基于R-FP OP变点检测的城市路段旅行时间预测

针对城市路段旅行时间精准推送的不足,提出一种基于动态规划变点检测算法的旅行时间预测方法。以车牌识别数据为研究对象,利用R-FPOP算法对旅行时间均值变点进行在线检测,研究变点时域分布特征;基于均值变点检测结果,预测旅行时间并给出其预测区间。结果表明:在线检测出的变点能够有效辨识旅行时间的均值突变,变点时域分布主要集中在高峰期;旅行时间预测值对实际序列变化趋势估计准确,推送的预测区间平均覆盖率为79.54%,具有较优的预测精度。论文方法兼顾旅行时间均值突变且建模简单,可为路段旅行时间的在线智能推送及交通需求者的路线规划提供技术支持。     

基于修正算法的高速公路路段旅行时间估计

现有高速公路收费系统采用原始时间记录数据估计的路段旅行时间不准确,将直接影响路段流量估算准确性.为此,提出了一种依据轨迹法计算车辆时空坐标轨迹、以路段长度为权重进行路段旅行时间修正的旅行时间估计算法,并将其应用于某高速收费系统数据,验证了经过修正的路段旅行时间估计值更接近于实际路段旅行时间.     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

高速公路旅行时间的自适应插值卡尔曼滤波预测

为解决高速公路收费站间非平稳交通流状态下因卡尔曼滤波算法自适应性能差而导致的旅行时间预测精度不稳定的问题,提出等间距插值和Sage-Husa自适应卡尔曼滤波相结合的预测算法。融合人工半自动收费和电子不停车收费数据计算平均旅行时间;引入等间距插值方法重构实时与历史旅行时间之间的时间序列;利用最小二乘法原理构建Sage-Husa自适应预测模型;开发旅行时间预测应用系统,实时主动预测高速公路站间旅行时间。在某示范路段的应用表明:在正常、事故、小长假3种交通流状态下,所提方法的所有周期平均相对误差均在7.5%内,事故周期平均相对误差均在10%内.     

基于神经网络的行驶时长预测

定位设备的普及产生了海量的车辆行驶数据,使得利用历史数据预测车辆行驶时长成为可能.车辆行驶数据由两部分组成:车辆行驶经过的路段序列信息和出发时段;路径总长度等外部信息.如何提取路段序列特征,以及如何将序列特征与外部特征有效地融合,成为预测行驶时间的关键问题.为解决以上问题,提出了一个基于Transformer的行驶时间预测模型,模型由路段序列处理模块和特征融合模块两部分组成.首先,路段序列处理模块使用自注意力机制处理路段序列,提取路段序列特征.该模型不但可以充分考虑各条路段与其他路段间道路速度的时空关联性,同时可保证数据并行输入模型,避免了使用循环神经网络时数据顺序输入导致的效率低下.其次,特征融合模块将路段序列特征与出发时段等外部信息相融合,最终获得预测的行驶时长.在此基础上,统计路口连接的路段数作为路段的上/下游路口特征,与路段特征结合输入模型,进一步提升了行驶时长的预测精度.在真实的数据集上与主流预测模型进行的对比实验表明,该模型在预测精度以及训练速度上均有提升,体现了所提模型的有效性.     

基于时空贝叶斯模型的行程时间可靠性预测

为了全面、准确地分析路段行程时间的时空分布,将路段的时间序列和空间关联关系纳入两个邻近路段的行程时间可靠性预测过程.在时间维度上,通过广泛使用的卡尔曼滤波预测行程时间;在空间维度上,根据离散马尔科夫链构建上下游路段行程时间的关联模型.进而构建了时空贝叶斯模型(ST-BM),将时间维度和空间维度的行程时间分布进行融合,从而预测路段行程时间可靠性.实例分析结果表明,相比于先验分布数据,文中模型将两个实测邻近路段的可靠性预测误差分别降低了45.7%和29.2%,验证了ST-BM模型的有效性.     

