多源数据融合的城市区域时变停车需求识别方法

城市时变停车需求的准确感知是制定停车管理政策的前提条件之一,然而由于难以获取城市所有停车场进出车辆数据,且部分老旧停车场尚未实现信息化管理,以及违章停车的存在,导致城市区域时变停车需求识别困难。本研究利用城市已有交通信息采集设备,以卡口车牌识别数据、停车场进出车辆数据和出租车GPS数据为基础,通过训练模型区分停车与行车在前后两次卡口数据中的特征差异来识别车辆停车行为,从而实现城市区域时变停车需求识别。首先,结合493个停车场的进出车辆数据和3 649辆出租车的GPS数据确定车辆行停状态,得到846 204个停车样本和81 654个行车样本,并基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）+最近邻（Edited Nearest Neighbor,ENN）算法对不均衡行停数据集进行组合采样;其次,利用梯度提升决策树（Gradient Boosting Decision Tree,GBDT）来识别车辆的停车行为,结果表明本文建立的停车行为识别模型准确率为93.1%,精确率为99.6%,召回率为86.5%,识别效果优于...     

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题, 研究了考虑车辆出行特征差异的交通诱导对象精准识别方法, 以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段, 根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法; 利用车牌识别数据提取使用快速路车辆的出行特征, 包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性; 采用K-means++算法对车辆出行特征进行聚类, 识别出显著影响道路交通状态的出行者, 并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例, 研究发现: 针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态; 类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%, 却占单日早高峰总交通量的51%, 是重点诱导对象; 通过精准识别, 可推荐诱导车辆数占总车辆数的47%。