专用短程通信协议模型的求解与分析

为确定专用短程通信协议的重要参数,把通信过程分为预约阶段和数据传送阶段,运用排队论理论分阶段建立了协议的数学模型,分析并论述了预约阶段的延时和吞吐能力,给出了数据传送阶段中数据传送时间服从定长分布和负指数分布情况下的主要参数和性能指标的计算方法,并给出了相应的计算结果,最后讨论了实际应用中不满足假设条件情况下的解决办法．     

高速公路动态交通流的神经网络模型

通过对高速公路宏观动态交通流模型的分析，提出了动态交通流的神经网络模型。结合交通调查数据，利用仿真和优化技术对神经网络进行训练，从而获得了比较准确的描述交通流真实行为的模型，仿真结果结果，该神经网络模型具有令人满意的效果。     

基于融合技术的道路交通状态判别模型

为了提高道路交通状态判别精度,提出基于浮动车检测与感应线圈融合技术的道路交通状态判别模型。该模型包括3部分:1)浮动车模块:利用安装在出租车上的GPS定位设备得到道路3部分的行程时间;2)感应线圈模块:利用安装在道路上的感应线圈以及交通信号参数得到道路的行程时间;3)数据融合模块。利用神经网络将以上两模块的结果作为输入从而提高道路交通状态判别的精度。该文利用7 000多辆装有GPS模块的出租车、100个安装在广州市主要道路口上的固定检测器以及广州市电子地图,对提出的模型进行了试验,试验结果表明该模型是有效的,50个数据的均方误差为0.1 s。     

基于CDMA和GSM网络的车辆定位方法

在分析目前常用的CDMA和GSM网络系统所提供的定位方法的基础上,提出了一种融合CDMA网络和GSM网络的混合车辆定位算法,即利用CDMA网络和GSM网络的定位测量信息重新计算出车辆的位置.该定位算法简单快捷、精度高、可靠,充分继承并发挥了现有网络优势,而且能够适应所在网络定位技术的更新.测试证明该算法是可行的,能够增强定位精度和可靠性.     

基于模糊神经网络的信号交叉口交通量预测

预测精度高,实时性强的交叉口交通量预测算法可以极大地提高城市交通控制的效率。文中提出了基于模糊神经网络的信号交叉口交通量预测方法。该方法以模糊神经网络为核心,应用在线滚动学习模型实现交叉口交通量预测,并应用了交通量微观仿真系统对模型进行检验,仿真结果表明该模型比传统方法精度高,收敛速度快。本模型在城市交通控制系统研究中有巨大的应用潜力。     

基于视频角点信息特征的交通流参数测算方法

提出了一种基于视频图像中角点特征的交通参数检测方法．首先设置检测区域,并将检测区域分为初始检测区和跟踪检测区,在初始检测区内对运动车辆的存在性进行检测．为了加快计算速度,利用虚拟线状态检测的方法判断车辆是否驶入,如果有运动车辆出现,则对运动车辆的角点进行定位,并在初始检测区内实现状态参数的初始化．在跟踪检测区．基于刚体运动的一致性假设,依据角点的分布特征对车辆进行分割,实现对运动车辆的跟踪．在车辆完全驶离跟踪区域时,统计交通流的流量、速度以及车型等信息．     

基于集对分析的干道绿波协调控制方案评价方法

针对车辆实际行驶速度的区间变化特点,以双向绿波带宽最大为目的,利用集对分析方法,对不同信号协调控制方案在车速不确定情况下的控制效果进行分析评价.通过采集干道车辆行驶速度样本,生成干道绿波协调控制备选方案集合,计算行驶速度与绿波带宽度之间的联系度,选取联系度数值最大的备选方案作为最佳干道绿波协调控制方案,实现了车速不确定情况下的绿波协调控制方案评价及优化.实际案例分析表明,所提方法可以直接利用行驶速度的实际采集样本,从备选方案集合中对比选出一套最佳绿波协调控制方案,最大限度地满足一定行驶速度区间内的车队绿波协调控制需求,尽量使行驶速度区间内的车队车辆均处于干道绿波带宽之内.     

基于梯度提升决策树的城市车辆路径链重构

为了提取城市路网中车辆实际的行驶轨迹,支撑交通规划、设计、管理和评价等需求,提出了基于梯度提升决策树的城市车辆丢失路径链的重构方法。首先,根据车牌号码匹配目标车辆,以时间排序提取视频检测器获得的路径链,并结合交叉口邻接矩阵及路段行程时间估计进行路径链初次分离;然后,依据车辆出行特征和交通状况提取影响路径选择的关键特征,并基于此提出了基于梯度提升决策树的局部丢失路径链重构算法;最后,以某市南明区实际视频车牌识别数据为例,根据重构算法准确性和计算效率验证了文中算法与传统算法。结果表明,本文算法的重构准确率达到91%,对比传统算法,梯度提升决策树算法在车辆路径链重构方面有较大优势。     

高速公路数据库系统的设计与优化

根据用户的数据需求总结出系统的功能需求，提出了通用模式的设计思想，介绍了系统的结构、开发工具和如何使用回调方法获得信息。从系统投入使用后出现的问题出发，并结合当前计算机技术的发展，提出了系统体系结构的优化方案，为系统二期工程的开展奠定基础。