基于粒子滤波的智能网联混合交通流状态估计

面向智能网联车辆和普通人工驾驶车辆共存的混合交通流环境,采用粒子滤波算法对城市快速路路段进行宏观交通流参数的估计,从而实现对城市快速路智能网联混合交通流状态的估计。以二阶宏观交通流模型为基础,结合混合交通流模型,构建粒子滤波交通流状态估计的状态-空间模型,并通过Matlab和SUMO仿真软件测定粒子滤波对混合交通流的状态估计效果,通过计算分析,发现粒子滤波状态估计模型对交通流状态波动有较好的追踪能力,性能上优于扩展卡尔曼滤波方法。

考虑CAV与公交车比的混合交通流特性

为探究网联环境下汽车和公交车组成的混合交通流特性,考虑驾驶员行为改进Gipps安全距离规则,结合美国path实验室提出的自适应巡航(Adaptive Cruise Control,ACC)、协同自适应巡航(Cooperative Adaptive Cruise Control,CACC)跟驰模型加速度定义,构建异质流元胞自动机模型。通过数值仿真实验,分析网联自动驾驶车辆(Connected Autonomous Vehicles,CAV)与公交车辆混入比例对交通流通行能力、行驶速度、道路拥堵的影响。结果表明:随着CAV比例的提高,道路通行能力增大,临界密度增大;当道路上车辆组成仅为CAV车辆时,通行能力提升2.45倍、临界密度提高2.84倍;当CAV比例为0.5,随着公交车比例的增加,道路随机多发的轻微拥堵明显减少,通行能力、平均行驶速度略微减小。网联车能有效提高道路通行能力和行驶速度、减少拥堵,且随着公交车比例的提高,网联公交车更易形成队列,使道路拥堵得到明显改善。

2024年春节假期干线公路交通流量分析

2024年春运是疫情防控平稳转段后,公众出行意愿充分释放的第一个春运。今年春节假期周期长,小客车连续9天免费通行全国收费高速公路。本文基于全国公路交调大数据平台收集到的数据,分析了2024年春节假期全国干线公路交通流总体变化情况、时间变化特征和空间分布特征。数据显示,2024年春节假期,探亲、旅游等出行热度高涨,全国干线公路网交通流量显著上升,同比2023年、2019年春节假期分别增长15.9%、10.9%,达到历史新高。

结合变种残差模型和Transformer的城市公路短时交通流预测

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响,蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆(ConvLSTM)网络进行交通流预测时,未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题,对ConvLSTM模型作出改进。首先,提取每个采样时刻的交通流数据的短期时间特征和空间特征,并在特定的维度下将交通流的短期时空特征融合;其次,进行残差映射;最后,将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征,并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证,以平均绝对误差(MAE)作为模型评价指标时,所提模型相较于Conv-Transformer模型,预测精度提高了18%,验证了所提模型的有效性。

基于时空关系的高速公路交通流量预测

高速公路交通流量预测对于交通拥堵预警、分流诱导和智慧高速公路建设具有重要意义.交通流具有复杂的时空依赖性,各个交通节点之间的空间关系随时间动态变化,时空关系的融合也缺乏高效的手段,因此对交通流量进行准确的预测具有挑战性.对此,提出一种基于动态图卷积网络与时空特征提取模块的高速公路交通流量预测方法.首先,通过动态图调节模块,提取交通流量序列的空间关系,根据提取到的空间特征,计算不同路网节点的道路相似性,并调整交通路网图结构;其次,通过时空特征提取模块,利用更新后的空间结构,结合时序处理方法,对交通流量数据的时空依赖关系进行建模.为检验模型效果,在美国加州高速公路性能测量系统(Performance measurement system,PeMS)所制作的数据集PeMS03、PeMS04、PeMS08和福州京台线高速公路数据集中进行实验对比,平均绝对误差分别为15.6、19.7、16.8和5.21,结果表明,本文提出的方法在高速公路交通流量预测中具有较好的表现.

