城市快速路路段行程时间估计方法

为有效提高城市快速路路段行程时间估计精度，本文提出一种基于自适应滤波和网格虚拟车的行程时间估计方法。首先，利用自适应平滑滤波插值获得固定检测器之间的速度数据，实现固定检测器之间的时空速度场重构。然后将重构的速度场细分为若干网格单元，通过计算虚拟车在重构时空速度场的虚拟轨迹估计路段行程时间。最后，选取城市快速路感应线圈实测数据进行实例验证。实验结果表明，本文方法在自由流、平稳流和拥堵流3个运行时段下，均方根误差分别为0.15、0.35和1.06,平均相对误差均低于10%,具有较高的估计精度。     

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)和门控循环单元(Gated Recurrent Unit, GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。     

基于回声状态网络模型的短时交通流混沌预测

为了提高短时交通流预测的准确度,提出基于回声状态网络模型的短时交通流混沌预测方法;利用C-C法计算相空间重构的延迟时间和嵌入维数;利用遗传算法对回声状态网络模型进行参数寻优,进而构建基于遗传算法的回声状态网络模型;采用城市快速路实测数据进行实验验证和对比分析.结果表明,所提出方法的预测效果明显优于支持向量机模型、小波神...