基于神经网络的交通流的预测

在简要介绍智能系统中交通流的实时检测设备的基础上 ,为满足交通流诱导系统的理论需要 ,建立了实时交通流量神经网络预测模型。该模型为交通流诱导系统提供了预测交通状况的一种很好的方法     

基于动态贝叶斯网络的交通流状态辨识方法

为准确地对交通流状态进行辨识,进而支持交通流实时诱导系统有效运行,结合速度、流量与车道占有率3种交通流参数,将贝叶斯网络用于交通流状态辨识,提出了基于动态贝叶斯网络的交通流状态辨识方法. 利用英国南安普敦市的实际数据对上述方法进行了仿真验证. 验证结果表明,利用动态贝叶斯交通流状态辨识方法可以更加准确地判别出交通流所处的运行状态,这为智能交通系统,特别是交通流实时诱导系统,提供了一定的理论支持.      

交通流诱导系统实时方法研究

交通流的实时诱导系统多为建立在单位时间的信息重构,一旦在周期时间内事故发生,则造成行驶车辆正常诱导无法进行。通过对实际交通状况的分析,提出一个新的并且简单可行的解决方案。方案在原有系统中增加了对实时事件突发诱导系统的修正,减少系统应变时间。此方案是建立在现有的诱导基础之上的改进技术,可以在交通流诱导系统中大范围推广应用。     

城市交通流诱导系统理论模型和方法研究

该项成果以实时动态交通分配理论为核心，综合运用检测、通信、信息、计算机、控制、GPS和GIS等现代高新技术，动态地向驾驶员提供最优路径引导指令和实时交通信息，通过单车诱导来改善路面交通状态，防止和减轻交通阻塞，减少车辆在道路上的逗留时间和空气污染，最终实现交通流在路网中的合理分配。研究中提出了适合国情的城市交通流诱导系统的结构框架、     

短时交通流预测方法综述

短时交通流预测是道路交通控制系统、交通流诱导系统等领域需要解决的首要问题之一.因此,如何能够实时准确的预测交通流量成为了交通管理与控制是否能够有效实现的关键问题.     

交通流状态辨识系统集成研究

交通流状态辨识是智能运输系统,尤其是其先进的交通管理系统和先进的出行者信息系统研究的一项重要内容。对道路交通流状态进行分析研究,深入挖掘交通流动态信息,及时、准确地辨识未来和实时交通流状况,是制定正确诱导和控制措施的一个重要前提。根据我国制定的"国家智能运输系统体系框架",以动态交通管理为基本思想,构建了交通流状态辨识系统框架。介绍了在交通流状态辨识中所采用的一些新技术,利用实测数据以及交通仿真系统VISSIM的模拟数据分别对所建立的算法进行验证,结果表明本文所建立的算法和模型具有较好的性能,为交通流状态辨识提供了新的研究方法。     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题.因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关健问题.根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模.该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果.应用结果表明:该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要.     

基于视频图像处理的交通流检测方法

针对视频交通流的特点，提出了一种无需进行视场标定的交通流检测方法。该方法选用检测线上的点及其近似点作为检测区域，通过对背景模板上检测区域中的突变点的分析和统计，可以实时地检测车辆的驶入、存在和驶出，提高了检测速度。在此基础上，设计和实现了视频交通流信息采集系统，并用软件实现检测算法和图像处理算法。试验结果表明，其检测速度和检测精度都能够满足实际要求，达到了用最小的系统规模实现交通流信息采集的目的，能够为交通管理与控制提供信息数据。     

基于RISC处理器的实时交通计测系统

目的 研究交通流的实时测量,测量车辆台数,速度等基本交通参数,以期为交通部门提供必要的效能流参数统计量。方法 用差分方式对交通流进行实时图像处理,用精简指令集计算机（ＲＩＳＣ）作为主处理器,运用其高速数据处理能力进行系统的实时化和实用化研究。结果 完成了交通流计测的实验装置,并且进行了图像处理软件算法的设计和调试。结论 实际道路的交通测量证明,测量精度在９５％以上,系统可以适应环境光的突变和渐变的     

基于多维灰色预测模型的短期交通流预测研究

交通诱导和交通控制是智能交通系统的重要组成部分,实时准确的交通流短期预测是交通控制与诱导的前提及关键。以往灰色交通流预测模型采用GM（1,1）模型进行预测。其只利用某路段一个断面单点的交通流量进行该断面的交通流预测,并未充分利用上下游交通流之间的相关性。而有关学者研究表明,短时交通流预测值,不仅要与该段面的单点交通流量有关,而且还与其上下游断面交通流量有关。因此,本文引入MGM（1,n）模型。     

基于Monte-Carlo算法的交通流仿真

文章考虑交通网络系统的动态性和复杂性,采用Monte-Carlo算法开发了交通流发生程序,结合VIS-SIM仿真软件,实现了不同状态下的交通流实时仿真;分别将稀疏流和拥挤流的仿真结果与实际调查资料进行对比分析,验证了程序的可靠性,为进一步研究多组态交通流仿真技术奠定了基础.     

