考虑临近时空序列影响的城市交通状态判别方法

以营运车辆的GPS数据作为研究对象,根据路网连接的拓扑属性构建电子矢量地图,在离散化的时-空系统中,提出新的交通状态判别算法设计思路.考虑路段交通状态的时空关联特性,采用当前路段速度、邻近时空序列速度综合计算进行路段交通状态判别.     

基于固定检测器的区域交通状态判别方法

以固定检测器获得的交通数据为基础,分别建立路段和交叉口交通状态判别模型;考虑不同路段和交叉口对区域路网整体交通状态影响程度的差异性,建立路段和交叉口交通状态的权重计算模型;在此基础上建立区域交通状态的综合判别模型;并分析状态指标P与路网中车辆平均行程速度的相互关系,确定路网P所表示的交通状态级别;最后利用Vissim软件设计包含9个交叉口的典型路网,根据采集的数据对模型进行验证.仿真结果表明:所建立的方法可以有效地对区域交通状态进行判别.     

单向交通规划方案的路网容量判别法

单向交通组织规划改变了车流原有的运行状态,使得路网中各路段的交通流量和行车速度发生变化,单向交通影响区域的路网容量发生相应的变化。在已知规划区域节点0D的条件下,通过交通仿真获得单向交通规划方案的各路段的交通流量和运行车速,利用时空消耗法,计算出单向交通和双向交通组织状况下的路网容量,再运用比值法建立了单向交通规划方案的路网容量辨别模型,对单向交通规划方案的路网容量进行判别.     

基于收费数据的高速公路交通状态判别方法

目前高速公路交通数据资源未得到充分利用,使得管理和建设成本较高的高速公路联网收费系统只能实现车辆记录、联网收费等初级功能,导致交通数据资源的严重浪费.为此设计了基于高速公路联网收费数据的路段行程时间估计方法,提出以大、小车速度变化情况为基础,采用模糊C-均值聚类方法对高速公路交通状态进行判别,并应用VISSIM软件分别对上述两种方法验证分析.结果表明,路段行程时间估计方法能够获得高质量的路段行程时间数据,同时交通状态判别方法也能够准确判别出道路上所呈现的交通状态,可为历史数据更新提供技术支持,为高速公路交通管理部门提供精确的决策依据.     

城市环路交通状态自适应判别方法

针对城市环路交通拥挤问题,提出基于模糊C均值聚类与灰色聚类的交通状态自适应判别算法.首先运用模糊C均值聚类对交通状态边界进行划分,得到各个交通状态的门阀值,进而利用灰色聚类模型对交通状态进行判别,避免聚类方法容易陷入局部最优解的问题,同时减少灰色聚类参数设定的主观性.通过对福州二环路实测交通流数据的计算分析表明,不同路段的交通状态存在显著差异,城市环路交通状态自适应判别方法能够较好地针对不同路段判别交通状态.     

城市快速路路段交通流状态评估方法

交通流状态分类对于选择交通控制和诱导策略有非常重要的作用,不同的快速路路段设定的交通流参数临界值及变化特性会有所不同.本文考虑到交通流参数对交通流状态判别的影响程度,给出了一种基于加权欧氏距离的相似性度量方法,并确定了交通流状态判别的关键参数.根据整个路段的交通流数据,通过聚类分析构造最小距离分类器,把个别路段的交通流数据作为样本数据,进行了对个别路段的状态评估.实证分析结果表明:在交通流状态判别过程中,密度是最关键的参数:基于最小距离分类的个别路段的状态评估结果与实际情况非常类似,这将为交通控制和管理提供决策依据.     

