排序方式: 共有15条查询结果,搜索用时 0 毫秒
11.
城市快速路交通拥挤识别方法 总被引:23,自引:1,他引:22
为了从海量动态交通数据中快速识别路网中存在的交通拥挤,通过分析拥挤的特征模式和各种数据挖掘技术的特点后,设计了一种适用于城市快速路的交通拥挤自动识别方法。该方法将占有率、速度和流量三个基础交通流参数进行组合得到新的特征变量,运用优化的多层前馈神经网络模型对特征变量进行处理来判断是否有拥挤发生,通过分析模型输出结果的变化趋势区分常发性拥挤和偶发性拥挤。模拟数据和实测数据对比结果表明,该方法可以识别城市快速路上发生的交通拥挤,具有良好的实用性。 相似文献
12.
13.
14.
随着社会经济和城市建设的迅速发展,机动车保有量急剧增加,造成交通拥堵问题日益严重,同时也导致了更为严重的交通污染问题。随着机动车尾气排放污染的日益加剧,对其研究也越来越广泛和深入。关于尾气排放的研究大致可以分为2个方面:(1)机动车尾气排放研究,从微观层面、中观层面、宏观层面对其进行研究,包括尾气排放获取数据的方法、机动车行驶周期及尾气排放模型的研究。(2)机动车尾气扩散研究,主要是其扩散模型的研究。此外排放控制策略研究也越来越受到重视,其研究趋势逐步由针对发动机改进等降低单个车辆的排放发展到整个路网的排放量改善的交通控制管理措施。 相似文献
15.
碰撞时间(TTC)是评价车车碰撞风险的有效指标,然而该指标分布规律受到交通状态影响。为研究车车(V2V)通信环境下不同交通状态的TTC分布规律,通过构建基于LTE-V技术的车车通信环境,开展实车实验获取4种典型城市道路中的驾驶数据。考虑加速度和航向角建立动态冲突辨识模型,计算车辆以任意角度接近时的TTC值;针对TTC值的结果出现多峰值现象,将交通流分为“拥堵、缓行、畅通”这3种状态,构建了考虑交通流状态的高斯混合模型以描述不同交通状态下的TTC分布规律,并采用最大期望(EM)算法进行参数求解。将所建高斯混合模型与负指数分布、对数正态分布、负指数/对数正态混合分布这3种传统的TTC分布模型进行对比,采用校正决定系数R2评价模型的拟合优度,并通过K-S检验验证模型的有效性。在此基础上,将所建高斯混合模型应用于非车车通信条件下不同交通状态的TTC分布拟合描述,进一步验证模型的适用性。结果表明:车车通信环境下“拥堵、缓行、畅通”这3种交通状态下的高斯分布均值逐渐增大,所处交通场景的碰撞风险依次降低;考虑交通状态的TTC高斯混合模型拟合优度为0.950 5,相较于其他TTC混合分布模型,拟合优度提升了0.057 5。 相似文献