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。     

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.     

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、     

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.     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

多用户动态交通流分配模型及算法研究

通过对动态交通网络中瞬时反应型和预测型出行者行为假设的分析,提出了将两者结合并增加固定路线出行行为假设的多用户动态交通流分配模型.同时通过对动态交通网络出行者行为的相互制约特性分析,给出了求解上述模型的迭代算法.本模型拓展了以往构建模型中出行者行为的单一性假设.本模型及算法也可直接应用于先进的出行者信息系统,并为路径导行系统中网络的效益分析提供理论依据.     

基于增广Petri网的实时交通信号控制系统

利用带抑制弧/使能弧、自控网技术的增广Petri网设计了一种交叉路口实时交通信号控制系统,通过采集路面车流量信息实时改变每个信号灯周期内各相位时长,模型通过了正确性分析.并依据该模型开发了Java原型系统,实验表明该系统能有效缓解交叉口的交通滞留.     

实时交通流预测的并行SVR预测方法

提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.     

联合时空特征的交通流参数预测综述

针对交通流参数预测在智能交通系统中的重要性,为寻求更实时准确的预测方法,对联合时空特征的交通流参数预测方法进行综述。以交通时空数据为研究对象,将交通流参数预测方法归纳为统计学习方法、深度学习方法和图神经网络方法。基于这3类方法分别从传统和联合时空特征角度概括了各种方法的研究现状和特点,分析了交通流参数预测的难点。结果表明,联合时空特征的交通流预测方法由于考虑了道路网络中复杂且动态的时空依赖性,相较于传统的同类方法,预测性能有较大提升。最后,从模型输入和模型设计角度,讨论了交通流参数预测未来研究方向。     

车路协同环境下信号交叉口车速引导策略

为降低车辆需停车通过信号交叉口的可能性,减少停车时间,针对在三、四线城市交叉口区域实时的车辆排队长度数据不易或无法获得这一实际情况,提出车路协同环境下的车速引导策略。搭建了车载交通灯提醒系统,并对安徽省芜湖市衡山路-凤鸣湖北路交叉口的交通灯进行了数据采集。在实际数据的基础上,运用VISSIM软件进行仿真验证,结果表明,在高峰和平峰流量时车速引导策略均能有效降低单车行程时间,平均降低比率分别为9.2%和13.0%,且改善效果在平峰流量时优于高峰流量时。该车速引导策略提高了信号交叉口的交通效率,为车路协同环境下车速引导的实际有效运用提供了思路。     

城市停车诱导管理信息系统的设计与实现

为了使停车诱导系统的数据处理部分能更好地满足区域内停车场的业务特点和用户动态需求,提出了城市停车诱导管理信息系统的模型.在现有停车诱导理论的基础上,将地理信息系统和管理信息系统融入其中,加快区域内停车资源供求信息的实时交互,并通过连接GSM导航,在进行停车选择后,获取较优的行走路径,从而减少因寻找停车场而产生的附加交通量,缓解交通负担,改善区域交通环境.最后,运用C#语言实现了该系统模型的主要功能.     

A Simulation System and Speed Guidance Algorithms for Intersection Traffic Control Using Connected Vehicle Technology

In the connected vehicle environment, real-time vehicle-state data can be obtained through vehicle-toinfrastructure communication, and the prediction accuracy of urban traffic conditions can significantly increase.This study uses the C++/Qt programming language and framework to build a simulation platform. A two-way six-lane intersection is set up on the simulation platform. In addition, two speed guidance algorithms based on optimizing the travel time of a single vehicle or multiple vehicles are proposed. The goal of optimization is to minimize the travel time, with common indicators such as average delay of vehicles, average number of stops, and average stop time chosen as indexes of traffic efficiency. When the traffic flow is not saturated, compared with the case of no speed guidance, single-vehicle speed guidance can improve the traffic efficiency by 20%, whereas multi-vehicle speed guidance can improve the traffic efficiency by 50%. When the traffic flow is saturated, the speed guidance algorithms show outstanding performance. The effect of speed guidance gradually enhances with increasing penetration rate, and the most obvious gains are obtained when the penetration rate increases from 10% to 40%. Thus, this study has shown that speed guidance in the connected vehicle environment can significantly improve the traffic efficiency of intersections, and the multi-vehicle speed guidance strategy is more effective than the single-vehicle speed guidance strategy.