交通事件持续时间预测方法综述

对交通事件持续时间的预测方法进行综述。分析了交通事件对交通拥堵的影响,解释了交通事件持续时间的含义。交通事件持续时间预测方法主要包括：基于统计分析的模型,如概率分布、条件概率、回归分析、时间序列,其次包括不需要知道其分布特点的决策树模型、非参数回归模型,模糊逻辑模型。分析了各种方法的优缺点和适用性,并指出交通事件数据的质量影响了模型的准确性和精度。大量的研究发现事件持续时间的分布近似于正态分布,并向左侧偏斜。最后,提出今后交通事件数据库的建立和交通事件的科学分类可从根本上提高基于统计学模型的精度。     

交通事件持续时间预测的贝叶斯网络模型

交通事件是引发道路交通拥堵的主要因素之一,通过实时交通诱导等手段可以降低其对交通运行造成的影响,而及时准确地预测事件持续时间则是实现有效管控的前提条件。基于MIT打分函数,融合自上而下的网络生长规则,引入蚁群算法寻找最优网络结构,即以S-ACOB算法为核心搭建最优贝叶斯网络模型。增加了节点随机选择机制及局部结构概率选择模式,降低局部最优结果生成概率,确保贝叶斯网络的健壮性。通过实例验证及对比分析,针对观测节点属性完备和缺失的情况,网络模型预测精度分别为76.97%和93.23%,平均预测精度可达87.82%,证明该模型可以有效地预测交通事件持续时间。     

基于决策树的高速公路事件持续时间预测

利用决策树方法对高速公路事件持续时间预测问题进行研究。首先在借鉴各国研究经验的基础上，根据所研究事件数据集中的事件持续时间数据的分布特征确定构造基于决策树的预测方法；然后用整理得到的660组事件数据，通过对各类事件的显著性分析，建立高速公路事件持续时间预测决策树，并用同一数据集中未用于决策树构造的170组数据对决策树的预测效果进行检验。检验结果表明：所开发决策树的预测值与实际值的相关系数为0．8423，预测结果基本能够反映真实的事件持续时间情况。     

基于多元回归分析的事件持续时间预测

事件持续时间预测是实现先进的事件管理系统的一个重要基础。本文通过多元回归分析法对高速公路事件持续时间预测问题进行研究。首先通过方差分析(ANOVA)确定对事件持续时间具有显著影响的因素。在此基础上,通过逐步回归分析确定用于高速公路事件持续时间预测的最佳变量组合并建立多元线性回归模型。经检验,预测值与实际值的相关系数为0.8573,预测结果基本能够反映真实的事件持续时间情况。     

基于偏差分析的交通事件自动检测算法

高速公路事件检测是交通管理与控制中十分重要的环节。将交通流动态预测与事件检测相结合,探讨了基于偏差分析的事件识别方法。该方法对3个主要的交通流参数,交通量、地点车速和时间占有率进行动态预测,对预测值与实际值的偏差进行统计分析,明确了事件检测的具体步骤和事件发生概率的计算模型。该方法不受检测路段具体位置和时间的限制,具有较高的检测率和较小的误报率,有助于管理人员制定决策。     

交通事件持续时间影响因素分析及其回归模型

交通事件的快速处置对于交通事故的快速救援、交通拥堵的及时疏导、交通安全隐患的有效排除具有重要意义。文中就某高速公路交通事件管理系统中记录的近3年的交通事件信息进行数据统计处理;采用方差分析的方法,分析高速公路交通事件持续时间的影响因素及其作用;采用多元逐步回归建模的方法找出主要影响因素并进行多元回归预测。经样本检验,此回归模型能够很好地预测交通事件持续时间。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

高速公路清障持续时间预测分析

高速公路清障是高速公路管理部门对社会服务的重点内容之一。文中采用概率分布分析及逐步回归分析法对高速公路清障持续时间预测问题进行了研究。通过概率分布分析,否定了清障持续时间一般服从的3种分布模型。在此基础上用方差分析找出对事件持续时间具有显著的影响因素,并用逐步回归法确定了高速公路清障持续时间预测的多元线性回归模型。经检验,预测值与实际值的误差80%在30 min以内,预测结果基本能够反应真实的情况。     