基于AFC数据的城轨乘客出行路径选择比例估计方法

在分析城市轨道交通乘客旅行时间组成要素及其分布特性的基础上,提出了一种基于AFC数据的乘客出行路径选择比例估计方法.首先,采用单路径OD实际旅行时间数据,获得旅行时间组成要素的概率分布参数;然后,估计出多路径OD间各路径旅行时间的概率分布参数,并结合多路径OD实际旅行时间数据,得到各条路径的选择比例.仿真实验结果表明,在客流到达均衡、列车按图行车的假设前提下,该方法估计的路径选择比例误差小于1%.     

基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间。首先,研究收费数据实时修正处理方法,改进平均旅行时间计算模型;其次,引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;接着,依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间。示范路段应用表明,插值后预测算法在正常、事故、小长假三种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内。插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考。     

基于GPS轨迹数据的拥堵路段预测

基于真实的GPS轨迹数据,对城市拥堵路段进行预测.在此过程中,摒弃传统的基于交通流预测和拥堵识别的方法,提出一种新的基于拥堵向量和拥堵转移矩阵的拥堵路段预测方法.该方法同时考虑路段拥堵的时间周期性和时空相关性,通过对出租车GPS轨迹数据进行挖掘和训练,建立拥堵向量和拥堵转移矩阵,实现对拥堵路段的预测.真实数据集上的实验验证了所提的拥堵路段预测方法的有效性.     

基于滑动窗口的时间序列离群数据挖掘

离群数据挖掘是数据挖掘中的重要内容.本文针对时间序列数据进行离群数据挖掘方法的研究.在引入了基于局部离群点因子的离群数据挖掘方法与时间序列上滑动窗口基础上,将二者相结合,提出了基于滑动窗口的时间序列离群数据挖掘算法,并将算法应用于海表温度数据得到海表温度的异常之处.     

移动检测技术的研究

移动检测技术是智能交通系统中实时获取交通信息的重要手段之一.介绍了移动检测技术的概念及优缺点,对当前移动检测技术中的关键问题:如检测车辆占车流的百分比,利用移动检测技术估计和预测的交通指标以及估计、预测方法作了详细介绍,指出如何确定检测车在车流中所占百分比,利用该技术对旅行速度、旅行时间进行估计和预测,以及基于链路的估计、预测方法优于基于路段的估计、预测方法.     

GPS网共模误差的灰色关联系数加权叠加滤波识别法

区域GPS网坐标时间序列存在共模误差,该误差影响GPS网站点坐标精度,因此去除共模误差具有重要意义.文中提出了一种基于灰色关联系数的叠加滤波方法,该方法以GPS网台站坐标时间序列的灰色关联系数作为叠加滤波的权重.通过实测GPS网数据分析表明,灰色关联系数叠加滤波方法是一种识别单站共模误差的有效方法;同时,该方法能够识别异常GPS台站坐标时间序列,避免异常台站对共模误差计算的影响.该方法在不同尺度GPS网坐标时间中提取共模误差的效果都优于叠加滤波方法.     

路网子图空间上的交通流波动机理

针对道路网络客观条件的限制、道路管理法律法规的限制以及出行者个人偏好3方面因素导致的机动车出行者对道路交通网络出行条件差异性认知实际情况,建立基于网络出行子图空间上的随机用户平衡模型,并采用相继平均算法求解该模型。通过算例分析可知,网络结构认知差异性产生的路径旅行时间之间的偏差,可达到同一O-D对、所有实际使用路径上旅行时间平均值的20％,并进一步辨析了路段旅行时间感知误差和网络结构认知差异性产生的路径旅行时间偏差之间的区别与联系。证实了在我国混合交通流现状条件下,现状交通流的成因兼具路段旅行时间感知误差和对实际道路网络结构认知差异性2方面因素。     

高速公路山风过境路段雨天可变限速控制方法

降雨对山区高速公路山风过境路段行车安全及通行效率具有较大负面影响.为保证山区高速公路山风过境路段雨天行车安全,提高路段通行效率,减少风雨综合作用的不利影响,文中设计了山区高速公路山风过境路段雨天可变限速控制系统的总体方案,构建了风雨综合作用下的基于防侧滑和安全停车视距的安全车速计算模型,并以控制监控时段内车辆平均行程时间最小为目标,建立了山区高速公路山风过境路段雨天可变限速控制评价模型.结合实际道路、气象数据,利用Matlab软件进行数值仿真计算,结果表明,与固定限速方式相比,文中建立的可变限速控制方法在保障雨天环境下山区高速公路山风过境路段行车安全的同时,提高了车辆的运行效率.     

