基于神经网络的海量GPS数据交通流量预测

交通流量数据具有非周期性、非线性和随机性等特点.为了更准确地对未设置ETC路段交通流量进行预测,采取相应措施处理交通拥堵问题,提出了基于神经网络推论模型为主体的交通流量预测系统.通过实验验证了ARIMA乘积季节模型、BP神经网络和RBF神经网络的多种训练函数的预测精度及适应性.相对于常规预测方法,基于神经网络的预测方法具有更好的适应性,而且预测精度也更高.     

基于上游到达交通量的余弦函数路段车速-流量关系模型

针对格林希尔茨速度-流量模型变型获得的路段路阻模型中存在当速度为零时研究断面流量反而最大的问题,采用上游到达的车流量代替研究路段或断面的车流量,建立新的关于上游到达车流量-速度的余弦函数路阻模型。分析在不同畅行速度、不同流量的情况下模型的稳定性与实用性。仿真结果表明:余弦函数路段车速-流量路阻模型明显优于格林希尔茨理论,能够更好地解释数据。此外,与美国公路局(bureau of public roads,BPR)模型相比,余弦函数路段延误模型的计算精度得到进一步提高,后者的计算结果与实测数据之间相关性提高了0.450。     

基于神经网络的行驶时长预测

定位设备的普及产生了海量的车辆行驶数据,使得利用历史数据预测车辆行驶时长成为可能.车辆行驶数据由两部分组成:车辆行驶经过的路段序列信息和出发时段;路径总长度等外部信息.如何提取路段序列特征,以及如何将序列特征与外部特征有效地融合,成为预测行驶时间的关键问题.为解决以上问题,提出了一个基于Transformer的行驶时间预测模型,模型由路段序列处理模块和特征融合模块两部分组成.首先,路段序列处理模块使用自注意力机制处理路段序列,提取路段序列特征.该模型不但可以充分考虑各条路段与其他路段间道路速度的时空关联性,同时可保证数据并行输入模型,避免了使用循环神经网络时数据顺序输入导致的效率低下.其次,特征融合模块将路段序列特征与出发时段等外部信息相融合,最终获得预测的行驶时长.在此基础上,统计路口连接的路段数作为路段的上/下游路口特征,与路段特征结合输入模型,进一步提升了行驶时长的预测精度.在真实的数据集上与主流预测模型进行的对比实验表明,该模型在预测精度以及训练速度上均有提升,体现了所提模型的有效性.     

基于模糊神经网络的短时公交到站时间预测

研究了中国公交运营特点,利用全球定位系统和电子票务收费系统收集的车辆实时信息,建立了路段和站点补偿模糊神经网络模型,分别预测车辆的路段行驶时间和站点停留时间.路段预测模型的输入是所有重合线路的站点行驶数据,改变了现有预测模型只采用单线路数据的不足.以济南市一条实际公交线路为例,利用VISSIM模拟专用道和非专用道两种道...     

灾变事件下高速公路管理单元的行程时间研究

为有效服务于灾变事件下高速公路通道路网的路径诱导和控制管理,提出了路网中管理单元的划分方法;针对未发生灾变事件的管理单元,考虑管理单元长度、平均车速以及实时交通密度的影响,建立行程时间特性函数;结合发生灾变事件时管理单元的排队-消散特征,利用流量、密度关系模型确定事件持续时间和消散时刻,构建基于波动理论的事发管理单元行程时间模型;以实时安全可靠度作为路阻函数对模型进行了修正,最后通过实例验证了计算模型的有效性.     

信息条件下路段出行时间可靠性的计算

出行时间可靠性是微观出行决策的重要考虑因素,结合信息提供来求解出行时间可靠性是当前构建高级出行者信息系统的基础工作.根据出行时间可靠性的定义及其概念模型,研究了模型中路段行驶时间和路段选择概率两个重要的参数.对于前者,利用随机过程的数字特征确定了路段行驶时间的近似迭代公式;对于后者,则以Logit模型为基础,通过考虑出行者对出行路线信息储备的异质性,建立了基于信息的Logit模型,从而得到了出行时间可靠性的完整模型.仿真实例表明了模型的适用性.     