异质交通流环境下无信号T形交叉口控制策略

针对无信号控制T形交叉口,提出一种异质交通流环境下交叉口的分级限速控制模型.根据异质交通流的车辆运行特性提出分级限速的概念,并建立交叉口的车辆信息矩阵.构建以车流通过冲突区域时间最短为优化目标,以保证冲突车辆安全行驶的时间间隔为约束条件的线性规划模型.通过MATLAB搭建仿真平台对所提出的模型有效性进行试验验证.结果表明:在混合行驶的交通环境下,当车辆到达率为0.30~0.50时,本研究所提模型可以在传统控制模型的基础上提升交叉口通行能力约20%;分级限速控制模型下智能网联车辆渗透率达到0.90时,最多可以增加交叉口约17%的通行能力;所提模型能有效提高道路资源利用效率,保证主路运行通畅的情况下大幅降低支路车辆延误.

高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型

为提前准确预知高速公路施工控制区交通流变化趋势,解决交通流时间序列中的长期依赖问题,文中建立了高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型。首先,将预处理后的动态交通流数据集按时间步长顺序输入到LSTM网络,对交通流信息建模和学习。然后,引入BiGRU和Attention机制以更好地捕捉上下文信息和提供更具针对性的权重分配。最后,将构建的LSTM-BiGRU-Attention模型与其他模型进行交通流预测对比,评估模型性能。实验以G35济广高速公路某施工控制区交通运行情况为案例进行研究,结果显示该模型的平均绝对误差MAE为1.91,均方根误差RMSE为2.83,决定系数R^(2)为0.79,平均绝对百分数误差MAPE为3.23。对比其他模型,LSTM-BiGRU-Attention模型的4个评估指标均有所下降,说明该模型可为高速公路施工控制区提供更加精准的预测。

时空相关的道路网络短时交通流预测模型

为有效解决复杂路网短时交通流预测问题中涉及的时空特征挖掘问题,提出一种基于改进长短时记忆神经网络(Improved Long Short-Term Memory, ILSTM)的交通流预测模型.首先,通过改进的遗传算法对长短时记忆神经网络(Long Short-Term Memory, LSTM)模型初始参数进行优化获得最优参数组合,解决LSTM初始参数设置对输出结果影响较大的问题.其次,针对复杂路网多路段交通流预测中遇到的空间特征提取问题,通过挖掘相关路段对目标路段交通流预测的影响程度,重新构建LSTM模型的损失函数,采用路网中相关路段对目标路段的影响系数,以损失函数输出值最小为终止条件,构建ILSTM模型.最后,选择加州公路局交通数据进行模型验证实验,采用遗传算法优化LSTM模型(Genetic Algorithm-LSTM, GA-LSTM)和单纯LSTM模型,以及皮尔森相关系数与LSTM组合模型(Pearson Correlation Coefficient-LSTM,PCC-LSTM),对工作日和周末数据的多次实验结果进行对比分析.实验结果表明:ILSTM模型能够充分考虑复杂路网交通流的时间和空间特征,预测平均误差约为1.16%,在收敛效率和预测精度方面均优于其他模型.

融入智能网联汽车的混行交通流混沌特性

为了研究混行交通流混沌特性、辨析影响混行车队混沌程度的因素,在传统交通流理论基础上,利用Cao方法和改进的Cao方法确定混行交通流延迟时间和嵌入维数,对混行交通流序列进行相空间重构并通过计算最大Lyapunov指数判定其混沌特性.对混行交通流中智能网联汽车(intelligent connected vehicle,ICV)协同自适应巡航(cooperative adaptive cruise control,CACC)车辆比例及延迟时间关键参数进行影响分析.结果表明:在跟驰过程中车头间距序列的最大Lyapunov指数小于0时,混行交通流存在混沌;CACC车辆比例增加能够减弱混沌的时间区域,比如当CACC车辆比例达到0.6时,跟驰系统趋于稳定;CACC车辆的延迟时间对混沌的影响显著,保持低通信延迟才能发挥CACC车辆的作用,从而有效抑制混沌.

