基于浮动车数据的区域路网交通状态评价

城市道路拥堵现象已经对公众的生活产生严重影响,如何快速有效地发现并及时处理交通拥堵现象已成为交通发展中的重中之重。浮动车数据作为交通状态检测的新来源,在交通状态检测领域有着广阔的应用前景。通过浮动车数据估算路段最大排队长度,并将其与路段车辆行驶速度、路段行程延误时间作为区域内交通状态评价参数,基于模糊综合评价算法,给出了一种在不同时间段内路段及区域交通状态评价方法。最后通过实际浮动车数据进行实例验证。实验结果表明该算法对于能够较好地检测区域路网交通状态,具有较好的实用性。     

基于浮动车数据的交通状态估计精度仿真评价

针对大规模复杂路网条件下基于浮动车数据的交通状态估计精度评价,开发了基于交通仿真软件VISSIM的实时仿真分析方法.以上海市陆家嘴地区的微观仿真路网为例,通过30组仿真实验分析了浮动车比例和数据采样频率对路网覆盖率和平均行程车速估计精度的影响.结果表明:随浮动车比例和采样频率的增加,平均行程车速估计精度与路网覆盖率逐渐提高,当浮动车比例为8%和采样频率为1/10s-1时达到最优.     

基于浮动车数据的城市学校周边交通拥堵分析

交通拥堵是当今各大城市的普遍现象.城市学校在上下学时间段对其周边的道路产生了明显的交通压力.本文将开学后某一周的浮动车数据与道路路网进行匹配,计算出道路的平均车速和道路拥堵级别.选取具有代表性的5所北京市小学作为研究对象,根据不同学校,不同时间的各种情况对学校周边道路进行拥堵分析.采用空间统计分析中的空间自相关性分析方法研究学校对道路的空间上的影响.在时间尺度上,采用统计分析和对比分析探讨学校对其周边道路的时间上的影响.研究结果表明:1学校对道路的影响具有空间自相关特征,且呈现距离扩散的特征;2学校对道路的影响时间上体现在上下学时间段;3人数越多的学校对周边道路的影响也越大,周边道路的等级越高其缓解拥堵的能力也越高.     

基于行程时间可靠度的区域交通控制系统评价方法

在定义行程时间可靠度的基础上,利用浮动车调查数据,得到不同时段路径行程时间可靠度;然后建立了以行程时间可靠度为指标的城市区域控制系统运营效率的评价模型.该模型在武汉市区域控制系统评价中进行了应用研究,结果表明:区域交通控制系统运营后,早高峰、平峰和晚高峰3个时段路网行程时间可靠度显著提高,全日路径行程时间可靠性波动小于实施前,离散程度降低,城市交通系统的运行状态得到改善.相对于传统评价方法,所建模型灵敏度更高,适用性更强.     

基于TransModeler的拥堵区域交通流量调控方法研究

针对中小城市临时交通管制措施下出现的交通拥堵状况,应用微观交通仿真软件TransModeler建立拥堵区域路网模型。运用动态交通组织手段来实现拥堵区域交通总量控制,均衡路网交通压力。以曲靖市中心城区拥堵区域动态交通组织优化为实例,通过仿真结果对方案实施前后的各拥堵路段的交通流运行状况进行评价,证明了流量调控方法对缓解拥堵区域交通状况具有一定的科学实效性。     

基于数据挖掘的路网交通拥堵特征分析

交通拥堵的发生通常导致道路通行能力的下降和交通瓶颈的形成,对城市的经济和环境造成影响。对此利用大数据技术挖掘交通数据,通过聚类分析方法,构建交通指数数据集,进而对城市路网交通拥堵进行定量分析。研究表明,路网拥堵在工作日和周末存在差异,周数据具有周期性,在空间上总体呈现由点向线再到面的拥堵扩散过程。依据拥堵的时空特征,分析了路网的拓扑结构和流量的复杂性,为城市的可持续发展和交通优化提供一定的支持。     