基于Logit模型的城市道路交通事件检测仿真

以Logit模型为基础,利用效用函数与概率的概念,建立分时段的城市道路交通事件检测算法。由PARAMICS软件产生模拟交通流数据,将数据输入LIMDEP软件并标定效用函数的系数,同时还输出最大概率预测表。仿真试验结果表明:(1)基于Logit模型的检测算法不仅能够用于城市道路的事件检测,还可判断事件发生所在的车道。(2)在路段长度、车道数、流量相等的模拟条件下,交叉口信号超过仿真所设定的1 min时段长度时,检测效果降低。若将模型时段长度由1 min提高至超过最大信号周期,即可解决检测效果降低的问题。     

基于随机森林的城市快速路交通事件持续时间估计

针对城市快速路交通事件持续时间影响因素的复杂性,为合理估计交通事件造成的影响提供依据,提出基于随机森林的快速路持续时间估计模型。利用上海市快速路监控中心获得的样本数据,经过数据预处理后,分析交通事件持续时间的分布特征。通过袋外数据估计得到模型最小误差;同时自动判定各属性的重要程度,即事件持续时间的显著影响因素。建立交通事件持续时间估计模型,最后对模型进行验证,模型估计精度总体达到要求,估计平均误差为6min,在持续时间7~30min内精度较高,优于仅基于决策树的方法,且鲁棒性更强。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30．7463％,分类回归树的误差平均值为29．5197％,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

城市快速路交通事故持续时间预测

有效的交通事件管理系统需要对交通事故持续时间进行准确的预测。基于北京市122事故报警系统的65 000组数据,分别运用多元回归和分类回归树的方法对北京市快速路上的交通事故持续时间进行了建模,并运用另外的8 000组数据对预测模型的精度进行了检验,回归模型的误差平均值为30.746 3%,分类回归树的误差平均值为29.519 7%,误差分析结果表明,多元回归模型和分类回归树模型的结果都比较令人满意;分类回归树并不能显著的提高模型预测的精度。     

快速路上交通事件所致延迟的实时预测

利用上、下游监测断面同步采集的交通量信息,提出用于实时预测快速路上交通事件所致延迟的改进队列法。首先基于上游监测断面采集的交通量信息,利用K近邻法对到达曲线进行预测,并利用多元回归方法估计交通事件的持续时间;然后将下游监测断面采集的交通量信息和路段的最大通行能力相结合对离开曲线进行拟合,参照确定性队列法计算交通延迟。算例表明,该方法具有较好的预测精度,且计算方便、实用性强、能实时调节。     

高速公路危化品事件处置持续时间预测模型

为准确预估危化品事件影响的时间、支撑高速公路危化品运输应急处置,基于危化品运输事故历史数据,构建高速公路危化品事件处置持续时间的预测模型.首先在事故特征分析的基础上,初步选取影响因子;利用Spearman秩相关系数对各因子进行相关性检验,确定危化品特性、危化品泄漏量及所需要驳货车的数量作为模型的输入变量;基于TSK型模糊推理系统,采用ANFIS方法建模;最后采用实例对模型进行验证并作误差分析.结果表明,模型预测结果与实测值吻合良好,且输入参数数目控制在合理范围内,能够为危化品事件救援提供必要的参考.      

