基于核函数的混沌交通流预测

采用一种基于核函数的局域线性预测算法进行城市短时交通流预测．在对混沌时间序列进行重构的基础上,利用径向基核函数将相空间中邻近点投影到更高维的核空间,然后在核空间中用线性自适应算法对时间序列进行预测,现场数据的试算结果表明,该方法能有效提高短时交通流的预测精度．     

基于混沌理论的高速公路交通流预测研究

对衡枣高速公路短时交通流进行了混沌识别,结果表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的高速公路交通流神经网络模型,实际数据验证了该方法对短时交通流预测的有效性.     

自适应信号控制条件下的交通流预测模型研究

在分析信号交叉口进口道车流运行特征的基础上,剖析了长时段交通流统计数据序列与短时段交通流统计数据序列的变化规律,阐述了自适应信号控制系统中既不能用长时段的交通流预测方法,也不能用短时段的交通流预测方法,结合两种预测方法的优点,建立了综合功效的自适应交通流预测模型。经实际调查数据验证表明：综合功效的自适应交通流预测模型具有较高的预测精度和实时性,完全能满足自适应信号控制中的预测要求。     

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...     

基于细胞自动机的信号控制交叉口交通流模拟

应用细胞自动机方法对信号控制交叉口的动态交通流进行建模和模拟,可以使比较复杂的交通状态模拟用相对简单的计算来实现。介绍了几种用于交通流模拟的细胞自动机模型及其研究进展,在上基础上,给出了一种新的细胞自动机模型来描述车辆在交叉口的转移状态,讨论了交通拥挤和延误的二维演变,并用这一方法模拟了不同规则下的车道变换问题,通过比较模拟结果和原始输入方案可以优化信号配时。     

考虑交通流不确定性的单交叉口信号配时方法

为应对交通系统的随机特性,提出一种考虑不确定性的单交叉口信号配时方法。首先应用季节性自回归平均移动-广义自回归条件异方差(seasonal autoregressive integrated moving average-generalized autoregressive conditional heteroskedasticity,SARIMA-GARCH)模型计算交叉口交通流的不确定性,然后根据得到的交通流不确定性特征,参考Webster模型,计算交叉口的信号配时参数,得到考虑交通流不确定性的单交叉口信号配时方案。最后,以南京市一交叉口为研究对象,应用实际数据,计算得到17种不同交通不确定性水平下的单交叉口配时参数,并采用Paramics仿真软件分析了各信号配时方案的性能,验证了所提方法的有效性。     

基于混沌理论和MEA-BPNN模型的快速路短时交通流预测

为提高短时交通流预测的精度,在分析北京市二环路实测交通流数据时空特性和混沌性的基础上,利用混沌理论方法对交通流量时间序列进行相空间重构,并基于思维进化算法提出一种改进的BP神经网络模型,将重构的时间序列数据作为模型输入进行交通流预测。结果表明,基于该模型的预测结果与基于传统BPNN模型的预测结果相比,均方根误差、平均绝对误差和平均绝对百分误差分别下降31.11%、20.71%和37.28%,证明了模型具有更精确的预测能力。     

短时交通流预测方法综述

短时交通流预测是道路交通控制系统、交通流诱导系统等领域需要解决的首要问题之一.因此,如何能够实时准确的预测交通流量成为了交通管理与控制是否能够有效实现的关键问题.     

考虑交通流失效的快速路出口匝道信号控制优化

对快速路出口匝道及衔接区进行信号控制是解决该区域拥堵的有效手段,但现有研究将交通量视为已知及确定的,未能考虑交通流失效的情况,导致所得信号控制方案实用性不足。为此,在分析交通流失效机理上,研究交通流失效概率与交通量的函数关系;针对此交通特性,应用感应式信号控制方案,并编制了基于VAP控制模块的程序;以某城市出口匝道及衔接区交叉口为例,对该文所述方法进行验证。结果表明：当失效概率一定时,采用感应信号控制方案,与固定信号控制相比,平均车辆总延误、平均停车时间、平均停车次数均有较大改善;当失效概率变化时,各项延误指标呈随机变化趋势,但与现状相比均有明显改善。     

