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     

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、     

浅谈BP神经网络预测模型

行程时间预测是交通流诱导系统研究的一项重要内容。本文分析了各种预测方法和几种预测途径，给出了建立BP预测模型的关键因素，总结了BP神经网络预测的优缺点。     

城市交通流路段行程时间预测模型

建立较为精确的城市交通流路段行程时间预测模型是建立诱导系统的关键 .本文所建的预测模型充分考虑了交通延误变化的灵敏性 ,将汽车在路段上的运行时间分为两部分 ,分别预测 .经过实测数据检验 ,该模型具有很好的效果 .     

浅谈BP神经网络预测模型

行程时间预测是交通流诱导系统研究的一项重要内容。本文分析了各种预测方法和几种预测途径,给出了建立BP预测模型的关键因素,总结了BP神经网络预测的优缺点。     

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.     

诱导信息与路径选择行为对交通流分配的影响

通过建立基于诱导信息的路径选择决策模型,设计仿真实验并采Matlab程序实现,研究结果发现:诱导信息对均衡交通流分配具有显著作用,且随着出行者对诱导信息的信任度增大,作用越大;管理者不论以系统最优还是用户均衡原则发布诱导信息都基本能实现其目标,且当出行者为完全信息型时,还能实现系统最优与用户均衡的协调.     

车内路线诱导系统行程时间检测误差计算模型

行程时间是车内路线诱导系统诱导策略的重要参数。根据车内路线诱导系统的检测和计算机行程时间的过程，分析了得程时间误差产生的三种主要原因：样本特征差异、时变特征以及时间滞后，并建立了时变特征误差、样本特征误差与车内单元比例、诱导系统方案更新时间之间的相互关系模型，对于城市道路还得出了信号交叉口延地行程时间误差的影响模型。     

城市车辆诱导系统的建立

分析了城市车辆诱导系统的主要功能,设计了一个适合中国国情的城市车辆诱导系统,给出了各个子系统的具体实现方法,对于交通流预测模型和最优路径算法这两个关键部分,给出了详细的分析设计,并在软件中得到实现.     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

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.     

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%。     

基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础.应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算.预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短.     

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.     

基于GIS的交叉路口动态行驶时间预测方法的研究

城市路径诱导系统的一个非常重要的作用就是能动态预测车辆在某路段上的行驶时间。在传统的时间预测方法中,往往忽视一个非常重要的时间花费——交叉路口通过时间,这个时间由通过时间和等待时间两部分来组成。通过建立模型对交叉路口通过时间进行了分析和研究,仿真结果可以看出,这个时间对于路径诱导的决策性影响是比较大的。     

CBD区域的停车多级分层诱导模式研究

本文结合国内外各大城市停车诱导系统实践经验,通过分析各城市停车诱导系统的优缺点,结合长春市CBD的停车现状,探讨并研究了相应的停车诱导方案,将城市CBD停车诱导系统分为外围诱导和内部诱导相结合并采用多级分层的诱导模式。以长春市为例,对CBD区域的停车诱导系统进行规划和建模分析,实验结果表明该区域的停车泊位利用率由原来的45.2%提高到87.8%,有效地缓解了CBD内部停车困难的问题,对解决城市道路路内停车问题和缓解城市交通拥堵问题有很大的帮助,具有实用性和可行性。     

道路交叉口信号控制方法的智能化探索

借鉴定时交通信号控制方法,在对交叉口的实际交通状况进行调查、分析的基础上,建立单个道路信号交叉口的交通控制方法,同时,考虑道路交通流变化的不确定性,通过实时配时方案调整适应交通流的变化.研究结果表明,智能型交通控制方法更能适应交叉口复杂多变的交通状况,对减少车辆延误具有明显效果.