基于因子分析和最小最大概率机的交通事件检测算法

为了进一步提高交通事件检测的精度与效率,在多角度构建事件检测初始交通变量的基础上,设计了1种基于因子分析和最小最大概率机的交通事件检测算法。通过分析交通事件上下游交通流参数的变化规律,构建了11种初始交通事件检测变量,利用因子分析方法对初始交通变量进行特征提取,实现初始交通变量的有效降维,并分别采用核函数最小最大概率机算法和线性最小最大概率机算法进行交通事件检测。最后,采用美国I‐880数据库的实测数据进行实验验证和对比分析,实验结果表明,FA‐M PM算法较M PM算法事件检测率提高3.5%,误报率降低0.17%,平均检测事件减少了27.5s,且最小最大概率机算法的交通事件检测效果明显优于支持向量机算法和BP神经网络算法。      

文本数据驱动下的高速公路事故持续时间预测模型

事故持续时间的预测是高速公路应急管理的基础,及时准确的事故持续时间预测可为道路疏导和组织救援提供可靠依据.针对道路交通事故信息及其异质性主要以自由流文本存在的问题,研究了基于文本数据的高速公路事故持续时间预测方法,可应用于以自然语言形式存在的任何信息文本.并在此基础上,构建V-Fisher有序聚类模型,结合多种文本分类算法,开展模型结果的对比分析.结果表明,与一般回归算法相比,V-Fisher有序聚类模型可更好的实现对事故持续时间的预测,且通过集成学习(SVR+LR)建立的分类模型准确率达到0.82,取得良好的预测效果.      

故障树分析法在汽车制动系可靠性试验中的应用

文章阐述了故障树分析法（FTA）在汽车制动系统可靠性试验中的应用。采用演绎法建立以制动系功能失常为顶事件的故障树,进行定性和定量分析,运用故障树综合分析的计算机应用程序,找出系统失效的关键因素。准确地给出了制动系的累积失效概率及事件概率重要度等可靠性指标。在故障诊断中具有指导意义和使用价值,为汽车制动系可靠性设计工作奠定了基础。     

基于贝叶斯网络模型的交通状态预测

城市的交通状态是可以预测的.有效的交通状态预测能从很大程度上优化交通状态,减少交通阻塞.贝叶斯网络(Bayesian Networks,BN)是目前不确定知识和推理领域最有效的理论模型之一.文中提出了一种基于贝叶斯网络模型理论的交通状态预测方法,在综合考虑交通阻塞成因的基础上构建网络模型.在已有的交通状态数据的基础上提出基于贝叶斯法则的学习算法,并通过计算变量间的条件概率来计算交通阻塞发生的可能性,达到预测的目的.     

基于物联网的公路交通运行状态评估与预测

交通事故与交通运行异常状态在公路上经常发生,对上游路段和相邻国省道带来严重的影响。通常,针对此类情况提前制定具有针对性的预案难度很大。如何在复杂路网环境下快速监测异常交通运行状态的发生并预测交通事件的影响范围,成为公路应急处置管理的基础。提出基于物联网技术对交通运行状态信息、气象条件、路面状况以及结构物状态的广泛感知,用于实时、快速监测公路异常事件的发生并预测复杂路网环境下交通事件发生后未来短时的交通拥堵发展态势的预测方法。该方法充分考虑了交通流、气象、路面条件以及结构物状态对交通事件下公路通行状态的影响。基于该方法,开发了公路网交通运行状态预测系统,通过实际数据的测试,该预测方法具有良好的监测与预测能力。因此,本文提出的技术可以很好地为公路应急处置提供快速、科学的决策支持,为公路运营管理提供服务。     

数据和知识双驱动下的土压平衡盾构结泥饼事件预警模型

针对施工中结泥饼事件成因机制复杂、预判难度大的问题，从数据建模和知识推理2种角度综合判断盾构结泥饼事件概率。从数据建模角度，采用无阈值递归图转换和极限学习机自编码器技术建立基于施工多维时序数据的结泥饼异常诊断子模型；从知识推理角度，提取土压平衡盾构结泥饼事件规则，形成事件诊断知识库，建立基于历史施工经验的结泥饼事件诊断子模型。基于2个子模型输出结果，采用综合概率法，建立数据和知识双驱动的结泥饼事件预警模型。实际工程应用表明： 数据和知识双驱动的预警模型能够有效预测结泥饼事件，且预警效果优于单一形式的子模型，较子模型的误报率更低，预警时间早于人工发现的结泥饼事件，为工程安全提供了技术保障。