基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function, PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。     

基于浮动车大数据与网格模型的城市交通拥堵识别和评价研究

随着机动车辆的迅猛增长,城市路网呈现出事件多发、通行状态多变的特征,大城市的交通问题日趋严重.借助大数据技术,通过对城市路网中海量浮动车轨迹数据的深入挖掘,能够实现对复杂交通状态的快速识别和准确分析.本文首先对北京市浮动车的海量数据进行校准和清洗.其次,针对不同的研究内容,构建不同尺度的网格模型.然后,根据网格内节点对行程时间的历史数据,识别常发拥堵区域;结合实时行程时间数据,识别偶发拥堵事件.最后,通过对网格交通运行指数进行密度聚类,从空间范围上将大城市拥堵区域的类型划分为"点-线-面"3个层级对交通拥堵进行评价研究.本研究不以道路矢量地图为基础,仅通过浮动车轨迹数据,便可以实现对交通拥堵的高效识别和宏观拥堵的评价.     

基于浮动车数据的城市居民出行行为规律分析

基于浮动车数据对代表居民活动地的特征点进行提取,并采用K均值算法对特征点进行聚类.本文采用这种方法对居民周末出行的空间分布规律进行分析.分析结果表明周末出行主要集中在商业娱乐休闲区,且城区分布相对于郊区更集中.     

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。     

一种基于平面交叉口的浮动车数据轨迹重构方法

通过一种根据车辆运动列簇特征,提取同一运动列簇的多辆浮动车的运动轨迹的方法对平面交叉口的浮动车数据进行轨迹重构处理,为后续对交通信号灯配时估计提供数据准备.该方法简单,易于操作,不需要利用复杂的算法或模型去实现.首先,通过分析车辆的运动过程来提取车辆的运动特性,再根据车辆的运动特性,从空间和时间的角度对车辆的运动轨迹进行分析,对平面交叉路口的车辆轨迹进行分流处理,从而得到重构的车辆轨迹序列.选取了2个不同类型的平面交叉口数据为实验示例,实验结果表明,该方法能够有效地对平面交叉口浮动车轨迹进行重构.     

城市浮动车数据定位误差分布规律研究

通过浮动车数据处理与分析,探讨了浮动车数据定位误差的影响因素。选择了三个主要的因素——速度、道路等级和时间段,进行了定量分析。提出了定位误差的计算方法,介绍了在复杂的城市环境下浮动车数据定位误差和影响因素之间的定量关系。结果表明,车速和道路等级对浮动车定位误差有显著的影响。提出了定位误差和速度之间的函数关系,以及定位误差在不同道路等级和不同时间段的具体分布情况。研究结果可进一步用于提高地图匹配的准确性。     

基于浮动车数据的区域路网交通状态评价

城市道路拥堵现象已经对公众的生活产生严重影响,如何快速有效地发现并及时处理交通拥堵现象已成为交通发展中的重中之重。浮动车数据作为交通状态检测的新来源,在交通状态检测领域有着广阔的应用前景。通过浮动车数据估算路段最大排队长度,并将其与路段车辆行驶速度、路段行程延误时间作为区域内交通状态评价参数,基于模糊综合评价算法,给出了一种在不同时间段内路段及区域交通状态评价方法。最后通过实际浮动车数据进行实例验证。实验结果表明该算法对于能够较好地检测区域路网交通状态,具有较好的实用性。     

基于服务总线浮动车数据分布式并行处理算法

FCD（Floating Car Data,浮动车数据）是一种新型的交通信息检测技术,其核心是利用具有GPS/北斗定位和通讯功能的车辆（如城市出租车等）采集的位置、时间、速度等数据,并把这些数据与电子地图进行单点匹配,以及路径推测等,最后可直观描述道路的交通流状况。然而,海量浮动车数据处理存在性能方面的瓶颈,为此,本文针对大规模浮动车数据进行分布式并行处理等关键性算法研究,在单机多线程处理的基础上,通过服务总线,实现了FCD分布式并行处理系统及FCD实验平台,该平台不仅能够对处理任务按车辆分配,还能根据实际需要,按浮动车时间段进行分配,并且实现了计算单元的动态弹性扩展。通过北京市实际浮动车数据集和路网数据测试,实验结果表明,处理效率得到较大幅度提升,并且通过负载均衡优化,进一步降低处理时间,验证了该算法的有效性,更好地解决了大规模复杂空间数据运算的效率问题。     

浮动车数据缺失道路的速度推估模型与实现

介绍了浮动车数据(FCD)的基本概念,给出了浮动车数据预处理及与地图匹配的基本流程.在对浮动车数据在路网中覆盖率分析的基础上,当路网中浮动车数据出现缺失时,利用海量的路况历史数据库,提出基于路段空间关系的道路速度多元线性回归推估模型,并推出了按周天分类的模型系数.根据实测检验结果,得到了该方法速度误差的分布概率和状态误差的分布概率,并以此分析了结合空间关系的多元线性回归模型的适用性和可靠性.最后以上海城区为例,给出了基于该方法完整的道路速度的推估与路况发布实例.     