早期时间序列分类方法研究综述

传感器技术的普及使得时间序列数据受到人们越来越多的关注.早期时间序列分类(Early Time Series Classification, ETSC)希望通过观测尽可能短的时序数据而对其做出尽可能准确的分类,已在科技金融领域发挥着重要的作用.首先概述了常见的时间序列分类器,并综述了基于最小预测长度、基于最大区分子序列和基于模型的3类早期时间序列分类框架的最新研究进展.然后在每类方法中,分析了具有代表性的早期时间序列分类模型的关键技术及其优缺点;整理了科技金融领域的公开数据集和常见的评价指标.最后对未来的发展趋势做了展望.     

自行车流影响下的网络交通流均衡分析

使用实际可变旅行时间风险度量方法,考虑了旅行时间长短与旅行时间波动性两方面因素对路径选择行为的影响,并建立了存在自行车流的混合交通流网络交通平衡分析模型.该模型能恰当地描述机动车驾驶者对劣化出行路段的筛选行为,再现网络交通流趋于实际可变旅行时间风险度量下的交通平衡过程.实例研究表明：通过单幅道路自行车与机动车使用空间组织优化,在保障自行车交通出行者安全的同时,能提高25%以上的交通效率.     

洛阳智慧交通系统的数据库应用研究

从研究城市路口节点和路段的状态出发,介绍交通流量调查的方法,交通流量数据库结构,数据库追加和更新技术;利用相关分析和时间序列分析方法,解决无传感器路口数据的更新机制,保障数据发布的实时性.     

基于预训练交互式图神经网络的多元时间序列异常检测

多元时间序列异常检测是数据挖掘领域中的一项重要应用.基于深度学习的异常检测方法已经取得了重大进展,但其仍然存在一定的局限性.首先,是它们假设训练数据仅由正常数据组成,而忽略了异常数据可能导致的不可预测性;其次,大部分方法并未考虑到时间序列的独特特性.为了解决上述问题,基于预训练提出了一种新颖的用于多元时间序列的异常检测框架.框架由预训练模块和预测模块组成,首先预训练模块通过学习时间序列的密集向量表示,增强其可预测性,然后预测模块中充分利用时间序列的独特特性捕获其时间依赖.通过广泛的实验证明了所提出的模型的有效性,在三个真实数据集上均显著优于最先进的模型.     

基于收费数据的高速公路交通状态判别方法

目前高速公路交通数据资源未得到充分利用,使得管理和建设成本较高的高速公路联网收费系统只能实现车辆记录、联网收费等初级功能,导致交通数据资源的严重浪费.为此设计了基于高速公路联网收费数据的路段行程时间估计方法,提出以大、小车速度变化情况为基础,采用模糊C-均值聚类方法对高速公路交通状态进行判别,并应用VISSIM软件分别对上述两种方法验证分析.结果表明,路段行程时间估计方法能够获得高质量的路段行程时间数据,同时交通状态判别方法也能够准确判别出道路上所呈现的交通状态,可为历史数据更新提供技术支持,为高速公路交通管理部门提供精确的决策依据.     

炼铁生产入炉焦化等指标的时间序列预测方法

研究了生产过程的时间序列预测方法,并对某厂炼铁生产的入炉焦比等指标进行预测,得到了较好的结果.文中阐述的基于BP神经网络的混沌时间序列预测方法,Box_Jenkins的自回归移动平均模型方法和混沌预测方法既有理论意义,也有实用价值.