交通流的红绿灯模型

首先引入几个描述交通流的基本函数，接着在交通流连续运动和时断的情况下，分别建立了连续和间断的交通流模型，在此基础上根据微分方程建立红绿下的交通流模型，分析在不同时刻公路上交通流的变化，据此画出在红绿灯模型下的车流密度变化过程，并给出了交通流的红绿灯模型在十字路口的应用．     

色灯下的交通流模型与特征线的研究

用偏微分方程的方法给出交通流模型和色灯控制下的特征线,结合实际实验数据科学地解决十字路口在交通流较大时应人为地改变色灯的转换周期,从而解决了城市的交通问题,达到了节约能源和改善环境的目的.     

十字路口红绿灯的控制效应

建立开放边界条件下的十字交叉路口元胞自动机交通流模型,通过研究十字交叉路口红绿灯对交通流的影响,确定各种交通状况下的最佳红绿灯配时方案.     

交通流中红绿灯模型的格子玻尔兹曼模型

介绍了一种适用于交通流中红绿灯模型的两格子的格子玻尔兹曼模型.通过最大值原理证明了该模型的稳定性.数值模拟说明了模型的数值解与理论分析的间断解高度吻合,表明了该模型对处理多间断交通流问题是高效和稳定的.     

基于二维元胞自动机的交通流模拟分析

BML模型是专门用于模拟分析交通现象的二维元胞自动机模型,采用JAVA语言实现此模型并利用此模型模拟交通流,分析平均密度和平均速度等参数关系,研究交通流的相变和自组织特性,同时对BML模型改进,模拟红绿灯周期变化下的交通流,探求更有价值的研究和应用.     

城市主干道交通流模型的研究

采用周期性边界条件,利用改进的Nagel-Schreckenberg模型,建立了城市主干道交通流模型,研究了红绿灯周期,刹车概率,转入,转出概率对交通流的影响。     

混合交通流的动力学模型及其特征关系

引入超车换道流量,建立了混合交通流的连续性方程;通过对交通流参数的微分变换,建立了混合交通流的运动微分方程,连续性方程和运动微分方程构成了混合交通流的动力学模型．采用特征线法对模型进行分析求解,在高速低密度区和低速高密度区分别得到了两组特征线和对应的特征关系式．特征关系式中包含了超车换道流量以及干道速度、密度和流量,是研究混合交通流参数之间关系的基础．     

增设左转绿灯的交叉路口混合交通流模型研究

建立周期性边界条件下的十字交叉路口元胞自动机混合交通流模型,增设左转绿灯,而且规定转弯车的最大数量,研究配时问题、主道初始密度以及混合比例系数对交通流的影响。结果发现,配时问题对交通流的影响较大,合理配置红绿灯时间可以改善交通,增设左转绿灯可以达到缓解拥堵,提高道路利用率。     

一种交通流状态分析模型

从经典的车辆跟驰模型出发，考虑车流的宏观特征，提出了可以定量描述路段交通流速度与密度关系的理论计算模型，经过与Del Castillo等提出的典型的平衡速度、密度关系图的对比，验证了该模型的正确性，与Blunden等提出的流量、行程时间关系模型进行比较，从理论上说明了该模型的优越性．提出了“交通流健康、不健康状态”的概念，并给出了定量的区分标准，进一步说明了该模型的理论意义和实用价值。     

交通流噪声分析的流体力学特征线算法

把车流模拟为流动的线噪声源,利用流体动力学理论建立交通流模型,提出的特征线算法解决了差分数值格式对初始条件和畅流速度等的制约,以及信号灯控制下的流场分布和噪声预报问题,计算结果与有关实测数据的对比表明本文方法是准确可靠的。     

A new dynamics model for traffic flow

As a study method of traffic flow, dynamics models were developed and applied in the last few decades. However, there exist some flaws in most existing models. In this note, a new dynamics model is proposed by using car-following theory and the usual connection method of micro-macro variables, which can overcome some ubiquitous problems in the existing models. Numerical results show that the new model can very well simulate traffic flow conditions, such as congestion, evacuation of congestion, stop-and-go phenomena and phantom jam.     

基于人工神经网络城市交通流量智能预测的研究

通过对我国目前城市交通情况的分析．说明交通拥挤和流量大小息息相关，因此对城市交通流量进行预测具有重要的意义。目前应用于城市交通流量智能预测的人工神经网络模型主要有线性网络、BP网络、反馈网络等。经过综合分析而采用了线性网络对城市交通流量进行预测，其优点主要表现在结构简单，实用方便，反应速度快，实时性强。根据城市交通的具体情况，对城市交通流量的预测模型进行了仿真。其仿真结果表明所采用的线性神经网络能够用于城市交通流量的预测。     

