Bayesian network for red-light-running prediction at signalized intersections

Abstract

Red-light-running (RLR) is an important reason for the large number of intersection-related fatalities, injuries, and other losses. The accurate RLR prediction can effectively reduce crashes caused by RLR behavior. The RLR prediction is usually composed of two parts: the vehicle’s stop-or-go behavior and the arrival time when the vehicle reaches the stop line. Previous stop-or-go prediction models are usually based on embedded traffic sensors using machine learning algorithms. While based on the continuous trajectories collected by radar sensors, RLR prediction can be conducted more effectively. In this paper, a probabilistic stop-or-go prediction model based on the Bayesian network (BN) is proposed for RLR prediction. We extend the deterministic output into the probabilistic output, which provides decision-makers with greater autonomy. The causality of BN improves the interpretability of the prediction model. The BN model is calibrated and tested by the continuous trajectories data measured by radar sensors installed at a signalized intersection. We not only consider the movement measurements of individual vehicles (e.g., speed and acceleration), but also take into account the car-following behavior. As a comparison, different machine learning models and the model based on the inductive loop detection (ILD) are adopted. The results show that the proposed BN model has a high prediction accuracy and performs better in the feature interpretation. This paper provides a new way for probabilistic RLR prediction based on continuous trajectories, which will significantly improve traffic safety of signalized intersections.     

基于同方差的递增时间序列自回归预测的改善方法

提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。     

基于模拟退火-自适应布谷鸟算法的城市公交调度优化研究

为改善城市常规公交运营效率,提出基于模拟退火-自适应布谷鸟算法的公交调度优化模型.通过结合线路实际客流数据反映的客流特征,建立考虑公交公司和乘客双方利益的公交调度优化模型;改进布谷鸟算法固定步长并加入模拟退火算法退火操作,设计模拟退火-自适应布谷鸟算法,改善寻优过程中跳出局部最优解而全局寻优的能力;以福州125路公交线...     

动态管理模式下路侧停车泊位占有率预测方法

城市停车已逐步实现信息化和动态化管理,本文对动态管理模式下大范围路侧泊位占有率预测方法进行研究.在收集美国旧金山492万条停车交易数据的基础上,利用可同时提取数据空间关联和时序趋势特征的卷积长短时记忆神经网络(Convolutional LSTM Network,ConvLSTM),分别构建考虑停车费率和时限动态变化的有政策模型,和没有动态管理信息输入的无政策模型.结果显示,有政策模型的训练效率和预测精度会显著提升.在政策平稳阶段,两种模型均能够有效预测泊位占有率;在政策发生变化时段,无政策模型的预测误差出现激增,但有政策模型的预测误差依然保持平稳,表明本文提出的方法能够很好地应对动态管理模式下停车需求的变化.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

交通事故侦测中占有率的改进灰色预测

在交通事故侦测的统计预测算法中引入灰色理论的实践证明，灰色预测是占有率短期预测的可行方法，同时二重估计改进的预测方法可合理地提高交通事故预测的准确性。     

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。     

机坪安全灰色评价方法

采用主观赋权与客观赋权相结合的组合赋权法确定评价指标的权重,其中前者为G1法,后者为均方差法.用灰色聚类方法和层次分析法,建立了机场机坪安全风险双层次灰色评价模型,模型的一级指标包括民航机场机坪设施设备安全状况、空防保障系统安全状况、机坪作业人员管理状况、机坪车辆管理状况、机坪现场指挥协调状况和机坪安全综合管理系统状况.实例计算结果表明,该方法能有效地利用评价指标的信息综合评价民航机场机坪的安全状况.     

级配碎石基层沥青路面力学响应的灰关联分析

文章采用美国KENPAVE软件对比分析了2种典型级配碎石基层路面结构在不同厚度条件下的路表弯沉、沥青层底拉应变、土基顶面压应变等力学指标,并采用灰关联法分析了各力学指标对结构影响的显著程度。研究表明:倒装路面结构形式优于柔性基层路面结构形式,且碎石夹层厚度为15cm左右时,结构形式最优。     

钛合金疲劳小裂纹扩展行为预报方法研究

针对小裂纹扩展阶段裂纹尖端塑性区域尺寸相对于小裂纹长度是不可忽略的问题,在考虑小裂纹效应裂纹扩展速率修正模型基础上,对该模型中裂纹尺寸进行修正,即裂纹长度等于真实裂纹长度加上平面应变状态下裂纹尖端塑性区域一半;并利用修正后的模型对钛合金材料不同情况下疲劳小裂纹扩展速率和寿命进行预报,同时将预报结果与试验值比较.结果表明:修正后的预报模型对小裂纹扩展速率和寿命均有很好的预报效果.