基于GIS的太原师范学院新校区到太原火车站最佳路径分析

最佳路径分析是网络分析的一个最常用、最基本的研究问题,在最佳路径分析中,路阻因素的选择和权重的确定是一个极其关键的环节.文章基于GIS软件,利用研究区2015年Landsat8遥感影像、百度地图,并结合实际调查数据,建立了道路交通数据库;然后,从自驾和公交两个视角,分析了这两种出行方式最小综合路阻下的最佳路径.自驾方式的路阻因素选取了路径距离、道路等级、路况信息三个,公交方式的路阻因素选取了步行距离、行驶时间、发车间隔、转乘次数四个.分析结果符合实际情况,可以为广大师生的出行决策提供有力的依据和参考.     

水泥混凝土路面错台分级方法

结合重庆市水泥混凝土路面错台病害评价标准确定实例提出了一种基于路面行驶质量水平的错台量分级方法.首先选择2个典型的水泥混凝土路段,详细检测选定路段的错台量和局部平整度值(LRI);通过数值分析建立错台量与局部平整度指标之间的相关关系模型;最终由局部平整度与行驶质量水平间的关系建立基于行驶质量水平的错台量分级标准.     

基于组合加权的灰色聚类方法研究

利用方差最大化原理,结合灰色理论提出了一种基于指标白化权函数值的方差最大化的灰色聚类指标客观权重确定方法,反映了指标信息的重要性由聚类指标的差异程度体现.综合主观权重确定的最小平方法,建立了基于线性组合赋权模型,并通过实例对模型进行求解,验证了该模型的客观性与有效性.     

确定格子Boltzmann方法平衡态分布函数的两种一般形式

采用D2Q9和D2Q7离散速度模型,基于群在集合上的作用,给出相应离散速度集合的一个划分;利用对称变换群理论确定格子Boltzmann方法 (LBM)中平衡态分布函数的两种不同形式.通过基于不同离散速度模型的LBM平衡态分布函数的比较,更直观地描述平衡态分布函数形式的确定及其与离散速度模型的关系.     

基于复杂网络的交通阻抗模型研究

针对城市道路交通拥堵及路网道路使用不合理的交通现状,将影响交通阻抗的因素分为交通流特性和路网结构特性两大类;结合ArcGIS、UCINET以及Matlab等工具,通过复杂网络理论量化网络结构特性对交通阻抗的影响;采用节点收缩方法从结构上确定其对交通阻抗的影响,并与BPR路阻函数相结合,建立综合阻抗的参数模型;根据熵权法来确定模型中的ψ、ω两个参数值。最后以天津市部分城市道路网络为例,进行实例验证,结果表明综合阻抗算法更精确地表征了城市道路网络的交通阻抗。     

基于AHP灰色理论的道路交通流数据质量评价

交通流信息采集的过程中由于受到设备自身及外在环境等因素的影响,所采集的数据容易出现失真、缺失和冗余等质量问题,无法满足智能化交通管理的要求。本文以准确度、完整度和时效性等3个数据特性作为评价指标,提出了基于层次分析法与灰色聚类分析的道路交通流数据质量评价方法,采用层次分析法确定评价指标的权重,采用灰色系统理论白化权函数建立各指标关联度矩阵模型,结合北京市二环路实测数据进行了实例分析,证明了方法的可行性。     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

考虑非机动车流影响的微循环路网组织优化

为提高道路网通行能力,缓解干道拥堵,提高支路利用率,研究了非机动车流对机动车流的影响,并构建了影响模型,对机动车流的路阻函数进行改进。使用改进后的路阻函数构建微循环路网单向交通组织双层规划模型。上层模型以路网交通效率最大,干道平均饱和度最小和微循环支路平均饱和度最小为目标; 下层模型是基于用户平衡分配的交通流分配模型。采用遗传算法对模型进行求解。最后以北京市西三旗地区某微循环系统为例进行算例分析。研究结果表明:实施单向交通能够有效降低干道饱和度,提升支路利用率,平衡道路资源使用。在不考虑非机动车流影响时,进行单向交通组织的路段为9条,考虑单向交通影响时,进行单向交通组织的路段为4条,仅有两条路段重合,两种情况路网组织方案差异明显,所以应在实际路网优化时考虑非机动车流的影响。可见,考虑非机动车影响的微循环路网组织优化模型能够为实际单向交通组织提供理论支持。     