基于浮动车技术的杭州市出租汽车运行特征分析

本文简述了基于浮动车技术的出租汽车运行基础数据采集方法,提出了出租汽车的基础运行特征指标体系,并给出了出租汽车时空出行特征的分析方法。以杭州市的实际数据为例,分析其出租汽车运行特征情况。结合杭州市40万余条OD数据,对比分析了工作日、周末以及特殊节假日(大年初一)出租汽车的运行基本指标、出行时间分布特征以及出行空间分布特征,为出租汽车企业、交通规划部门和管理者提供定量的决策参考依据。     

基于优化随机森林算法的浮动车GPS数据插补模型

为改善浮动车全球定位系统(global positioning system, 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,该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 d的出行轨迹数据进行插补。结果表明:所构建的模型平均误差为12.3 m,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14.9、24.3、239.3 m,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.     

使用浮动车检测OD矩阵的算法及可靠性分析

回顾了国内外估算实时OD矩阵现状,提出了用浮动车检测实时OD矩阵的方法.采用最小二乘法给出了现有估算模型的证明过程,指出其存在的问题是估算模型假设浮动车与全部运营车辆比例为恒定的.为此,作者给出了浮动车与运营车辆比例随OD对变化的估算模型,并建立了求解该问题的算法,同时建立了求解估算OD矩阵可靠性的方法,最后,介绍了算法在北京的应用实例.     

浮动车与空间网格结合的新增道路自动检测

利用浮动车系统提供的车辆定位数据进行新增道路检测,可有效提高新增道路的检测效率,降低成本。文章提出了浮动车与空间网格结合的新增道路自动检测算法,该方法首先记录车路匹配不成功的浮动车位置数据,得到可表示疑似新增道路的浮动车轨迹点,然后建立起浮动车轨迹点与路网网格之间的对应关系,最后通过网格过滤实现新增道路自动检测。实例验证了该算法的可行性。     

基于GPS数据的高速公路行程时间估计与可靠性分析

准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义。针对目前行程时间估计准确性不高、可靠性分析不够全面的问题,提出基于BP神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性。以广州机场高速公路GPS浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性。     

基于浮动车技术的动态交通拥挤预测模型

利用动态交通信息实现路网交通拥挤动态预测是城市智能交通管理系统的一大关键技术。本文提出一种新的动态交通拥挤预测模型。该模型应用浮动车数据判断路网实时交通流具体状况,结合路网静态拓扑结构,应用多重模糊推理,对路段发生交通拥挤的发生可能性、拥挤程度和形成时间做出预测。现场实测数据表明,该模型具有良好的预测效果。     

基于浮动车数据的城市区域路网关键路段识别

针对城市路网中对交通运行起着决定性作用的关键路段识别问题,首先,对浮动车数据进行了异常数据处理与地图匹配.其次,将关键路段划分为重要路段和脆弱路段,基于路段连接度、饱和度和路段介数建立了重要路段识别模型.同时,基于容量可靠度建立了路段脆弱性判别模型,并采用蒙特卡洛方法(Monte Carlo,MC)实现了模型求解.最后,利用包含有快速路、主干路、次干路及支路的复杂城市道路网络作为研究对象进行验证分析.结果表明:所构建模型和方法可有效准确识别关键路段,路段重要度更能客观反映关键路段对路网运行效能的影响程度,而且道路等级高的路段其关键程度较高.     

基于深度学习的城市区域短时交通拥堵预测算法

城市的交通拥堵已经成为了各个城市中的普遍现象,严重影响了城市日常交通以及人们的出行。针对城市区域交通流的研究与分析,本文为了准确的对城市交通状态进行预测,通过网格划分的方法,把城市区域划分为多个区域,根据城市交通数据流的时空特征,提出了一种基于深度学习的城市交通拥堵预测模型（CS-Transformer）。该模型通过使用卷积神经网络(CNN)提取基于网格划分的城市区域交通数据的空间特征,然后采用全连接神经网络增强模型的表达能力,再通过相似性位置编码机制(SPEM)把位置信息加入交通数据中,最后运用Transformer网络捕捉交通数据的时间依赖特征。用成都市出租车GPS数据对模型进行验证,结果表明该模型预测结果优于卷积神经网络（CNN）、Transformer和CNN-Transformer等模型,以均方误差（MSE）为评价指标,将测试集中交通路网的平均预测精度分别提高了 19.6%、26.3%和10%。