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。     

基于旅行时间分析的城轨乘客路径集验证方法

城市轨道交通乘客出行路径集是否正确,是乘客路径选择估计以及网络客流分布计算的前提和基础.从现有客流分布模型中有效路径选择集问题及OD实际旅行时间聚类特征出发,引入Rodriguez-Laio快速聚类算法,提出基于旅行时间聚类分析的城市轨道交通乘客路径集验证方法.以北京地铁网络为例进行算例分析,结果表明,该方法可以在全网络范围内对路径选择集问题OD作出快速识别及滚动验证,并为以原因分析为导向的现场客流调查与模型修正工作提供重要参考.     

基于边缘点运动估计的交通参数检测

利用运动车辆的边缘点包含了运动的位置及运动方向的特点,本文提出一种基于边缘点运动估计的视频检测方法,通过对前后两帧交通图像的运动边缘点在虚拟线圈内进行匹配,可以确定运动车辆在连续两帧图像中的运动矢量,从而获取车流、车速等交通参数。该方法大大减少了运算量,确保了视频检测的快速性和准确性。     

方式划分与路网配流联合模型

利用方式划分和交通分配联合模型将公交OD在轨道交通和普通公交路网形成的广义路网上进行分配.构造了广义旅行费用函数,利用惩罚系数模拟乘客的心理行为,改进了BPR路段经验阻抗函数,对公交的拥挤条件进行描述,讨论乘客平均等车时间.基于广义旅行费用在广义公交路网上提出了满足用户平衡(UE)的方式划分与交通分配的联合模型和多路径增量分配法来近似模拟用户平衡状态的分配算法,提高了分配算法的效率.并给出简单的算例说明该联合模型能够实时地反映公交线路的实际客流量对旅行时间以及公交服务水平的影响.     

基于高斯核函数的短时交通流量预测

交通出行在人们的生活中占据了重要的地位,准确、短时交通流量预测有助于实现交通控制.本文采用基于高斯核函数的Nadaraya-Watson估计方法对短时交通流量进行了预测.以所选取路段的车流高峰时段为研究对象,根据当前时刻的车流量对下一时刻的流量值进行预测,其中相邻两时刻的时间间隔为5分钟;就所选的高斯核函数而言,根据试凑法,选定核函数带宽为8.结果表明,该方法的预测效果良好,其均等系数为0.996545243,达到了很好的预测效果.     

浅谈基于视觉的高速公路车流检测技术

基于视频的高速公路车流检测系统是一种结合数字图像处理和计算机视觉技术的智能化交通检测系统。本文运用数字图像处理和计算机视觉技术,对基于视频的交通流检测进行了原理分析与设计,对数字图像处理和计算机视觉的相关知识作了介绍,并对摄像机标定、背景更新、目标识别和交通流参数检测进行了研究。     

交通错峰出行策略仿真模型

为了表征实行弹性工作起始时间的车流在交通高峰时段内的路网旅行成本,并得到路网车流的最优错峰出行策略,提出了交通错峰出行2层模型。模型上层负责对路网车流出行策略集合进行遍历,模型下层针对上层的每个出行策略,采用基于离散随机网络的动态交通流分配方法,仿真车流在路网中的并发路由及出发时间均衡特性,求出路网车流交通旅行总成本,策略集合遍历结束后就可确定最优错峰出行策略。模型仿真揭示了影响最优策略选择结果的主要因素,给出了特定条件下最优策略选择方向上的变化规律,可为制定城市路网错峰出行政策提供参考。     

基于基线漂移校正的旅行时间预测模型

路段旅行时间及其预测值是管理部门实施交通流组织,提供交通信息服务的重要依据,也是出行者合理选择出行路径的重要参考.文中基于浮动车检测数据研究了路段旅行时间的计算算法及数据预处理方法;分析了旅行时间序列中的基线漂移现象,并运用小波分析法给出了基线漂移的校正方法以达到对时间序列降噪处理的目的;最后,基于自回归移动平均法建立了路段旅行时间的预测模型,并选取实际数据验证了文中模型的有效性和精确性.     

基于视频的改进帧差法在车流量检测中的应用

如何有效去除背景、消除按车道开固定窗检测车辆的方法中,由于车辆换道或相邻车道的车辆部分覆盖了被检测车道检测窗而引起的误检,是车辆检测系统需要解决的一大难题.针对上述问题提出了一种基于视频的改进的帧差法,在检测带内由车辆信息生成数据流,根据数据流的变化进行车辆检测、计数并估计平均车速.从而实现对过往车辆的准确计数,更可靠地收集各车道的车流信息,为智能交通提供实时交通参数.     

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.     

基于多源ITS数据的行程时间预测体系框架及核心技术

针对当前城市道路行程时间预测系统性不强等问题,构建基于多源数据的行程时间预测体系框架,阐述预测过程涉及的关键技术.框架的构建以固定式和移动式2类采集方式获得的交通数据为出发点,将预测过程划分为估计和预测两个阶段.提出固定式采集方式获取的速度数据用于行程时间的间接估计和预测的关键技术为空间平均速度的估计;移动式采集方式获...     

