基于分类车头时距的城市道路大型车影响分析

为量化大型车对城市道路交通运行的影响，提出基于大量车牌识别(License Plate Recognition, LPR)数据研究路段、交叉口左转、交叉口直行这3类车头时距，分析大型车影响的方 法。首先，将LPR数据按采集位置划分，提出差异化数据预处理流程，得到用于考察不同车道条 件下4类过车组合的车头时距集合；然后，以高斯混合模型(Gaussian Mixed Model, GMM)、对数正 态混合模型及高斯/对数正态混合模型这3类共13个子模型分别对上述所有集合建模，以最大期 望算法求解参数；之后，以Kolmogorov-Smirnov检验排除不满足要求的模型，综合赤池信息准则 与最小描述长度准则对剩余模型择优；最后，基于最优模型参数定量评价大型车对不同类型车道 的影响。以某城市区域多个卡口与电子警察设备采集的大量LPR数据验证方法有效性。结果表 明：路段与交叉口、交叉口各功能车道的车头时距不符合同一分布，宜区分建模；3个密度分支的 GMM拟合各类车头时距集合均有最佳表现，其他模型在不同阶段体现出不适应性；各种车道条 件下，大型车对相关过车组合的车头时距均值及标准差均有不同程度的影响，且该影响按照路 段、交叉口左转、交叉口直行的顺序依次递减。拟合结果可供大型车影响评价借鉴。     

基于行程时间影响的关键路段识别与查找

从路段实际功能出发,提出基于路段与路径行程时间序列的相关性识别关键路段的方法.借鉴蒙特卡洛思想,以真实数据构造10万条随机路径验证该方法的可行性,并识别出对上海市路网行程时间有关键影响的路段集合.以上述集合为参照,利用模糊聚类及迭代累计平方和算法提取路段行程时间序列特征并构造两个新变量,结合基础属性建立二项Logit模型,从而主动查找关键路段.比较该模型与基础模型、随机分类器查找效果表明：基于最大归一化行程时间曲线聚类,其结果对关键路段识别模型的性能有提升效用;行程时间对数差分序列的结构性变点在路网和路段级别均有明显时间聚集特性,虽然其个数与路段关键性无明显关系,但其与常见波动程度指标相关性小,可保留用于描述行程时间波动常发性和聚集性.     

数据驱动的收费站运行参数预测及车道配置

为优化电子不停车收费系统(ETC)推广期间收费站车道配置.依据数据驱动,提出了预测指定日期ETC和人工半自动收费车道(MTC)小时最高流量的方法.结合排队论和驾驶员在收费站选择车道的行为,提出了收费站车道资源配置的优化,并以上海市112个收费站实际数据为例进行验证.研究结果表明:所提出的预测收费站日流量、小时最高流量及ETC流量占比趋势等方法可行,可为收费站车道资源配置提供借鉴.