考虑车辆加速度和次邻近车辆速度差的跟驰模型及仿真研究

在次邻近车辆速度差模型(Two Velocity Difference Model,TVDM)的基础上,提出了一个扩展的交通流模型,即加速度与次邻近车辆速度差模型(Acceleration and Two Velocity Difference Model,ATVDM)。线性稳定性分析表明:和TVDM相比,ATVDM模型可以使交通流的稳定性得到增强,稳定区域有明显增加。数值模拟结果表明ATVDM不仅可以成功预测车辆运动延迟时间和启动波波速,还可以避免急刹车情况下事故的发生。     

考虑车辆异质性的堵塞交通流模型研究

为研究交通事故对高速公路交通流的影响,以双车道安全距离元胞自动机模型为基础引入强行变道规则,建立了考虑车辆异质性的高速公路车辆堵塞模型。利用MATLAB数值模拟高速公路异质交通流,分析不同交通密度情况下的交通事故持续时间以及重载货车占比对高速公路堵塞交通流的影响。研究表明：交通事故持续时间及重载货车占比均对高速公路堵塞交通流具有显著影响;当车辆密度大于4veh/km小于80veh/km时,交通事故持续时间对交通流有着显著影响,且持续时间越长对交通流的影响越大;当车辆密度小于30veh/km时,重载货车占比对交通流有着显著的影响,并且占比越大对交通流影响越大。     

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...     

开放边界双车道混合车辆交通流的研究

在NaSch模型的基础上,引入转道规则,建立了开放边界双车道混合车辆交通流模型．计算机数值模拟结果表明：混合车辆交通状态可分为快车特性区、准慢车特性区和慢车特性区,车辆混合比例对混合车辆交通流有重要的影响．     

固定带宽下的无标度网络交通流分析

讨论了一类固定带宽下的复杂网络交通流问题,构建了一类具有连接带宽约束的复杂网络交通流模型.以交通流中的信息流为背景,在"具有可调聚类系数"的BA无标度网络中,定性地研究了不同带宽约束下的网络负载变化问题.发现在具有较大带宽的网络中,网络具有较大的负载能力;并且网络负载能力随着网络带宽约束的增加而大幅度地降低,当带宽约束增加到可允许的极限时,网络交通的负载能力已经不受网络节点处理数据包能力的影响.并从复杂网络拓扑和交通流机理角度定性地分析了带宽约束对网络交通流影响的原因.     

增设左转绿灯的交叉路口混合交通流模型研究

建立周期性边界条件下的十字交叉路口元胞自动机混合交通流模型,增设左转绿灯,而且规定转弯车的最大数量,研究配时问题、主道初始密度以及混合比例系数对交通流的影响。结果发现,配时问题对交通流的影响较大,合理配置红绿灯时间可以改善交通,增设左转绿灯可以达到缓解拥堵,提高道路利用率。     

元胞自动机FI交通流模型的能耗研究

在周期边界条件下,通过引入确定(随机)减速过程中动能减少的车辆分布,研究单一交通流元胞自动机Fukui-Ishibashi模型(FI模型)的能耗问题.研究发现,FI交通流模型的能耗在最大流量处发生不连续的变化,急剧减少趋近零,其左右各存在交通能耗极大值.在最大流量处,确定(随机)减速过程中动能减少的车辆分布最小,交通能耗随着车辆最大速度的增大,车辆长度的增长和随机减速概率的增大而增加.     

基于小波降噪与贝叶斯神经网络联合模型的短时交通流量预测

在短时间内准确、稳定地预测出交通流量,是实现智能交通控制系统的重要环节,对于交叉口信号控制方案的实时调整具有重要意义。鉴于此,提出一种 联合模型的预测方式,引入 和 作为模型评价指标,从精度和稳定性两个方面对模型进行评价。结果表明,在 、 、 等不同的时间预测尺度下, 联合模型的 和 均小于小波网络、贝叶斯网络、 网络等方法,短时交通流量预测结果的精度和稳定性得到了不同程度的提高。     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

城市道路交通管控时间与区域长度控制方法

道路交通是时空问题,交通流在时间与空间上应具有相关性,为指导城市道路交通管理,使城市道路交通流管控时间与管控区域长度精确化。从交通流参数、道路长度、交通运行时间之间的关系、时间占有率与空间占有率的定义出发,定义累计时间占有率与累计空间占有率,得出交通流在时间与空间上的等效性。在此基础上,建立了道路交通流时空关系模型,并将该模型用于计算管控时长与管控区域长度,通过实例验证,得出其可精确计算管控时长与管控区域长度,避免了管控资源的浪费。