面向预约出行的车路联网与协同交通控制：前沿与展望

预约出行正逐渐成为重要的出行模式，为了确保预约出行在城市道路交通系统的实施，交通控制发挥着至关重要的支撑和保障作用，因此对面向预约出行的车路联网与协同交通控制前沿工作进行综述。以交通控制为研究主线，对面向预约出行的需求适应性交通控制方法、保障预约出行效益的车辆控制，以及控制与服务协同3个方向的前沿研究进行综述。结果表明，相比于传统出行方式，预约出行对于出行时间可靠性要求较高，交通控制需要保障预约出行的行程时间可靠性。同时，还需要构建既有利于提升路网整体运行效益，又能保障预约出行车辆优先通行的控制方法。最后，需要推动交通控制技术和服务型交通管理技术的融合，实现交通控制与出行服务的有机结合。     

基于集成算法的路段短时行驶时间预测

为了更好地解决路段行驶时间的短时预测问题，提出并改善了一种基于树的集成算法。针对小时间尺度下交通时变性强这一特性，构建更加鲁棒的梯度提升树（GBDT）以减少突变点的干扰。为了克服偏差 方差窘境，将随机树（RF）与GBDT进行融合，提出RF-GBDT的集成算法，并考虑各种历史旅行时间数据的相关变量以提高模型的可解释性。预测结果表明，与单独的RF或GBDT相比，RF-GBDT具有更好的预测准确度与算法稳定性。     

基于灰色关联分析的路段行程时间卡尔曼滤波预测算法

为改善卡尔曼滤波用于时间序列预测时的自适应性能，提出基于灰色关联分析的路段行程时间实时预测算法．首先，利用灰色理论对行程时间序列的各影响因素进行灰色关联分析，根据灰色关联度的大小来选取路段行程时间的主要影响因素，由此建立相应的动态方程．在此动态方程基础上，通过卡尔曼滤波递推进行路段行程时间预测．文中利用深圳某交通干道上的实测行程时间进行仿真实验，结果表明该算法的综合预测性能优于常规卡尔曼滤波方法，可应用于正常交通流状况下的路段行程时间预测．     

高速公路出行距离特征分析与应用

为分析高速公路出行距离特征与快速准确地计算高速公路起讫点(origin-destination,OD)矩阵,通过统计收费数据探寻不同车型的出行距离特征,并结合收费站点区域的联系强度构建OD估算模型。根据车型分类标准对收费数据进行分车型整合处理,利用频数分析和曲线拟合建立出行特征函数,并利用空模型法模拟客车和货车距离衰减规律;根据收费站不同行车区间内出行概率与节点间的联系强度,建立基于驾驶员出行特征的OD估算模型并进行实例分析。结果显示:河北省客、货车出行距离区间分别集中在50～150 km与100～300 km;距离衰减系数分别为1.08和1.205,不同于默认值2,随距离的增加有显著的衰减趋势;客车和货车最佳拟合函数分别为对数正态分布和正态分布,OD估算结果误差小于5%。     

车载视频系统中字符叠加技术的应用

为解决车载视频系统中查看各种信息数据必须切换视频信号的问题。把字符叠加技术引入到车载视频系统中．通过对字符叠加(OSD On Screen Display)技术原理的分析，利用字符叠加芯片、视频信号处理芯片、存储芯片等设计出一种新型车载视频字符叠加系统．这种新型视频字符叠加系统可以将字符信息和动态的视频节目同时显示于电视屏幕上，实现了在汽车上观看视频节目的同时又可以查看许多必要的汽车行驶参数的功能．     

基于GIS和GPS的交通状态参数估计与仿真模型

基于“大样本,长周期”条件(大样本指车辆数5 000~50 000,长周期指GPS位置传送间隔2~5 min),探讨了在GIS环境下用仿真出租车GPS信息来估计和推算行程时间参数,包括建立参数估计模型、基于GIS的仿真、采用Householder变换解算大规模矩阵;最后将通过仿真系统模拟获得的解算结果数据,与最初给每条路段预设的等级而确定的每条路段上行驶的时间相比较,实验表明达到预期效果,验证了模型和方法的有效性.     

卡车路段行程时间的实时动态预测

分析了建立卡车路段行程时间预测模型传统方法的不足，考虑到高度非线性的露天矿运输系统有别于公路交通系统，针对卡车运行时间的随机性，采用多因子预测，阐述了应用人工神经网络(ANN)原理和方法对卡车路段行程时间预测的可能性和优越性，建立了预测模型的基本结构，描述了行程时间与其影响因素间的非线性映射关系，从而提出了基于人工神经网络原理的行程时间预测模型。     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

城市快速路实时交通状态估计和行程时间预测

根据城市快速路交通诱导和监控系统的实际需要,提出了实时估计和预测城市快速路上交通状态和任意两点间动态行程时间的方法.其基本思想是将扩展卡尔曼滤波理论引入宏观动态交通流模型,结合快速路上的固定检测设备,实时估计和预测未来几个时段的交通状态,并利用“虚拟车”法预测动态的行程时间.通过对上海市快速路典型实测数据的实例分析,发现交通状态估计模型具有良好的跟踪能力,行程时间预测模型在畅通状态计算结果和实测结果几乎完全重合,拥挤状态相对误差基本维持在10%以下.结果表明,该模型的适用性和精度都令人满意,可为城市快速路交通控制和诱导提供依据.