城市交通网格集群的Bi-LSTM的流量预测

为提升交通流预测精度，深层次地挖掘交通流数据的时空特征，提出一种基于双向长短时记忆网络(Bi-LSTM)的城市交通网格集群流量预测模型。将所获得的网约车轨迹数据集网格化；考虑人为确定集群个数对结果的影响，用贝叶斯信息准则进行参数估计确定集群数，利用高斯混合模型对交通状况相似的网格进行聚类得到不同交通网格集群；利用集群内部交通网格的输入时间序列的相互影响设计多对多模型，构建Bi-LSTM模型预测不相交集群上的流量；以经典多元线性回归模型(MLRA)作为对照组进行实验验证，采用平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和动态时间规整(DTW)这四类评价指标对预测结果进行综合评价，验证基于Bi-LSTM模型的城市交通网格集群流量预测的可行性。实验结果表明：MLRA模型和Bi-LSTM模型对城市交通网格集群流量的预测值小于真实值，早高峰时段尤为明显；各交通网格集群的交通状态态势相似，集群的簇内相关性较强，两类模型均可实现较好的流量预测效果，Bi-LSTM表现更优； MLRA和Bi-LSTM预测模型的精度MAE、RMSE、MAPE分别为3.2011、4.4009、0.3187，3.0687、4.2943、0.3045，Bi-LSTM与MLRA相比，模型精度分别提高了4.14%、2.40%、4.46%，说明所构建的Bi-LSTM交通流网格集群流量预测精度高、误差低，要优于MLRA模型，表现出较好的泛化性能； MLRA和Bi-LSTM的DTW结果分别为52938.6356、54815.1055，构建的Bi-LSTM模型较MLRA模型各自工作日和节假日时间序列相似性DTW结果提高3.42%，表现出更好的鲁棒性。利用城市交通流量的特点和交通轨迹数据网格化的优点，基于Bi-LSTM模型的城市交通网格集群流量预测与MLRA交通流量预测模型相比，具有精度高、误差低的特点。同时，DTW指标方面，基于Bi-LSTM对城市交通网格集群流量模型与真实流量变化趋势一致，表现出较好的鲁棒性。     

面向区域交通状态预测的时空集成模型

在智能交通系统中,交通状态预测发挥着至关重要的作用。针对现有的交通预测方法集中于中微观层面,且时间和空间维度单一的问题,提出了一种面向区域宏观交通状态预测的集成模型。该模型以交通指数为依据,在时间维度上采用时间序列预测方法获得时间预测结果,在空间维度上采用支持向量回归方法获得空间预测结果,并在集成模型中将两者的结果融合。在交通指数云图上的实验结果表明,与单一维度的时间或空间模型相比,该模型能显著提高预测精度。     

基于IOWA算子的短时交通流预测方法研究

本文首次将诱导有序加权平均（IOWA）算子应用到短时交通流预测中,建立了以整体预测误差平方和最小为目标的组合预测模型。在分析短时交通流预测模型的基础上,本文选取了指数平滑法、季节自回归求和移动平均模型（SARIMA）、BP神经网络模型对短时交通流进行预测,再用IOWA算子将这三种模型进行组合预测。最后进行实例验证,通过MAE、MSE和MAPE三项指标比较分析四种模型的预测效果。结果证明,IOWA算子组合预测模型明显优于其他的预测模型,有效地提高了短时交通流的预测精度。     

交通事故影响下事发路段交通流量变化分析

以交通事故这种异常事件为例,分别对高速公路基本路段内交通事故影响时间、车辆排队长度、事故影响下不同时间段内不同路段断面流量变化进行了分析。采用交通波理论给出了该事故路段内不同时间段内不同阻塞行车道宽度的车辆排队长度,并对流量变化分析进行了仿真验证。     

城市交通网络的渗流力学模型

将城市交通网络中的交通流视为多孔介质网络中的渗流，利用裂隙介质中多相渗流力学理论，考虑人流和车流之间的相互作用以及道路通行能力的不同，建立了城市交通网络通行能力计算的渗流力学模型，该模型的计算可以借助渗流力学的现有知识进行，可以通过计算得到不同时刻城市交通网络的交通流分布以及城市交通网络的宏观通行能力。从而为城市交通规划理论提供了一个全新的方法。     

交通流理论发展分析

交通流理论是一门发展中的学科,对传统交通流理论研究内容作了归纳总结,认为其模型的限制条件比较苛刻,因而影响了实际应用效果。随着现代科学技术方法的日趋完善,新的研究方法逐渐被应用于现代交通流理论中,其在应用中更重视模型和方法对真实交通流的拟合效果。通过全面的分析和综述,最后预测了交通流理论的发展方向,认为应该以系统科学的新方法去推动交通流理论的新发展。     

基于卷积神经网络与门控循环单元的交通流预测模型

为对交通流进行多步预测,支持智能交通系统的长期决策任务,一种基于编码器-解码器（encoder-decoder,ED）的卷积神经网络(convolutional neural networks,CNN)-门循环单元(gate recurrent unit, GRU)模型,简称ED CNN-GRU。首先使用CNN作为编码器,对交通流序列进行信息捕捉,再将上述信息通过GRU解码器进行解释并输出。实验证明,对比CNN、GRU单个模型,ED框架有效解决了误差的迅速累积问题。对比其他基准模型,CNN、 GRU模型对于交通流序列的特征提取及解释能力较为优秀。对于未来12个步长的交通流量预测任务,对比其他基准模型,单因素输入情况的ED CNN-GRU模型的均方根误差下降约0.344～6.464,平均绝对误差下降约0.192～0.425。对比单因素输入,多因素输入下ED CNN-GRU模型拥有更好的预测能力。证明了ED CNN-GRU模型在不同输入维度的多步交通流预测中任务中均具有良好的预测能力,为数据获取条件不同的城市提供了一个支持单因素及多因素输入情况的多步交通流预测模型。     

路段多车型混合车流通行能力

利用概率论方法,通过对由多种车型构成的混合车流不同跟驰序列,不同组合概率的研究,得到了跟驰车头时距路段多车型混合车流通行能力模型.基于经典车头间距模型,通过对混合车流不同跟驰序列下最小车头间距的研究,得到了多车型混合车流的组合车头间距,进而得到了跟驰车头间距路段多车型混合车流通行能力模型.推广了由大、小2种车型构成的混合车流的通行能力模型.研究表明,路段多车型混合车流通行能力不仅与反应时间、车辆速度、车辆长度、制动性能等有关,还与混合车流的车辆组成状况及跟驰序列相关.最后实例分析了不同小型车混入率情况下路段通行能力的变化状况.