基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

基于混合机器学习框架的网约车订单需求预测与异常点识别

城市网约车订单需求体现了居民出行活力,同时表征了出行规律和内在特征。如何从复杂动态的时变数据中准确地识别异常点并进行调度优化,是优化网约车平台运力的关键环节。建立了网约车订单需求数据的时间序列图,并分析了订单需求的动态特性,提出1种基于混合机器学习框架的网约车订单需求预测模型（ARIMA-BPNN-DSR, ABD）。混合模型由差分整合移动平均自回归模型（auto regressive integrated moving average model,ARIMA）和反向传播神经网络（back propagation neural network,BPNN）通过动态选择回归算法（dynamic selection of regression,DSR）融合而成。混合模型汲取了统计方法的鲁棒性和机器学习方法的高效性,并考虑各个独立基线模型在数据局部空间上的性能表现。以2019年和2020年（疫情影响下）厦门市滴滴网约车平台订单数据作为试验基准并进行对比分析,结果表明：(1)与多个基线模型相比,ABD模型实现了最优的预测性能,同时在面向疫情外部因素影响下同样表现出优异的性能;(2)消融实验表明,...     

基于ADASYN-XGBoost的交通事故自动检测方法

基于数据驱动的交通事故自动检测对道路事故的及时救援与降低事故影响具有重要作用。为解决道路交通事故自动检测中的样本不均衡问题,研究了混合自适应过采样技术与极限梯度提升树算法的交通事故自动检测方法（ADASYN-XGBoost）。其中,为从不均衡的交通事故样本中有效挖掘数据的时空特征与事故发生之间的内在关联规律,构建了初始特征变量组合,引入自适应合成过采样方法（adaptive synthetic oversampling method,ADASYN）来平衡事故类与非事故类的样本数量,以增强训练数据的质量;其次,为提高检测效果,构建了基于XGBoost的交通事故检测模型,利用该模型对增强后的数据样本进行特征筛选;最后,为获取最佳参数组合,采用了贝叶斯优化算法对XGBoost进行参数的快速标定。本文使用波特兰高速公路数据集对ADASYN-XGBoost方法进行模型验证与实证研究。结果表明：与先进的基准模型相比,ADASYN-XGBoost的各项检测指标均最优,其F1分数达到94.47%且误检率低至8.95%。在模型训练样本数为2800,500(18%的初始样本量),150(5%的初始样本量)...     

面向航班高峰期的机场地勤车辆多阶段优化调度方法

在航班运行高峰时段内,地面服务需求更加集中,机场可调度的地勤车辆数量有限,可能引发航班延误,导致机场多方面损失。针对该问题,研究了地勤车辆多阶段优化调度方法,重点考虑摆渡车和加油车2种地勤保障车路由与时间窗口限制,以航班准点率及延误时间为评价指标进行优化调度。构建了具有4类节点和5类弧的容量-费用网络G1,通过设置合适弧容量及费用参数,确定最小费用流规划模型;采用拉格朗日松弛启发式算法对模型求解,通过不断寻优,设置对偶间隙初值、容许误差,最大迭代次数,输出预测结果;深入分析高峰时段的航班运行状态,构建基于时空网络的整数线性规划模型,优化第一阶段未服务航班的总延误时间;结合最小化最大值定理,构建单航班服务延误模型,将单个航班延误造成的损失降到最低。最后,基于实际航班数据,结合机坪平面布局开展仿真实验和验证,结果表明：利用优化调度得到加油车和摆渡车准时服务的最大航班数分别为30,131架·次,待服务航班的最小总延误时间分别为223,542 min,航班总延误下降21.56%,显著缩短航班延误时间,提升了机场场面的整体运行效率。     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