高速公路客货混行交通流元胞传输模型

针对客货混行引发的交通流稳定性下降、交通安全风险增加以及运行效率降低等问题,构建一个多车道客货混行交通流元胞传输模型,从宏观角度研究不同货车渗透率下的高速公路客货混行交通流特性.首先,利用微观车辆跟驰模型,分析均质小汽车和货车交通流的基本图特征,提出不同货车渗透率下的客货混行交通流基本图模型.然后,采用具体参数表征换道、有限加速度造成的道路交通容量下降效应,刻画客货混行交通流中货车对直行和换道流量的影响,采用Logit模型计算多因素影响下的换道交通流量,构建多车道客货混行交通流元胞传输模型.最后,通过高速公路多场景仿真实验验证模型的有效性.研究结果表明:所提出的模型可准确模拟高速公路上的客货混行交通流演变过程;货车渗透率是影响混行交通运行的关键因素,在交通事件导致车道数减少时,货车渗透率超过0.6会导致交通拥堵难以消散.研究成果可为高速公路客货混行交通流特性研究提供分析工具,为客货混行下的交通管理和疏导策略制定提供理论方法.

基于起点-终点数据的成山角船舶交通流特征分析

文中提出了一种基于起点-终点(origin-destination,OD)数据的船舶AIS(automatic identification system)轨迹聚类模型.该模型通过对船舶AIS轨迹的OD数据聚类,得到起点标签和终点标签的OD类别组合,从而将行为相似的船舶轨迹划分到同一个簇中,实现船舶AIS轨迹的有效聚类,并识别噪声轨迹.在此基础上,分析了成山角定线制水域船舶航行偏好、OD位置特点和船舶的群体性活动规律等交通流特征.

基于计算机数据算法模型的交通流数据分析

针对交通流数据分析滞后,交通规划效率不高等问题,提出了一种基于计算机数据算法模型的计算机数据算法数据分析方法,该方法采用基于S3C6410处理器的采集模块对影响交通流的数据进行采集或者分析,在进行数据信息采集时,还通过JZ863的无线传输模块实现数据信息传输,并通过神经网络算法模型提高了交通流数据信息分析能力。实验结果显示,本研究系统检测到发生故障的数据量数高达4735个,交通检测精度较高。

交通流数据的概念漂移探析

概念漂移在很大程度上影响着交通流预测的结果,当数据分布或属性发生了变化,而模型的参数和结构没有及时调整时,模型预测结果的准确性就会大幅度下降,甚至完全失效。研究交通流数据及特点,概念漂移及检测步骤、检测方法,对交通流数据概念漂移发现和检测模型的建立、后期调整和优化交通流预测模型具有重要意义。

粤港澳大湾区交通流网络空间结构和边界效应测度

推动港澳与内地交通互联互通和融合发展是粤港澳大湾区高质量发展的重要内容。大湾区由于制度差异对跨境交通产生边界效应,但现有研究中利用真实交通流大数据对边界效应的动态测度研究不足。文章基于粤港澳大湾区高速公路收费数据和跨境交通数据构建大湾区交通流网络,采用复杂网络和边界效应度量方法,研究大湾区交通流网络空间结构及其边界效应的动态变化。结果表明,粤港澳大湾区交通流网络具有独特的广佛、深莞惠“双核心―边缘”结构,疫情后大湾区交通流网络的交通覆盖度和紧密度都有较大提升,港澳车流开始跨越边界向北延伸,粤港澳交通融合加速,形成“两岸互通、全域互联”的空间格局,但整体上香港地区和澳门地区在整体网络的重要性依然较弱。香港地区和内地、澳门地区和内地间的阻碍系数高于内地各县区间的阻碍系数,客车的阻碍系数普遍低于货车的阻碍系数。疫情后全网络的阻碍系数呈现动态下降趋势,边界效应的限制作用降低。文章拓展了交通流网络研究中边界效应的定量研究框架,有助于推动粤港澳大湾区交通融合发展。

