有选择地使用时间戳修正值; 建立的ADS-B数据清洗方法可为民用航空工程项目中的飞行轨迹分析、评估与计算等方面提供前期数据处理平台。      

基于车牌识别数据的城市路网运行状态识别方法实践

采用城市车牌识别数据进行路网运行状态观测和分析,设计了基于车牌识别数据的交通卡口聚类算法、车辆轨迹还原算法及速度分类树算法,建立了路网运行状态识别模型,结合乌鲁木齐的城市交通路网形态和车辆构成特征,通过与出租车GPS统计数据的对比和融合分析,研究了乌鲁木齐市的交通出行特征、路网运行速度与流量变化规律,以及路网运行与常发拥堵路段的关系,提出了一种利用车牌识别数据进行城市路网运行状态识别的方法。     

基于密度峰值的终端区航迹聚类与异常识别

为有效解决高流量终端区内标准飞行模式、非标准飞行模式和异常飞行模式难以自动分离的问题，采用广泛记录的广播式自动相关监视(ADS-B)数据，构建了基于稳健深度自编码器(RDAE)和快速搜索并寻找密度峰值的聚类(CFSFDP)算法的航迹聚类模型; 使用RDAE降维提取终端区内航迹集的非线性特征，利用多种正则化手段约束内部低维流形，以重建更紧密的航迹并将其作为CFSFDP算法的输入，利用轮廓系数选取不同密度飞行模式的聚类中心，并调节边缘密度参数识别出异常航迹; 选取主成分分析(PCA)结合有噪声的空间密度聚类(DBSCAN)算法、动态时间规整(DTW)结合DBSCAN的2种常用航迹聚类模型作为对比项，分别在广州白云机场1 d的少量数据和45 d的大量数据上进行试验。分析结果表明:DTW与CFSFDP的结合模型在少量数据集上具有最优的航迹聚类性能，轮廓系数比对比项分别提升了62%和28%，且可以自动识别出遵循区域导航标准飞行模式的航班和特定环境下遵循管制偏好的非标准飞行模式的航班，识别异常航迹的精确度也分别提高了57%和10%;大量数据下，提出的RDAE结合CFSFDP模型的聚类性能比经典的PCA结合DBSCAN算法提升了13%，且具备可接受的时间复杂度。由此可见，建立的终端区飞行模式区分模型可为空域级交通流性能评估和航班级航迹预测与优化提供数据提取平台。      

基于模糊聚类的城市快速路交通流状态划分

针对城市快速路交通流状态分类的问题,提出了一种改进的模糊C均值(FCM)算法.结合层次聚类算法和FCM聚类算法,运用层次聚类算法得到最佳聚类数和初始聚类中心,并通过Relief F特征加权对影响交通状态的不同特征指标赋予相应的权值,最终用FCM算法再次聚类得出交通流状态的分类结果.以VISSIM为工具,对该方法进行了模拟.对比分析结果显示,所提出的方法能够提高城市快速路交通流状态分类的效果.     

考虑航段复杂度的机场终端区进场程序设计与评估

机场附近的进近空域通常是限制机场航班量增长的瓶颈。随着进近空域内日益增长的空中交通,管制员与飞行员的通信和工作负荷持续增加,航班延误频发。为了进一步提升机场进近空域容量,先进的技术和方法不断被应用于空中交通管理中。近年来,在世界各主要繁忙机场逐步推广点融合系统（Point Merge System）,旨在通过新的进场程序实现进场航班高效排序和连续下降运行,解决进场交通流汇聚问题并优化排序间隔管理。然而,目前很少关于如何结合机场附近空域结构设计点融合系统的研究。本文以南京禄口国际机场为例,提出了航段复杂度评估方法,评估了当前空域的航段复杂度,识别空域运行瓶颈,选取融合点位于HFE和OF方向进场轨迹的交汇点,交通流开始汇聚整合的定位点作为程序融合点,并以此为基础设计了点融合系统。通过计算机仿真和雷达模拟机仿真,并对其不同运行方式下的航班延误和机场流量进行对比,验证了点融合系统的有效性和先进性。本文的研究为其他机场设计并实施点融合系统可提供参考。     