基于时空检测的城市交通网络瓶颈识别方法研究

为了解决拥堵状态下交通网络瓶颈识别问题,文章基于时空检测数据对道路节点和路段拥堵状态进行了分析,并以此为基础建立了城市交通网络瓶颈识别与分类模型。拥堵发生期间,以任意2辆浮动车连续通过拥堵路径各个交叉口时间间隔作为统计时间,以拥堵路径各个交叉口对应流向流出率作为统计对象,连续统计多辆浮动车通过时的交通量序列,建立了拥堵路径交叉口关联度模型并以此划分交通网络瓶颈。以划分的交通拥堵瓶颈区域作为密闭区域,通过分析拥堵路径平峰期间与拥堵期间的流入流出率,使用切比雪夫不等式在置信度95%范围内建立了拥堵瓶颈的3类模型:输入型瓶颈、输出型瓶颈和通过型瓶颈。以实际区域道路网络为研究对象,使用上述模型对拥堵区域进行了分析,结果表明该模型可有效识别并分类交通网络瓶颈。     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象，严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析，本文为了准确的对城市交通状态进行预测，通过网格划分的方法，把城市区域划分为多个区域，根据城市交通数据流的时空特征，提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征，然后采用全连接神经网络增强模型的表达能力，再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中，最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证，结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型，以均方误差（MSE）为评价指标，将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。     

在线广义神经网络交通状态预测的网格并行算法

针对城市大规模路网交通状态在线预测问题,采集出租车上的全球定位系统数据作为浮动汽车数据(FCD),采用广义神经网络理论,应用网格并行算法,通过加速广义神经网络的收敛和学习速度,构建了在线交通状态预测新模型.实验结果表明,该算法实现了在线广义神经网络交通状态预测模型的并行计算,提高了预测模型的计算速度,满足大规模交通路网实时、高效的在线交通状态预测的实际需求.     

基于GPS数据的城市常发性拥堵区域识别方法

识别城市交通常发性拥堵区域,能够为交通管理部门和规划部门提供相应的改进建议,对城市道路网络健康运行具有重要作用。城市交通拥堵判别方法存在两个难题:基于传统检测器方法应用的局限性;基于路段级别的方法存在费工费时的地图匹配问题。针对这两个问题,提出基于车辆GPS轨迹数据的网格级别的拥堵判别方法;并利用改进的具有噪声应用的基于密度的空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法识别城市常发性拥堵区域。基于哈尔滨市城市道路网络、出租车和公交车GPS轨迹数据进行算例分析,结果表明,其能够有效判别基于网格的交通拥堵,并成功识别城市常发性拥堵区域。     

基于AGNES聚类算法的城市交通运行状态分析研究

为提高道路运行效率、缓解城市交通拥堵,以宿州市城区为研究对象开展了交通运行状态的分析研究。通过GPS系统获得浮动车数据,运用数理统计方法对数据进行修复和预处理;选用路段行程速度和交通流量作为评价参数,构建了路段行程速度计算模型。利用AGNES聚类算法对道路流量和平均车速进行聚类分析,以此对道路交通状态进行等级划分并确定不同等级的区间值。结果表明：宿州市主干路严重拥堵临界值为20 km/h,低于标准值（21 km/h）;同时次干路的中度和重度拥堵阈值也明显低于规范值,原因可能是车道较窄、机非混行。该研究可以为利用交通数据评估城市交通状况提供新方法,可以提高交通管理者对道路结构的认识,对城市道路的规划和设计有一定的参考价值。     

浮动车与空间网格结合的新增道路自动检测

利用浮动车系统提供的车辆定位数据进行新增道路检测,可有效提高新增道路的检测效率,降低成本。文章提出了浮动车与空间网格结合的新增道路自动检测算法,该方法首先记录车路匹配不成功的浮动车位置数据,得到可表示疑似新增道路的浮动车轨迹点,然后建立起浮动车轨迹点与路网网格之间的对应关系,最后通过网格过滤实现新增道路自动检测。实例验证了该算法的可行性。     

环形放射状路网拓扑结构交通拥堵特性

考虑交通出行需求和路网拓扑结构,研究了环形放射状路网上的交通拥堵特性。基于国内7个城市的出租车乘客OD数据分析,研究了出租车用户群体出行距离分布特性,建立了一种基于OD分布的交通需求生成普适性模型。在此基础上,研究了特定需求分布下规则网格状和环形放射状两种典型路网结构的交通拥堵特性。结果表明在满足特定OD直线距离分布的交通需求下,环形放射状路网拓扑结构能有效减少网络拥堵时间,节约交通出行成本。     

浮动车数据缺失道路的速度推估模型与实现

介绍了浮动车数据(FCD)的基本概念,给出了浮动车数据预处理及与地图匹配的基本流程.在对浮动车数据在路网中覆盖率分析的基础上,当路网中浮动车数据出现缺失时,利用海量的路况历史数据库,提出基于路段空间关系的道路速度多元线性回归推估模型,并推出了按周天分类的模型系数.根据实测检验结果,得到了该方法速度误差的分布概率和状态误差的分布概率,并以此分析了结合空间关系的多元线性回归模型的适用性和可靠性.最后以上海城区为例,给出了基于该方法完整的道路速度的推估与路况发布实例.     