基于路侧多机视频目标关联与轨迹拼接的车辆连续轨迹构建方法

针对单个相机覆盖区域有限的问题,本文提出了通过路侧多个相机获取车辆连续轨迹数据的方法。在路侧端布置多台固定相机采集视频数据,采用直接线性变换算法解决相机外参造成的画面畸变问题;通过全时域抽帧提取图片训练样本,采用YOLOv5训练车辆检测模型;针对偶发的车辆漏检情形,通过完整性检查可以筛查出此类情况并修复;针对连续多帧漏检或误检导致的目标关联问题,通过异常轨迹核查算法及数据修复工具解决;针对相机斜下方区域的车辆轮廓变形问题,采用车辆检测轮廓修复算法解决车辆在不同路段检测框大小不一的问题;提出了基于车辆质心坐标匹配的方法实现相邻机位间的车辆轨迹拼接。基于上述多机视频目标关联与轨迹拼接方法,在多机位时间同步下构建了覆盖武汉珞狮路高架桥的车辆连续轨迹数据集,轨迹数据集验证结果表明：数据集涵盖从畅通到拥堵的各种交通状态,包含多段分合流区域,数据集连续时长达到3.5 h,覆盖区域1.41 km;车辆检测模型的召回率达到93.23%,准确率达到98.51%,F1分数为95.80%;数据集包含主路及各处匝道汇入的轨迹共25 734条,其中覆盖道路全域的完整长轨迹15 004条。本研究丰富了路侧多机视频...     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型...     

面向多类型交通冲突的道路条件及交通状况影响评估

交通冲突为交通事故发生前的潜在状态。探究静态路段属性和动态交通流特性等宏观特征对于交通冲突的影响至关重要,但现有研究主要关注2辆车之间的危险状态,对于涉及多个交通主体的冲突缺乏重视。为有效提取包括单一冲突和连锁冲突在内的多类型交通冲突,基于无人机采集的车辆轨迹数据首先识别车辆对之间的单一冲突,另通过关联匹配辨识连锁冲突,并基于聚类将连锁冲突划分为纵向风险下降模式、纵向风险增加模式和横纵向高风险持续模式。构建巢式Logit模型探究宏观交通属性及路段条件对多类型单一冲突和连锁冲突的影响,结果表明合流区和基本路段为单一冲突的高发区域,而分流区和交织区为连锁冲突高发区域,尤其会导致横纵向高风险持续模式的发生,但车道数的增加有助于减少严重连锁冲突的发生。此外,主线交通密度增大,连锁冲突发生概率增加;匝道与主线的流量比增大时,连锁冲突更易发生,其中纵向风险增加模式对交通流量最为敏感。将各类型冲突发生的交通流条件与宏观基本图结合分析,表明各类型交通冲突的发生次数存在峰值,且路段上交通冲突发生最多的临界密度要高于同一路段宏观基本图的临界密度。研究结论有助于理解多车连锁冲突发生的宏观原因,有效阻断其演化...     

《国家综合立体交通网规划纲要》释放了哪些绿色信号?

2月底,中共中央、国务院印发了《国家综合立体交通网规划纲要》(以下简称《规划纲要》),提出了全面贯彻绿色发展理念的目标任务. 《规划纲要》以"便捷顺畅、经济高效、绿色集约、智能先进、安全可靠"为发展目标,将"加快推进绿色低碳发展,交通领域二氧化碳排放尽早达峰,降低污染物及温室气体排放强度,注重生态环境保护修复,促进交通...     

基于终点需求可变的市域旅游客流运输均衡分配模型

以旅游者到达目的地城市后的运输优化问题为研究对象,为减少旅游景点游客量和市域客运网运输量失衡的现象,提出了一种基于旅游终点需求可变的运输均衡分配模型。首先,基于旅游者的完整出行过程分析,构建了目的地城市内部旅游客流的交通运输网络;其次,基于市域内旅游出行起点需求固定但终点需求可变的旅游客流出行特征给出了旅游客流出行分布函数形式,建立了基于终点需求可变的市域旅游客流运输分配模型,通过其一阶最优化条件证明了在均衡状态下,旅游客运分布量能满足Logit形式的出行分布函数和出行发生量约束,旅游客流运输分配量能满足用户均衡条件;最后,基于凸组合法的思想设计了模型的求解算法,并在简化的黄山市旅游客流运输网络分配实例中验证了模型与算法的可行性。研究结果表明：旅游终点吸引度的变化和运输线路广义费用阻抗的变化可以同时影响旅游出行需求分布量,运输线路运能的增加可以提高旅游客流分配量,决策部门可通过调整运输网络节点的吸引度来平衡市域旅游资源,运输企业可通过调整运力配置,改善旅游客运服务能力。