���ģ��ͨ��Ԥ�ⷽ���о�

随着交通信息化的快速发展,可供分析的交通流数据量越来越大,如何利用大规模交通流数据进行交通预测分析是智能交通的重要研究内容.为解决大规模交通流数据预测问题,本文提出了一种基于分层抽样与k均值聚类相结合的抽样方法,并与基于序贯最小优化方法的支持向量机结合,进行大规模交通流预测.实例分析结果表明,本文提出的聚类方法比现有抽样方法的抽样质量有所提高,基于序贯最小优化方法的支持向量机可有效提高交通流预测的精度.因此,本文提出的方法对于大规模交通流预测是有效的.     

基于传递闭包聚类的多传感器航迹关联算法

在分布式多传感器数据融合系统中.航迹关联是关键技术之一,也是实现航迹融合的前提,航迹关联判定的准确性将直接影响到整个融合系统的性能.文中针对多传感器多目标航迹关联同题,提出了基于传递包模糊聚类的多传感器航迹关联算法.该算法利用基于模糊统计量的传递团包聚类法,选择航迹的位置、速度等信息为聚类指标,对来自多传感器的航迹数据进行聚类.计算航迹相似矩阵,利用平方法求出航迹相似矩阵的传递闭包,并根据该传递闭包确定航迹关联对.仿真试验结果表明,该方法能有效地实现多传感器、多目标航迹关联.     

基于重采样的终端区飞行轨迹可信聚类方法

为了准确掌握终端区空中交通流复杂多变的空间分布特征,有效评估、优化进离场程序,基于重采样技术研究了终端区三维真实飞行轨迹的聚类问题,提出了一种计算速度快、可扩展性强、可信度高的聚类方法.首先,结合重采样和主成分分析方法,将高维轨迹数据在保留飞行特征的前提下映射到低维空间;其次,基于Mean Shift方法建立飞行轨迹聚类分析与异常轨迹提取模型;最后,利用终端区的真实飞行轨迹数据进行实例验证,并分析模型中各个参数对聚类结果的影响.研究结果表明:该方法耗时0.004 s得到累计贡献率为96.16%的主成分,较好地逼近原始飞行轨迹数据;相较于层次聚类法,本文方法得到的飞行轨迹聚类结果具有更高的可信度,能够准确对应机场标准进场航线设置,并将相似度较低的飞行轨迹提取为异常轨迹.     

考虑交通运行条件影响的驾驶员特征聚类

为提升驾驶员特征聚类方法的适用性与可靠性，本文基于机动车运行轨迹分析提出考虑交通运行条件影响的驾驶员特征聚类改进方法。首先，经过对车辆运行轨迹数据的分析发现，不同道路类型和平均速度条件会显著影响驾驶行为的集计特征；其次，提出改进的驾驶员特征聚类方法，第1步设计考虑道路类型与平均速度因素的车辆轨迹的切片和分类方法，从而稳定提取典型交通条件下的驾驶行为特征参数，第2步选用高斯混合模型聚类驾驶员特征。聚类案例表明， 在相同的道路类型和平均速度条件下，驾驶员类型越激进，其速度变异系数、加速度标准差和平均减速度等参数均值越高。不同聚类方法的对比表明，改进方法在驾驶员聚类的类内聚集度和类间分离度方面均表现更好，能有效提升驾驶员聚类的适用性与可靠性。     

AIS与雷达目标航迹相关算法

AIS提供的信息具有精度高，信息量大等优点，可以用于解决VTS中心对船舶进行管理存在的一些问题，也可在很大程度上弥补航海雷达存在的缺陷，就AIS与雷达目标航迹相关，在AIS和雷达航迹的时空校准上提出了中心聚类方法，给出院 从坐标变换到时间校准，数据相关的相关方法，经验证，所提出的算法是切实可行的。     

