基于交通流模型的道路权重计算方法研究

提出了一种基于交通流模型的计算道路权重方法。实施定点道路截面雷达试验并采集交通流信息,标定生成交通流速度-密度模型。通过此模型,利用出租车行驶数据库中各条道路车速数据计算各道路车流密度,根据各道路长度和密度推算道路权重。     

基于随机过程的服务区停车位数计算方法

基于交通流理论,以随机过程分析为手段,从车辆和道路使用者对各种服务的需求周期性出发,讨论了不同类型服务高峰小时的成因,从机制上解释了服务区高峰小时停留率的形成模式,得出了服务区停车位数与服务区路网布局之间的定量关系,提供了实际路网的服务区停车位数计算方法,并通过算例与日本规范的计算方法进行比较。结果表明:提出的计算方法体现了服务设施间距等因素对服务区停车位数的影响,对服务区高峰小时停留率以及停车位规模计算方法进行了改进;计算结果与日本规范中的计算结果一致。     

公交线路对双车道交通流的影响分析

采用元胞自动机模型对具有公交线路的双车道混合交通系统进行建模和模拟分析. 通过绘制系统的基本图和右车道上车辆占有率分析了公交线路对双车道车流演化特性以及运行效率的影响,并针对港湾式和非港湾式两种停靠方式的优劣进行比较. 研究结果显示,系统中存在四个车流演化特性不同的密度区域;系统中公交车数量增多会导致最大流量降低;港湾式停靠站的公交线路系统对车流的影响小,系统流量大,优于非港湾式停靠站的公交线路系统.     

基于混沌理论的短时交通流量预测

随着智能交通的发展,实时动态交通分配成为当前研究热门问题。短时交通流预测是实时动态交通分配的关键技术之一,在当今交通控制以及车辆导航中具有不可替代的地位。通过对交通流数据进行分析,得出交通系统具有耗散系统特性,并且存在混沌。在此基础上,运用混沌理论对交通流数据进行相空间重构,并用多元局域预测法对时间序列进行预测。通过分析预测数据,得出基于混沌理论的短时交通流量预测在2～5 min内具有较高的预测精度。     

城市道路路段拥挤交通流特性研究

通过现场调查,从定性和定量两个方面对城市道路路段拥挤交通流特性进行研究,以获得客观评价城市交通拥挤与明确交通拥挤实际状况。实际调查具有典型代表特征的路段,采用摄像观测法进行交通调查与数据采集,在分析造成拥挤成因的基础上,对调查数据进行处理,从地点车速、行程车速、交通量等指标进行分析,并与非拥挤状态交通流进行比较,发现拥挤状态下交通流特性具有显著的差异,而车型在拥挤交通流中也是一个重要的影响因素。     

城市干道交通流速度一流量关系模型研究

为研究适合我国城市干道交通流特点的速度与流量之间的关系,在建立Greenshields模型和Re-Greenshields模型的基础上,结合城市干道交通流为间断流的特点,采用分段建模法建立了G-LN模型。通过拟合判定系数R_(sq)对Greenshields模型和Re-Greenshields模型进行对比,并利用实测数据标准差S对Re-Greenshields模型和G-LN模型进行对比,结果表明:G-LN模型能更好地描述城市干道速度—流量关系。最后分析了模型参数,采用对分区间迭代法计算模型通行能力值。     

基于GA模糊聚类的城市快速路交通流状态划分

采用基于遗传算法的模糊聚类划分城市快速路交通流状态,借助模糊相关度函数分析聚类结果的有效性,以寻找交通流状态的最佳分类数。遗传算法的引入,有效改善了传统模糊聚类对初始化敏感以及容易陷入局部最优解的问题。经上海市城市快速路实测数据验证,此算法对交通流状态的划分具有可行性,且聚类有效性分析能够合理确定交通流状态最佳分类数。上述研究成果可用于城市快速路交通信息发布、服务水平评价以及交通设施的控制与管理。     

短时交通流预测建模因素和建模策略

实时准确可靠的短时交通流预测是智能运输系统的基础。根据短时交通流预测建模的研究现状,探讨了影响短时交通流预测建模的七个方面要素,进而提出了短时交通流预测的"四阶段法"建模策略。对短时交通流预测建模的梳理有助于改进现有模型以及研发新的模型。     

一种短时交通流异常数据识别新算法

为了提高短时交通流预测建模的准确性和可靠性,需要对原始交通流时间序列中的异常数据进行识别和修正。首先分析了异常数据的来源,重点介绍了一种基于统计的双重准则识别算法;其次给出了一个实例分析,在建立短时流量预测模型前,将双重准则识别算法用于交通量时间序列以排查异常数据。实例研究表明,文章提出的双重准则识别算法可快速有效地辨认出交通流异常数据。     

基于粗集和神经网络耦合的短时交通流预测

比较分析神经网络和粗糙集在数据处理过程中的各自优缺点,提出一种基于二者强耦合集成方式的短时交通流预测模型。首先利用粗集对获取的交通流数据进行预处理,简化神经网络训练样本数据集并通过粗集属性约简提取决策规则;其次,利用所提取的规则直接确定神经网络的隐层数、隐层节点数及节点的相互关系;最后训练神经网络用于短时交通流预测。通过与单纯利用神经网络预测的结果进行比较,发现该模型降低了网络训练时间,提高了预测精度。