基于图论的交通检测器新型布设方法

文章以相关有向环图的结论为基础,建立了一种能够获取路网上各路段的流量的检测器布设方法。该方法首先通过模糊综合评价方法确定优先顺序集合,从而在有向环上选取最优的弧进行检测器布设。该方法具有弧的选择指导性强、能充分考虑交通系统中每条路线内部的交通状况等优点。     

交通拥挤状态模糊识别方法的设计与应用

交通状态是交通控制、交通诱导等管理措施的基础．在分析交通流运行特性的基础上,提出了交通流状态的拥挤和消散变化过程,并得出交通量和占有率对交通状态变化的敏感特性．建立了以交通量和占有率为输入量的交通状态模糊识别方法,并利用某路段环形线圈检测器的实测数据进行了仿真实验,实验的识别结果与实际交通状态相当吻合,可见该方法具有良好的实用性．     

感应线圈信号曲线的处理方法及其在车型识别中的应用

为提高车型识别的准确率,提出信号处理的方法：首先采用快速小波变换抽取原始曲线的近似轮廓,从而削弱了噪声等细节信息的干扰,并实现2^n倍的数据压缩;其次利用五点三次滤波器对上一步获得的近似曲线进行平滑,使得离散信号更接近于真实的连续信号;在此基础上提出基于峰值时间差的强鲁棒性车长检测方法;最后,根据形态匹配的要求,采用Akima插值法进行信号尺度的归一化处理。车型识别试验采用观测点的实测数据,并将结果与其他文献进行比较,说明所提出的方法的有效性。     

基于视频牌照识别的动态交通OD估计仿真优化

为了解决目前基于视频图像自动识别牌照进而推算动态OD的系统缺乏研究手段和工具的问题,应用Visual Ba-sic编程语言,通过组件对象编程技术,研究开发了基于微观仿真模型VISSIM的动态交通OD估计仿真试验平台,包括数据库系统、仿真模型系统以及数据采集处理系统.分别设计了最短路算法、车辆转向率法以及BP神经网络法以提高OD估计精度.上海陆家嘴区域的案例研究结果表明:车辆转向率法OD估计误差在5%以下,其计算效率和精度最优;在视频检测器满布状态下满足动态交通管理OD要求的视频牌照识别精度阈值为80%.     

轮式水下无人探测器姿态估计仿真研究

轮式水下无人探测器在水下信息战、海底资源开发方面具有广阔的发展和应用前景。针对轮式水下无人探测器的姿态估计问题,提出了1种基于Stirling多元插值的DD1型滤波算法。仿真结果表明,该算法具有滤波精度高、数值稳定好的特点,能够更好地估计轮式水下无人探测器的姿态。     

红岩HY320桥壳机动传送线设计

某公司生产重卡铸钢桥壳,设计建设了一条桥壳自动传送线。桥壳热压装作业后,放入传送线专用托架小车,采用变频电机和摆线减速机提供动力,由链条带动实现桥壳传送和空小车从下方自动返回循环运行。本传送线采用了一种特别的结构方式,小车利用同一组滚轮在上下两层轨道中运行,且始终与链条相连,在传送线两端,空小车能够自动跟随传动链条作180°回转,小车滚轮自动脱离之前轨道然后进入到另一层轨道中运行。本传送线结构优化,占用空间少,经过实际生产验证反响良好。     

固定型交通检测器配置密度优化模型

分析检测器布设主要有2个目标,即数量最少、利用率最高;由于这2个目标间存在着“不可公度性”和“矛盾性”,构成了多目标决策问题,以此建立相应的多目标规划模型。此模型避免传统布设方法中存在的局限性和盲目性,可以较好地解决固定型检测器配置密度优化问题。     

城市道路固定型交通检测器布局优化模型

交通信息采集是智能交通系统的重要基础,准确、可靠的数据是动态交通管理、控制的重要保障。分析影响检测器布局的因素,主要包括交通流的特性、道路交通环境、居民出行路径的选择等,提出基于检测器利用率最优的规划模型。探讨模型参数的计算方法,根据观测样本的均值和方差计算交通量波动系数,用最短路径法计算路段客观重要度。阐述模型的求解过程,通过比较几种传统优化算法的优缺点,设计改进隐枚举算法,并给出具体步骤。     

基于环形线圈检测器采集信息的交通状态分类方法应用研究

在智能交通系统中,交通状态判别算法通常被用来进行道路环境中实时交通状态的判断。这些算法将外场设备采集到的实时交通流数据与既有的交通状态分类标准特征作比较,来识别交通系统运行的状态。应用聚类分析方法,结合数据预备技术和交通工程技术,对环形线圈监测系统采集的交通流基础特征数据进行挖掘,实现了一种交通状态分类方法,并对交通管理控制系统中实时交通状态的判断识别提供可靠的参照标准。     

Long short-term memory neural network for traffic speed prediction using remote microwave sensor data

Neural networks have been extensively applied to short-term traffic prediction in the past years. This study proposes a novel architecture of neural networks, Long Short-Term Neural Network (LSTM NN), to capture nonlinear traffic dynamic in an effective manner. The LSTM NN can overcome the issue of back-propagated error decay through memory blocks, and thus exhibits the superior capability for time series prediction with long temporal dependency. In addition, the LSTM NN can automatically determine the optimal time lags. To validate the effectiveness of LSTM NN, travel speed data from traffic microwave detectors in Beijing are used for model training and testing. A comparison with different topologies of dynamic neural networks as well as other prevailing parametric and nonparametric algorithms suggests that LSTM NN can achieve the best prediction performance in terms of both accuracy and stability.