多变量聚类分析的高速公路交通流状态实时评估

针对交通状态单变量判断传统方法的不足,本文建立了基于多变量聚类分析的高速公路交通流状态实时评估方法.结合实际交通流数据,利用模糊聚类、K均值聚类等算法对速度、流量等向量进行聚类分析,给出适合当前高速公路特点的交通状况划分方法和关键参数.本文方法能够实时、准确、全面地反映交通流的运行情况,为制定高效的交通管理控制方案及合理的出行方案提供数据基础.     

基于模糊聚类的城市快速路交通流状态划分

针对城市快速路交通流状态分类的问题,提出了一种改进的模糊C均值(FCM)算法。结合层次聚类算法和FCM聚类算法,运用层次聚类算法得到最佳聚类数和初始聚类中心,并通过Relief F特征加权对影响交通状态的不同特征指标赋予相应的权值,最终用FCM算法再次聚类得出交通流状态的分类结果。以VISSIM为工具,对该方法进行了模拟。对比分析结果显示,所提出的方法能够提高城市快速路交通流状态分类的效果。     

����ģ������Ŀ���·��ͨ��״������

人们对交通流状况的判断常常是比较模糊的,本文根据实测快速路交通流数 据,利用模糊聚类的方法对交通流状况的分类进行了研究,分别把交通流分成了2类、3类和6类.论文对实验结果进行了分析,并给出了适用于北京快速路交通流状况分类的一些关键参数.分析结果表明:用模糊聚类进行交通流状况分类是一种可行的方法;速度对交通流分类的影响最大,其次是占有率,流量的作用最低;除了在速度很高、速度很低或者占有率很大的情况下可直接判断交通流状况,其他情况下需要根据交通流三个变量来综合判断.     

基于手机传感器数据的交通出行调查实证评估

应用手机传感器与调查问卷, 同步采集了校园内高校学生2周的真实出行轨迹; 考虑了真实出行环境下的手机传感器数据特征, 结合高斯滤波预处理数据, 根据轨迹点的时空聚类特性, 用时空聚类算法识别了出行端点和出行时间, 结合轨迹点速度、加速度特征, 利用支持向量机识别了出行方式; 将手机传感器数据与调查问卷、查核线数据对比, 分析了手机传感器数据出行特征识别的准确程度, 验证了出行特征的提取效果。分析结果表明: 手机传感器与问卷调查识别出行链的成功匹配比例为81.66%, 说明手机传感器数据可有效记录出行轨迹; 时空聚类算法参数中核心点空间半径为26.92 m, 最小样本点为129, 时间约束为129 s时, 出行端点识别准确率为93.02%, 出行时间识别准确率为90.84%, 说明手机传感器识别出行端点和出行时间的效果较好; 当支持向量机设置类型为经典支持向量机, 核函数为径向基函数, 惩罚系数为0.797, 核参数为2.260时, 出行方式识别准确率为89.86%, 即利用手机传感器能够有效识别出行方式。可见, 手机传感器数据识别结果合理, 能为手机传感器数据应用于实际出行调查做支撑。      

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

基于数据驱动的区域交通TOD时段识别方法研究

提出了一种基于数据驱动的T OD时段识别方法,对区域不同路口、不同流向、不同时刻的交通流数据,采用多元相关分析、主成分分析等在空间尺度上识别出路网的关键路口和关键交通流向,采用层次聚类在时间尺度上识别出不同的交通状态和各T OD时段。以9个道路交叉口流量数据为应用实例,获取其中6个不同路口方向为关键交通流,并将不同时刻观测值聚类为5种不同的交通状态,进而识别出1 d的8个 T OD时段,每个时段分别代表干线或区域高、中、低等不同流量时期,表明了该方法的有效性。