交通流时间序列中混沌特性判定的替代数据方法

替代数据方法是判定时间序列中是否具有混沌特性的一种有效方法，本文介绍了该方法中一种基于关联维数的混沌判据。并将该方法应用于１５分钟和５分钟采样周期的实测交通流时间序列中，计算结果表明交通序列中含有混沌特性。     

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。     

瓶颈路段交通流特性模拟分析

城市道路中的交通信号灯、车辆限速、上坡路以及道路缩减等都可能引起道路的通行能力受到限制,从而形成城市路网中的瓶颈,成为影响交通畅通的一个非常重要的因素。本文选取由于道路施工引起的瓶颈路段作为研究对象,研究了瓶颈路段驾驶员驾驶特性对交通流的影响,分析了侵犯驾驶行为对交通堵塞的影响;利用vissim仿真软件对瓶颈路段的交通流进行了模拟,对交通拥堵的形成、传播和消散规律进行了研究,并将模拟结果与调查结果进行了对比分析,显示了模型的可靠性。     

不能仅仅为“电动车”改个名字

目前我国有1.2亿电动车保有量,轻型电动车依然保持着每年80％的增速.迅速增长的数字和电动车性能的发展,为城市交通增加了安全隐患.北京交警部门的一份数据显示,被查处的非机动车违法八成都是电动车.究其原因,管理失范难辞其咎.一方面,不少电动车的重量、速度已经远远超过了非机动车标准,却仍走非机动车道,容易给自行车和行人安全造成威胁;同时,电动车不上牌照,驾驶人也不需要参加培训和考取驾照,给交警部门管理带来很大难度.     

基于复杂网络的交通阻抗模型研究

针对城市道路交通拥堵及路网道路使用不合理的交通现状,将影响交通阻抗的因素分为交通流特性和路网结构特性两大类;结合ArcGIS、UCINET以及Matlab等工具,通过复杂网络理论量化网络结构特性对交通阻抗的影响;采用节点收缩方法从结构上确定其对交通阻抗的影响,并与BPR路阻函数相结合,建立综合阻抗的参数模型;根据熵权法来确定模型中的ψ、ω两个参数值。最后以天津市部分城市道路网络为例,进行实例验证,结果表明综合阻抗算法更精确地表征了城市道路网络的交通阻抗。     

异常突发事件下交通流特征分析与预测

针对在异常突发事件下交通流会呈现的不同特性进行研究,以期实现在突发事件下的城市道路短期交通流精准预测。引入基于跳转的ARIMA模型来对突发事件下的交通流变化规律进行描述,在路网正常情况下和路网堵塞情况下,仿真算例表明,预测模型可以较好地进行道路区域网络交流注预测。     

基于潮汐交通流特性的交叉口信号配时研究

平面交叉口的拥堵极易造成城市道路交通系统的瘫痪,合理的信号配时能有效提高交叉口的通行能力.在路口车流量不均衡的情况下,使用传统的韦伯斯特配时法将会造成某些相位的"空放"现象,造成绿灯时间的浪费.为解决这个问题,在韦伯斯特配时进行优化的基础上,引入搭接相位的配时方法,并利用VISSIM仿真软件对实际平面交叉口进行仿真.试...     

过饱和交通流情况下道路饱和度分析方法研究

道路饱和度是交通流量与道路通行能力的比值,为道路交通运行分析的一项重要指标。但当交通流处于过饱和状态时,实测的饱和度值无法反应真实的交通负荷,可能造成相关决策的重大误差。针对这一问题,本文基于交通流参数的相互关系,研究了过饱和交通流的识别方法,在此基础上,以交通流速度-密度相互关系为依据,提出了过饱和交通流情况下道路饱和度的测算方法。本次研究成果具备较强的可操作性,有效解决了过饱和交通流的道路饱和度分析问题,可以为交通流的分析研究提供参考与借鉴。     

Spark框架下交通流数据高效处理方法及其应用

设计并实现基于Spark的交通流数据处理与预测分析应用框架, 可以完成交通流数据的高效清洗、统计、存储和查询。利用基于多阶空间权重矩阵的STARIMA模型进行交通流预测分析, 可以验证数据处理效率及对预测应用的支撑作用。对比实验结果表明: 1) 交通流数据处理框架运行效率高, 适用于复杂的数据清洗和挖掘算法, 为预测模型建立数据支撑; 2) 交通流预测模型对空间权重矩阵进行了多阶优化, 兼顾高效性和准确性, 预测分析结果可以为交通诱导提供参考。     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。