基于GRNN模型的城市道路短期交通流预测研究

采用剔出了城市道路短期交通流的周周期性特征的周差分数据作为广义回归神经网络（GRNN）模型的预测对象,这样既能避免合理选择交通流影响因素作为神经网络输入变量的困难,又能迅速获得实时短期交通流预测结果。研究结果表明,构建的神经网络模型能够很精确地实时预测城市道路短期交通流。     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

基于小波分析和集成学习的短时交通流预测

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进...     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

基于交通流融合的公交信号优先控制研究

为了解决城市交通拥堵问题,对公交和社会车辆在城市道路通行能力进行了分析,使用得出的数据用Matlab仿真建立了公交与社会车辆的关系以达到道路车辆的融合效果.在此基础上通过给公交和社会车辆的优先值做出信号优先模块、融合模块等设计了变相序的公交信号优先模糊控制,以车均延误为性能指标,通过对比考虑总优先值的变相序的控制和不考虑总优先值的变相序控制的车均延误数据,得出考虑公交信号优先通行使车均延误更少,达到了更好的效果.     

基于特性和影响因素分析的短时交通流预测

可靠的短时交通流预测是智能交通系统的重要基础。为了提高短时交通流预测的预测精度和对于不同交通状态的适应性,在分析了交通流特性以及时空二维影响因素的基础上,提出了一种组合预测模型,使其能够综合反映这些特性和影响因素。该组合预测模型包括时间序列模块、空间相关模块和组合预测模块三个子模块。单项预测模型包括自适应单指数平滑模型和RBF神经网络模型,组合系数是以两个单项预测子模块的平滑百分比相对误差作为输入,以神经网络作为学习算法自适应地得到。最后通过平峰和高峰时段实测的交通流量数据来验证模型的有效性和可靠性,结果表明:该组合预测模型的预测精度高于单项预测模型各自单独使用时的精度,且对于不同的交通流状况具有较好的适应性。     

Urban Intersection Traffic Signal Control Based on Fuzzy Logic

IntroductionTraffic signals are essential in transportationnetwork management.A number of traffic signalcontrol methods have been developed in the past.Recently,a major research focus has been theapplication of artificial intelligence techniques,such as expert systems,fuzzy logic,neuralnetworks,and genetic algorithms for intersectionsignal control.　 Pappis and Mamdani[1] developed fuzzy rules toevaluate the suitability of extending a currentgreen phase by different time durations based on ac…     

基于XGBoost的短时交通流预测模型

为提高路段短时交通流的预测精度,选取路段平均旅行时间作为预测指标,建立了一种基于极端样度上升(extrem gradient boosting,XGBoost)的短时交通流预测模型。首先通过对交通流数据的分析,在考虑交通流时空特性的基础上,分别构建目标路段时间序列训练集、测试集以及时空序列训练集、测试集,然后基于XGBoost模型以及构建的训练样本集建立时间序列预测模型以及时空序列预测模型,并利用训练好的模型进行预测,最后将模型预测结果与线性回归模型、神经网络模型预测结果进行比较。实验结果表明:基于XGBoost的短时交通流预测模型能够对路段未来时段平均旅行时间进行比较准确的预测,其中时间序列预测模型均方根误差为5. 32,时空序列预测模型均方根误差为4. 82,均低于线性回归模型和神经网络模型,且相比于仅考虑时间因素的短时交通流预测模型,同时考虑时空因素的预测模型得到的误差更低,预测效果更好。     

基于信号控制的城市道路环形交叉口通行能力分析研究

城市道路环形交叉口同一般平面交叉口相比,具有冲突点少、车流连续、行驶安全、便于管理等优点,在许多城市道路交叉口采用。然而,随着城市道路交通需求量的不断增加,原有许多环形交叉口的通行能力无法满足这种需求,交通问题日益尖锐。如何有效地利用环形交叉口的时空资源,最大限度提高交叉口通行能力,是从交通信号控制角度研究解决环形交叉口交通问题的有效途径。