浅谈拥堵路网及其评价模型

随着经济的迅速增长,城市道路拥堵越来越严重,如何缓解交通拥堵成为交通规划发展的另一重要研究分支。在研究如何缓解拥堵前,更深刻的了解拥堵路网是非常必要的。本文从拥堵路网的定义入手,定性评价拥堵路网与定量评价拥堵路网相结合,最后了解道路拥堵对社会和人们的严重危害。这既能帮助我们更好的研究和认识拥堵路网,也能为缓解拥堵路网提供研究方向。     

大型客运站站区交通拥堵仿真评价方法

客运站站区是连接大型客运站与区外交通的重要集散通道。根据客运站站区的实际情况,基于"点-线-面"的思想,提出"路段(交叉口)-道路-路网"3个层次的站区交通拥堵评价指标体系,并基于"状态分类"与"集成加权"原理提出"点"、"线"、"面"层的交通拥堵强度评价方法。以北京南站为实例,建立VISSIM仿真平台,对北京南站站区交通拥堵强度进行仿真评价与优化。研究结果表明:站区内大部分"点"处于轻度拥堵状态,部分"线"为严重拥堵,而整体路网的拥堵强度为中度拥堵,说明拥堵效果具有累加性,某一拥堵点的形成可能会造成整个路网的拥堵。     

基于改进萤火虫算法优化BP神经网络的路网速度分布预测

浮动车数据的挖掘是目前交通领域广泛使用的研究手段之一,基本的BP神经网络也多被用于交通流的预测研究。本文引入小波变换将低频信号和高频信号进行分解和重构,结合改进萤火虫算法寻优速度快、收敛率高的特点对基本的BP神经网络进行优化,构建了路网交通流速度的预测模型。利用城市路网浮动车真实数据对模型进行训练并通过测试数据对模型预测结果进行实证分析,证明模型对特定时刻路网交通流速度预测的准确性相比于基本BP神经网络算法有46.56%的提升,对路网24h内交通流速度预测的稳定性有39.08%的提升。     

基于协整理论的浮动车行程时间修正模型

以牌照识别数据为基础,将计量经济学中的协整理论与误差修正模型应用于数据融合技术,建立基于协整理论的浮动车行程时间修正模型. 以上海市高架路为例进行分析,证实了浮动车数据与牌照识别数据之间的协整关系,结果说明浮动车数据的短期波动受到了长期均衡与短期失衡的作用.     

基于服务总线浮动车数据分布式并行处理算法

FCD（Floating Car Data,浮动车数据）是一种新型的交通信息检测技术,其核心是利用具有GPS/北斗定位和通讯功能的车辆（如城市出租车等）采集的位置、时间、速度等数据,并把这些数据与电子地图进行单点匹配,以及路径推测等,最后可直观描述道路的交通流状况。然而,海量浮动车数据处理存在性能方面的瓶颈,为此,本文针对大规模浮动车数据进行分布式并行处理等关键性算法研究,在单机多线程处理的基础上,通过服务总线,实现了FCD分布式并行处理系统及FCD实验平台,该平台不仅能够对处理任务按车辆分配,还能根据实际需要,按浮动车时间段进行分配,并且实现了计算单元的动态弹性扩展。通过北京市实际浮动车数据集和路网数据测试,实验结果表明,处理效率得到较大幅度提升,并且通过负载均衡优化,进一步降低处理时间,验证了该算法的有效性,更好地解决了大规模复杂空间数据运算的效率问题。     

基于广义径向基神经网络的城市道路运行状况评价

为缓解城市交通拥堵,提出了一种城市道路运行状况的评价方法并给出了具体的实现技术。以交通拥堵分析为途径来衡量城市道路运行状况,建立了道路拥堵度的评价指标体系,然后通过广义径向基函数(generalized radial basis function,GRBF)神经网络的优化算法建立城市道路交通拥堵度的计算模型。针对西安市典型局部路网,基于MATLAB 2010平台,计算该路网中各个样本路段的拥堵度,获得具体拥堵点的位置和发生时刻,并使用加权平均法对整个路网的交通运行状况进行评价,最后得到该路网的最优出行路径。研究结果表明:同时间段路网中南二环路东段最为拥堵,交通拥堵指数高达0.974 4;而对于样本路段翠华路,则晚高峰16:00~18:00最为拥堵,交通拥堵度最高达0.911 8,这些均与实际情况完全吻合。该方法能够准确得到量化的城市道路交通拥堵数值,从而完成对一定区域内的交通拥堵评价。