面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

面向浮动车取样偏差修正的数据融合方法

考虑到浮动车取样偏差会给路段平均行程时间估计值带来很大误差这一事实,提出了一个融合模型,该模型是在真实路段平均行程时间计算模型的基础上推导出来的,其融合了线圈数据和浮动车数据,减少了浮动车取样偏差对路段平均行程时间估计值的影响.最后利用仿真实验对一条具有连续5个交叉口的主干道进行仿真实验,实验证明,相对于浮动车法,融合方法无论在平峰期和高峰期都可以得到精度更高的平均行程时间估计值.     

基于多源浮动车数据融合的道路交通运行评估

针对当前出租车浮动车数据覆盖范围和数据质量不足的问题,在现有数据特征分析的基础上引入百度手机导航和公交车浮动车导航数据,面向道路运行评估和拥堵管理提出了基于出行时间的交通运行指数算法和一种基于出租车、百度、公交车多源浮动车数据融合的道路交通运行评估方法,构建了多源数据融合规则和融合算法.以深圳为例进行了融合效果分析,结果表明所提出的多源数据融合方法效果显著,很大程度上提高了融合结果精度、数据覆盖率、数据可靠性和数据样本量,最后提出了主要应用方向和初步应用效果,能够为国内外城市开展交通运行评估工作提供借鉴.     

基于ArcGIS Engine的路网运行状态判别系统设计与实现

以GPS信息技术为基础,提出了基于ArcGIS Engine的道路交通状态判别系统的设计目标,分析了系统的总体框架、软件体系结构以及系统工作流程;根据系统的数据需求和功能需求,利用ArcGIS进行系统的数据库设计和功能模块设计.最后根据淄博市张店区主要道路的浮动车数据,完成了系统基本功能的开发.     

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。     

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.     

基于模糊综合评价的道路交通状态判别方法研究

选取路段的平均行程车速、时间占有率以及交叉口平均延误为特征参数设计道路交通状态判别分析模型,根据采集到的交通信息数据,运用模糊综合评价方法判别道路交通的实时状态.实验结果表明,传统的方法对单个特征参数根据判别阈值得到的道路交通状态判别结果波动性大、精度不高,通过将其进行模糊综合评价后,判别结果有了较好的稳定性和准确性,所提出的算法能够提高交通状态判别的精度.     

基于优化随机森林算法的浮动车GPS数据插补模型

为改善浮动车GPS数据因采集过程中受到干扰造成数据缺失问题,通过分析法研究了浮动车GPS数据与交通流状态和道路线形之间的关联性,提出一种基于优化随机森林算法的浮动车GPS数据插补模型,本模型针对随机森林算法插补过程中,因自身的随机性而引起插补结果具有波动性问题,在结果输出部分引入权重因子,通过线性优化算法,调节权重因子大小使输出结果波动性降低的同时满足道路线形特征。实验对6名志愿者21天的出行轨迹数据进行插补,结果表明：本文所构建的模型平均误差12.3m,相较于随机森林模型、决策树模型和线性回归模型分别减少14.9m、24.3m和239.3m,可见采用优化随机森林算法建立的插补模型有效提升了浮动车GPS数据插补精度,为交通状态分析、地图匹配等应用提供数据基础。     

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DBSCAN算法的浮动车数据预处理

针对现有浮动车数据预处理方法中存在算法复杂和精度低等缺点,提出一种基于DBSCAN(DensityBased Spatial Clustering of Applications with Noise)算法的浮动车数据预处理方法。该算法操作简单,仅需原始GPS数据中的纬度和经度就能去除浮动车数据中的轨迹漂移点。首先,在数据库中对浮动车数据进行剔除经纬度越界数据、剔除异常数据、剔除重复数据和剔除不完整数据处理;然后,使用DBSCAN算法剔除浮动车数据中的轨迹漂移点。利用该方法对武汉市浮动车数据进行预处理,能够快速有效去除浮动车数据中的轨迹漂移点。     

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.     