基于判别分析的高速公路交通安全实时评价指标

为了实时评价交通流变化对高速公路交通事故风险的影响,利用高精度交通流数据建立了高速公路交通安全实时评价指标.提取了美国加州I-880 N高速公路上采集间隔为30 s的实时交通流数据和事故数据,采用Fisher判别分析方法建立交通流参数的线性组合,以判别危险交通流状态.该线性组合被定义为高速公路交通安全实时评价指标,当该指标小于0时,代表危险交通流状态,有发生交通事故的风险;当该指标大于0时,代表正常交通流状态,没有发生交通事故的风险.采用条件logistic回归模型进一步研究了该指标与交通事故风险之间的定量关系.研究结果表明,该指标预测事故的精度为65.7％.另外,该指标每减小1个单位,交通事故风险将提高1.8倍.     

城市交通微观仿真系统的实现

以面向对象的程序设计思想为基础，采用基于交通流理论的车辆运动模型和计算机仿真理论，构建了城市交通微观仿真软件．该软件具备了路网构造和管理、交通流运行的实时动画仿真、交通控制模拟、数据统计以及开放式交通方案输入等功能．为今后城市交通流仿真的进一步研究打下基础。     

宏观交通流模型的自适应迭代学习辨识策略

城市路网交通流系统具有很强的随机性和时变性，单一固定的交通流模型难以准确地描述城市路网的实际运行情况，在考虑交通流稳态和动态特性的基础上，提出了一种含有未知时变多参数的非线性宏观交通流模型，并针对交通流固有的重复性特征，设计了一种时变多参数的自适应迭代学习辨识策略。在有限时间区间内，利用迭代学习辨识策略将参数辨识问题转化为最优跟踪控制问题，使交叉口各进口道的排队车辆数均趋于真实值，利用去伪算法的实时自适应能力调整迭代学习辨识策略的学习律增益，提高辨识策略的抗干扰能力。通过严格的数学理论推导证明了该算法的收敛性，最后采用基于模型的控制方法进行仿真实验，进一步验证了该方法的有效性。     

基于参与式机器学习方法的行程时间动态预测模型

在常规交通流情况下,应用参与式机器学习模型估算了交通密度的预测值,通过交通流密度与行程时间的关系间接估算行程时间的预测值;对参与式机器学习模型进行了改进,将原模型中的子系统计算方法从最小二乘法改进为适合长时间平稳交通预测的卡尔曼滤波法;在此基础上开发了部署在可变情报板上的交通信息诱导系统,利用观测的交通密度组成的向量作为输入,实时动态估算预测值,最终行程时间估算结果优于其他常见的单一预测方法,表明这种方法对预测行程时间有效,可以应用于交通控制相关的领域.     

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.     

智能运输系统中的定位技术

为了解决在城市交通流诱导系统中,能够实时、准确、可靠地提供移动站的位置信息. 通过系统得研究了智能运输系统中的定位技术的发展过程和原理,然后采用智能运输系统中的定位技术,着重研究了GPS/DR组合定位技术的原理.实践证明:GPS/DR组合定位技术能够针对城市路面状况不同情况给予准确定位.     

车载自组网中实时交通诱导信息对车辆行程时间影响分析

针对无法获得符合车载自组网特性的真实路网条件,通过修改CarAgent模块的诱导逻辑构建了一种典型的实时交通流诱导仿真场景,从而实现交通诱导信息与交通流运行之间的协同互反馈机制。利用此场景选择多种影响因素,从单变量方差分析和多因素二阶交互方差分析2个角度,分析交通诱导信息对车辆行程时间的影响。仿真结果表明:车辆诱导设备装载率、诱导信息发布有效距离和驾驶人对诱导信息的服从率与车辆行程时间之间存在显著的负相关关系。相比较而言,车辆诱导设备装载率对行程时间的影响程度最大,可减少行程时间约23.5%。     

基于实际诱导效用最大化的可变信息板优化布设新方法

为了合理地对城市交通流进行诱导,在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法.该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法.通过36个路段的网络实例测试,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要.     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.