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。     

基于交通数据融合技术的行程时间预测模型

针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题,构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络,解决了小波神经网络初始参数选取时盲目与随机性问题,大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好,表明该模型是有效的和可靠的.     

基于行程时间可靠度的区域交通控制系统评价方法

在定义行程时间可靠度的基础上,利用浮动车调查数据,得到不同时段路径行程时间可靠度;然后建立了以行程时间可靠度为指标的城市区域控制系统运营效率的评价模型.该模型在武汉市区域控制系统评价中进行了应用研究,结果表明:区域交通控制系统运营后,早高峰、平峰和晚高峰3个时段路网行程时间可靠度显著提高,全日路径行程时间可靠性波动小于实施前,离散程度降低,城市交通系统的运行状态得到改善.相对于传统评价方法,所建模型灵敏度更高,适用性更强.     

基于多源ITS数据的行程时间预测体系框架及核心技术

针对当前城市道路行程时间预测系统性不强等问题,构建基于多源数据的行程时间预测体系框架,阐述预测过程涉及的关键技术.框架的构建以固定式和移动式2类采集方式获得的交通数据为出发点,将预测过程划分为估计和预测两个阶段.提出固定式采集方式获取的速度数据用于行程时间的间接估计和预测的关键技术为空间平均速度的估计;移动式采集方式获...     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于数据挖掘的高速公路行程时间预测

以高速公路上路段行程时间历史数据集作为研究对象,以交通数据实际特征作为行程时间历史数据集分类的依据,建立基于数据挖掘的高速公路行程时间预测模型.采用山东高速收费站记录实际数据,以实例数据验证模型并计算平均绝对误差.为对比分析预测强度聚类预测模型的有效性,采用多种算法对测试集行程时间预测,对预测结果误差进行了对比.结果表明:预测强度修正的k-means法可以提高高速公路路段行程时间预测的准确性,模型在降低数据采集成本的同时可为高速信息服务提供可靠的预测行程时间,为出行者提供有力的决策依据.     

基于SV模型的行程时间预测

行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。     

考虑注意力和时空特征深度学习的网约车行程时间预测

行程时间预测做为智能交通领域中重要的组成部分,在道路导航、乘客出行过程中起着重要的作用。现有方法很少考虑到交通拥堵变化所产生的影响。本文提出了一种基于注意力机制的时空特征深度学习模型,模型通过卷积神经网络去学习行程过程中所花费的时间和距离以及交通拥堵状态信息,通过注意力机制从通道和空间上两个角度去捕获影响行程中路段通行时间的异常信息,采用双层的长短时记忆网络去学习行程中的路段序列信息,最后通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间。本文提出的方法与DEEPTRAVEL模型相比,预测精度在平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别提升了8.23%和20.79%。     

引入时空特征的高速公路行程时间预测方法

为克服现有方法预测步长短、无法充分利用路网时空特征的局限性,实现高速公路行程时间的准确预测,基于高速公路起讫点(OD)数据集,采用随机森林模型(RF)、极端梯度提升模型(XGBoost)、长短时记忆神经网络模型(LSTM)、K-最近邻模型(KNN)、支持向量机回归模型(SVR)等5种常用算法对车辆行程时间进行多步长预测...     

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.     

Freight Vehicle Routing Optimization for Sporadic Orders Using Floating Car Data

The increasing popularity of e-commerce brings large volumes of sporadic orders from different customers,which have to be handled by freight trucks and distribution centers. To improve the level of service and reduce the total shipping cost as well as traffic congestions in urban area, flexible methods and optimal vehicle routing strategies should be adopted to improve the efficiency of distribution effort. An optimization solution for vehicle routing and scheduling problem with time window for sporadic orders （VRPTW- S） was provided based on time-dependent travel time extracted from floating car data （FCD） with ArcGIS platform. A VRPTW-S model derived from the traditional vehicle routing problem was proposed, in which uncertainty of customer orders and travel time were considered. Based on this model, an advanced vehicle routing algorithm was designed to solve the problem. A case study of Shenzhen, Guangdong province, China, was conducted to demonstrate the vehicle operation flow,in which process of FCD and efficiency of delivery systems under different situations were discussed. The final results demonstrated a good performance of application of time-dependent travel time information using FCD in solving vehicle routing problems.     

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ANN理论的混响时间快速预测方法

运用人工神经网络（ANN）的BP算法,在分析混响时间的各种影响因素的基础上,提出厅堂混响时间的快速预测方法。该方法具有速度快、使用方便、精度高、可考虑因素多等特点。实例计算表明,该方法具有一定的工程实用价值。     

基于BP神经网络的压力传感器数据融合

多传感器数据融合问题已经引起许多学者的广泛关注.通常,压力传感器都存在交叉灵敏度,其主要表现在传感器静态特性不仅受目标参量的影响还受多个非目标参量的影响.由于传感器的输出受多个参量的变化的影响,导致其性能不稳定,测量精度降低.针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这一问题,在阅读了大量的参考文献...     

压力传感器数据融合算法研究

传感器存在的交叉灵敏度,运用BP网络对数据进行融合,可以有效降低非目标参量对输出特性的影响．MATLAB中提供了多种针对BP网络的训练方法,运用其中的变梯度法、拟牛顿法和LM法分别对压力传感器进行数据融合,比较其结果可以得出：LM算法可以有效地克服局部收敛,更好地提高压力传感器的稳定性和可靠性．     

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.     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。     

基于灰色关联分析的雷达外测数据精度评估方法

测量精度是评估雷达是否满足试验要求的关键指标.首先针对少量的雷达外测定轨评估数据,结合灰色系统理论提出一种基于改进灰色关联分析理论的方法,研究雷达外测数据与精轨数据的关联性;而后根据半监督学习方法,对灰色关联度进行聚合聚类,构建可靠的精度评估方法;最后将有标记的外测数据结合无标记的"天平"一号卫星测量数据进行评估.结果表明,该方法符合任务需求,可为快速评估雷达测量数据的精度提供参考.     

基于BP神经网络的数据融合技术在分布式养老系统中的应用

根据神经网络在数据融合的应用比较成熟,BP神经网络具有实现简单,以及在一定范围内具有较高识别精度的特点,选用此方法,在分布式养老系统中对老人的体征信息和监控设备两种属性不同的图像信息进行融合处理,实时监测老年人的身体状态.当神经网络的输入信息维数过高时,会导致神经网络训练速度下降.针对此问题,对传统的基于神经网络的融合算法进行改进,利用粗糙集对输入数据进行约简,使神经网络输入数据降维.同时,将约简后的信息进行训练.算法在训练时间和融合结果的准确性上都有提高.