基于车辆方波脉冲时序图的交通流参数实时检测算法

提出一种基于车辆方波脉冲时序图的交通流参数实时检测算法,克服了现有方法易受光线变化及天气影响、运算量大等缺陷,提高了实时交通流参数检测的准确率,为智能交通系统提供有力支撑。研究基于虚拟检测线,将交通监控视频降维处理为包含时间和空间信息的时空图,而后对时空图进行前景提取,生成二值化时空图的垂直投影,针对像素累积图设计了系统性去噪及车辆对象识别方法,进而生成车辆方波脉冲时序图,实时检测出车流量、车头时距、时间占有率、车辆速度并进行车辆分类。分析结果表明,所提出的方法能克服雨雪天气、夜晚光线等干扰,快速而准确地进行多车道交通流参数获取,计算负荷小,方法准确率高达97.32%,可满足智能交通系统对交通流参数检测实时性和精度的要求。     

基于城市道路卡口数据的交通流量预测

交通流量的预测可以为交通管理部门的工作和车主的出行规划提供很大帮助,如何进行准确且高效的交通流量预测是一个非常重要的问题。传统的交通流量预测数据通常是车速和行车轨迹,研究人员通过在高速上每隔一段距离布置交通传感器获得数据,这些方法应用于城郊地区和高速公路上,取得了很好的效果,但城市道路人口密集且交通情况复杂,不适合大规模布置传感器获得所需交通数据,所以不能使用现有的方法进行预测。笔者提出了一种利用城市道路卡口的交通流量数据进行预测的方法。首先,通过对已有的交通数据分析来总结交通流量周期性变化的特点;然后,基于这些周期性变化的特点来提取相应特征;最后,依据这些特征训练适用于城市卡口的交通流量预测模型。基于真实交通数据集进行了大量实验,结果表明,交通流量预测模型的预测值的RMSE和MAPE分别为15.3和7.3,即预测准确度可以达到92.7%。     

一种实用的混合交通流BPR模型

针对城市道路混合交通问题,分析了小、中、大3类车型的车道、区位、断面分布特征,依据各车型车辆的道路路段固有阻抗和车型比例仿真构建了三幅路、四幅路、三幅路单行且公交可逆行等典型道路路段机动车流的车速流量实用模型(BPR模型),并以小、大型车比例差为变量对模型进行了修正.预测结果表明,修正模型能够适应各种交通组成情况,且具有相当高的计算精度,可以较准确地预测缺乏实地调查资料的道路路段交通流参数.     

基于元胞自动机原理的微观交通仿真模型

描述了一种对高速路上的交通流仿真和预测的模型.该模型应用了元胞自动机原理对复杂的交通行为进行建模.这种基于元胞自动机的方法是将模拟的道路量离散为均匀的格子,时间也采用离散量,并采用有限的数字集.同时,在每个时间步长,每个格子通过车辆跟新算法来变换状态,车辆根据自定义的规则确定移动格子的数量.该方法使得在计算机上进行仿真运算更为可行.同时建立了跟车模型、车道变换的超车模型,并根据流程对新建的VP算法绘出时空图.提出了一个设想:将具备自学习的神经网络和仿真系统相结合,再根据安装在高速路上的传感器所获得的统计数据,系统能对几分钟以后的交通状态进行预测.     

Improved Model of Start-Wave Velocity at Intersections Based on Unmanned Aerial Vehicle Data

The basic parameters involved in current start-wave theoretical models such as density and velocity are difficult to obtain through traditional traffic detection devices. Thus it is hard to apply these theoretical models to the actual verification and prediction for real situation. Unmanned aerial vehicle( UAV),which can shoot aerial video and identify vehicles, roads and other objects, is introduced in this study as a new type of traffic information collection method to gather the real-time data of the necessary parameters. An improved start-wave velocity model is proposed,where the speed and density of traffic flow are converted into vehicle space headway,mean vehicle length and other auxiliary parameters which can be recognized from aerial video or other means. A UAV was used for video shooting at intersections in a flight experiment in order to verify the accuracy of the calculated start-wave velocity.The mean absolute error rate between the calculated velocity and the actual velocity is 2. 277%. Moreover, the improved start-wave velocity model showed much better accuracy than the traditional start-wave velocity model. The results indicate that the improved model is accurate enough to be used for model calibration and validation in signal timing optimization.     

一种面向全景视频的交通状态检测方法

传统的交通状态检测方法对全景视频中的车辆检测时存在检测精度低、鲁棒性差等缺点。为了解决这些问题,该文提出了一种新的基于虚拟检测线的车辆检测方法。首先,利用提出的基于动态学习率的改进混合Gauss模型构建背景,背景模型的学习率由检测到的车速决定;其次,通过引入Mahalanobis距离来判断虚拟线上的像素是否属于背景;最后,通过设置检测跟踪区域检测车速并跟踪车辆行驶轨迹,避免重复计算车辆数。实验结果验证了所提方法的有效性及在各种场景下较强的鲁棒性。