交叉口交通状态精细化判别方法研究

针对目前交叉口交通状态判别方法不能有效识别溢流、车辆慢行等的问题,提出了一种交叉口交通状态精细化判别方法。首先对交叉口的物理空间组成进行分解,分解为各方向路段和内部冲突区域两部分;其次,利用计算饱和度方法对各方向路段的交通状态进行判别;利用绿灯结束时刻剩余车辆累积车头时距与间隔时间之比对内部冲突区域的交通状态进行判别;最后,采用综合交通状态判别方法实现交叉口交通状态的精细化判别,并利用实际采集的数据对方法进行仿真验证。仿真结果表明:所建立的方法可以更精细的对交叉口交通状态进行判别。     

基于PEMS的高原城市道路交通状态评价及排放相关性实验研究——以西宁市为例

应用PEMS技术测试了西宁市典型道路及其路段的交通状况,提出了基于PEMS的路段、行程、行程时间、行程平均车速、自由流行程时间、行程时间延误率及行程平均速度延误率等概念和计算方法,研究了基于行程时间延误率、行程平均速度延误率的城市道路路段交通状态判别方法,并对典型道路及路段交通拥堵进行分析判别.同时,研究了城市道路路段交通状态与车辆排放量之间的相关关系.     

基于改进拉普拉斯中心性的高速路网状态识别方法

为提高高速公路网络运行效率,考虑不同路段对于路网运行状态的时空影响差异性,提出一种高速公路网络交通状态识别方法。定义路网各类型路段为节点及其状态计算方法,建立基于“改进拉普拉斯中心性”和“时空影响因子”的路网状态识别模型。其中,利用皮尔逊相关系数改进拉普拉斯中心性方法以评估节点自身影响,设计时空影响因子评估邻居节点影响;融合节点自身及邻居节点影响,建立节点权重系数模型;在以上基础上建立反映路网交通状态的综合判别模型。以京港澳高速徐水-清苑的高速公路网络为例予以验证,结果表明：在不同交通需求情景下,本方法能有效识别交通状态;对比TPI模型和VHT模型,本方法状态识别精准度均为最优,尤其是在交通需求大的情况下,对比稳定性较强的TPI模型,本方法准确率提升了2.8%,进一步证明了模型的适用性强,能够满足工程实际的需要。     

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。     

A BP neural network based information fusion method for urban traffic speed estimation

Obtaining comprehensive and accurate information is very important in intelligent traffic system (ITS). In ITS, the GPS floating car system is an very important approach for traffic data acquisition. However, in this system, the GPS blind areas caused by tall buildings and tunnels could affect the acquisition of traffic information and depress the system performance. Aiming at this problem, we developed a novel method employing a back propagation (BP) neural network to estimate the traffic speed in the GPS blind areas. When the speed of one road section is lost, we can use the speed of its related road sections to estimate its speed. The complete historical data of these road sections are used to train the neural network, using Levenberg-Marquardt learning algorithm. Then, the current speed of the related roads is used by the trained neural network to get the speed of the road section without GPS signal. We compare the speed of the road section estimated by our method with the real speed of this road section, and the experimental results show that the speed of this road section estimated by our method is better.     

基于WGN算法的城市路网拥堵路段诊断分析

为了分析城市道路交通拥堵问题,利用WGN(weighted Girvan-Newman)算法从中观路网结构角度出发,以道路网络的结构性质为依据,通过模块度分析对城市道路网络进行组团划分,找出路网结构中的关键性路段,再以小区间OD(origin-destination)量作为权重,根据路段加权后的介数值判断路网中的拥堵路段,为后续的交通规划和研究分析做铺垫。结果表明:诊断出的拥堵路段与实际交通运行情况吻合,说明路网结构不合理是造成道路供给不均衡的重要原因。可见,研究结果可以对规划路网的潜在问题做出预判,并及时采取措施缓解拥堵。     

基于MFD的模拟超饱和路网交通控制策略优化

为了缓解城市路网频繁出现的超饱和交通堵塞,本文以堵塞区域路网各条路段上行驶的车辆数作为状态变量,建立路网交通的状态方程,分析路段上车辆数变化规律;同时,基于交通流宏观基本图,以路网中路段累积车辆数最优作为控制目标,建立关于堵塞区域路网系统的离散状态优化控制模型,并将该模型在某城市新区进行模拟算例应用。结果表明,这种基于交通流宏观基本图的优化控制策略能有效缓解城市路网中超饱和交通堵塞,使路网整体输出效率得到明显提升。     

基于Softmax函数增强卷积神经网络—双向长短期记忆网络框架的交通拥堵预测算法

对交通状态进行预测,需要准确识别和判断交通状态。基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index, TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态。提出了一种改进的深度学习预测模型(CS-BiLSTM),该模型基于卷积神经网络(convolutional neural networks, CNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM),并结合Softmax函数增强CNN提取出的交通空间特征信息。最后以成都市出租车的全球定位系统(global positioning system, GPS)数据进行验证。结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比CNN-BiLSTM网络预测框架提升了13%。     