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出一种基于图Transformer（graph transformer,Graformer）的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,本文将带有边的图同构网络（graph isomorphism network with edges,GINE）和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络（long short-term memory,LSTM）对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。通过使用PeMS数据集进行实验验证,结果表明提出的Graformer模型在各项性能指标上均优于对比模型,证明了其作为一种可靠且高效的路网短时交通流预测方法的有效性。     

交通量的灰色神经网络预测方法

结合灰色系统思想与神经网络构成灰色神经网络,根据目前灰色模型与神经网络结合的方法,提出并联型、串联型和嵌入型3种预测模型的结构.并联型灰色神经网络首先采用灰色模型、神经网络分别进行预测,而后对预测结果加以组合作为实际预测值;串联型对多个灰色预测的结果使用神经网络进行组合;嵌入型在神经网络的输入端、输出端分别增加一个灰化层和白化层而构成.对并联型灰色神经网络给出一种根据预测模型的有效度确定加权系数的方法.将上述3种灰色神经网络模型用于对京石高速公路断面机动车实时交通量进行预测,模型精度和预测结果比较理想,优于单一预测模型.实验表明:灰色神经网络可提高预测精度,用于交通量预测方法是有效可行的.     

A BP neural network based information fusion method for urban traffic speed estimation

Obtaining comprehensive and accurate information is very important in intelligent traffic system (ITS). In ITS, the GPS floating car system is an very important approach for traffic data acquisition. However, in this system, the GPS blind areas caused by tall buildings and tunnels could affect the acquisition of traffic information and depress the system performance. Aiming at this problem, we developed a novel method employing a back propagation (BP) neural network to estimate the traffic speed in the GPS blind areas. When the speed of one road section is lost, we can use the speed of its related road sections to estimate its speed. The complete historical data of these road sections are used to train the neural network, using Levenberg-Marquardt learning algorithm. Then, the current speed of the related roads is used by the trained neural network to get the speed of the road section without GPS signal. We compare the speed of the road section estimated by our method with the real speed of this road section, and the experimental results show that the speed of this road section estimated by our method is better.     

基于传输贡献矩阵的城市路网节点重要性评估方法

 在城市道路中,通常采用交叉口流量或道路连接数等单一指标确定路口重要性,很难保证突发事件下道路网络运行的可靠性。鉴于城市道路网络的无标度特性,以交通阻抗为权重,将城市道路网络抽象为加权网络,提出节点重要度传输贡献矩阵方法,评估道路交叉口重要性。该方法综合考虑交叉口所处路网位置、道路连接数及关联路段交通阻抗,采用节点效率值表示其位置信息,通过融合节点度值和交通阻抗值,构建交通信息传播过程中节点之间的重要度关联,以表示相邻路口间重要性依赖关系。以天津市区域路网为例计算各交叉口重要度,采取连续移除重要节点方式,模拟连锁故障过程,并将结果与节点收缩法进行对比。实证分析表明：在移除最重要的8个节点后,路网最大连通子图规模较节点收缩法降低9.10%,验证了该方法的有效性。     

城市道路交通拥堵的模糊神经网络评析

以城市道路网络的拥堵状况为研究对象,运用模糊层次分析以及神经网络理论构建城市道路交通拥堵的模糊神经网络评价模型.以层次分析为准则,从微观层、中观层、宏观层等方面建立道路交通拥堵三层评价指标体系;利用模糊一致性判别矩阵界定道路交通拥堵评价因子综合权重,基于BP神经网络构建了道路交通拥堵的模糊神经网络评价模型,并对道路交通拥堵评价区间进行阈值确定,将道路交通拥堵评价集界定为严重拥堵、中度拥堵、轻度拥堵、较为畅通、畅通等5个等级.以2016年上海市20个交通小区的道路交通拥堵数据为样本进行实例分析,结果表明该方法的可行性以及有效性.      

基于深度优先搜索算法的交通流向供需失衡路径辨识

针对城市路网中的交通流向供需失衡问题,首先分析了交叉口、路段的流向失衡特征和解决对策,进而提出了网络层交通流向供需失衡的表征模型及变向交通组合管控策略;其次,基于图论的思想定义了基础路网,并结合深度优化搜索算法(deep first search,DFS)构建了网络层交通流向失衡路径辨识模型;最后,通过一个包含16节点的4×4路网对模型进行了验证.结果显示,该模型能够对路网中的交通流向供需失衡路径进行快速准确辨识,为变向交通智能管控的实施提供决策支持.