基于空间认知和社区识别理论的路径选择模型

将启发式决策、空间认知以及社区识别理论结合,描述出行者的路径选择与路网结构的关系。采用基于模块增益的社区结构算法解构路网结构,描述人们的认知过程,建立相应的路径选择算法。以长沙市中心城区路网为例,利用建立的路径选择方法,分别用静态路阻（距离）、动态路阻（速度）对路网进行解构,计算路径选择集;采用问卷调查方法和出租车GPS数据对实际的路径选择轨迹进行提取,并将理论计算结果与实际调查结果进行对比分析,采用静态路阻的一致率为85%,采用动态路阻的一致率为73%。结果表明建立的集成空间认知和模块增益的路径选择模型可以较好地描述人们的路径选择过程,对于静态路阻的路径选择描述具有更高的准确性。研究成果对于城市规划和交通规划具有一定的借鉴价值。     

基于空间认知和社区识别理论的路径选择模型

将启发式决策、空间认知以及社区识别理论结合,描述出行者的路径选择与路网结构的关系。采用基于模块增益的社区结构算法解构路网结构,描述人们的认知过程,建立相应的路径选择算法。以长沙市中心城区路网为例,利用建立的路径选择方法,分别用静态路阻（距离）、动态路阻（速度）对路网进行解构,计算路径选择集;采用问卷调查方法和出租车GPS数据对实际的路径选择轨迹进行提取,并将理论计算结果与实际调查结果进行对比分析,采用静态路阻的一致率为85%,采用动态路阻的一致率为73%。结果表明建立的集成空间认知和模块增益的路径选择模型可以较好地描述人们的路径选择过程,对于静态路阻的路径选择描述具有更高的准确性。研究成果对于城市规划和交通规划具有一定的借鉴价值。     

城市路网的鲁棒预测控制

针对模型不确定的城市路网系统,设计了使闭环系统渐近稳定的鲁棒预测状态反馈控制器.首先,将"存储与向前"路段线性模型扩展为城市路网拓扑模型.同时考虑实际情况中路况变化、测量误差等因素引起的饱和流量、车辆数的不确定性的影响,提出了具有不确定参数的城市路网系统模型.然后,采用线性矩阵不等式处理方法求解一个具有约束的凸优化问题,给出了状态反馈控制器设计方法.最后通过Matlab仿真验证了所提方法能有效缓解城市交通拥堵和优化信号灯.     

基于数据编解码的时空交通流预测方法

针对路网的拓扑信息不完整而无法实现时空结合交通流预测的情况，提出了一种基于时间序列预测模型联合数据编解码机制的预测方法。对路网内路段交通流数据进行编码得到路网信息的链状结构，以此获取路网结构中的拓扑信息；通过时序模型对链状结构进行交通流预测，完成对链状结构的时序特征提取；最终，通过解码方法得到路网的时空交通流预测结果。采用GPS数据，选取不同路网进行对比实验，引入数据编解码的时空交通流预测方法与时间序列模型进行比较，并且与基线模型HA和ARIMA展开了对比实验。实验结果表明：深度学习模型引入数据编解码机制后，模型性能明显提升；引入数据编解码机制的深度学习模型的性能比基线模型的性能更优越。该方法仅仅使用简单的时间序列深度网络再联合数据的编解码机制即可实现时空结合的交通流预测。     

基于步行轨迹的复杂道路中心线提取方法

传统的基于GPS轨迹的路网提取多关注使用车载GPS轨迹数据提取城市车道级路网,忽略了校园、社区、景区等小范围区域内的复杂道路信息,该文提出了一种基于步行GPS轨迹数据的复杂道路中心线提取方法.在数据清洗的基础上,基于轨迹点分布密度进行栅格化,然后采用Zhang-Suen快速细化算法对栅格路网细化得到道路中心线,最后采用改进的追踪法实现路网矢量化.以华中师范大学校园为试验区域,提取出了人车混行、小路交错的校园路网,证明了该方法的有效性.