基于复杂网络的空中交通流量短期预测

为合理预测空中交通流量,结合复杂网络链路预测进行研究。首先,将时间序列转化为可视图得到拓扑特征量,然后结合基于局部信息、路径和随机游走的算法,比较在三亚不同扇区内的预测精度,发现RWR0.85算法预测精度最高。由于链路预测只能预测可能存在的连边,不能预测节点,因此引入D⁃S证据理论预测流量值,预测精度最高可达99.85%。结果表明,复杂网络链路预测结合D⁃S证据理论进行空中交通流量的预测是可行有效的,为进一步深入研究奠定了基础。

考虑异质交通流的随机参数优化速度跟驰模型

为分析交通流异质性对车辆跟驰行为的影响,基于随机参数线性回归方法改进优化速度函数.根据分位数回归对交通流速度-密度数据进行分类,对每个类别数据进行随机参数线性回归,并得到不同类别的改进优化速度函数与假设检验结果,结合改进的优化速度函数和全速度差跟驰模型建立随机优化速度跟驰模型,利用傅里叶变化理论对跟驰模型进行稳定性分析,并搭建环形车道仿真平台对跟驰模型进行数值实验.结果表明,分类处理后的随机参数模型误差较未分类降低28%;随机参数跟驰车队的速度值随着0.5分位点车辆的增多而增大;随机参数跟驰模型车队较固定参数跟驰模型车队更能反映交通流异质性对车队的影响.建立的模型能够提高仿真维度,真实反映交通流的复杂运行状况.

基于改进NaSch模型的网联异质交通流特性分析

为研究智能网联环境下异质交通流演变规律,设计典型场景驾驶模拟实验,采集传统车辆(human driven vehicle,HDV)与智能网联车辆(connected vehicle,CV)驾驶行为特征指标,对异质交通流关键参数进行分析和标定;构建考虑HDV与CV驾驶行为差异的异质交通流元胞自动机模型;并基于改进的NaSch模型进行仿真实验,解析智能网联环境下交通流基本图,分析异质交通流特性。研究结果表明:较于HDV,CV驾驶员捕捉道路信息和反应时间提升约11.4%;自由流状态下,CV车速比HDV车速提升了7.4%,且同一车速下安全跟驰距离缩短了18.2%;随着CV所占比例由20%增至80%,交通流基本图显示交通流平均车速显著提升,交通流率增加,时空轨迹图显示局部拥堵状况明显改善。

基于ARMA-AE-LSTM模型的进场交通流预测方法

为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。

考虑编队意愿的CAV队列对混合交通流条件下交叉口通行能力的影响研究

为研究考虑编队意愿的网联自动驾驶车辆(CAV)队列对混合交通流条件下交叉口通行能力的影响,针对CAV、自动驾驶车辆(AV)、人工驾驶车辆(HDV)构成的混合交通流,考虑CAV的编队意愿,基于10种车辆跟随状态类型和4种车间时距类型,基于马尔可夫链理论,推导出车辆跟随状态类型的状态转移矩阵和状态概率分布,构建交叉口通行能力模型,分析队列时距、编队意愿、渗透率(P_(C))、最大队列规模对交叉口通行能力的影响并进行数值案例验证。研究结果表明:通行能力随CAV队列时距的减小而增加;在给定P_(C)时,通行能力随编队意愿的增强而增加;P_(C)小于0.2时,编队意愿对交叉口通行能力的提高很小,P_(C)大于0.4时,编队意愿对提高交叉口通行能力的影响变得显著;更高的P_(C)是否会带来更大的通行能力,取决于编队意愿和异质的车间时距;对于控制队列规模不超过一个最大值k_(m′),在给定P_(C)时,通行能力随最大队列规模的增大而增加,但增幅逐渐减小;P_(C)小于0.2时,提高最大队列规模对通行能力的提高较小,P_(C)大于0.6时,最大队列规模对提高通行能力的影响变得显著。

基于实时交通流的上海市机动车碳污同源排放清单

为满足交通碳污减排政策多样化、差别化和精细化发展需求,扩大交通排放测算范围、提高测算准确度和时空分辨力,提出了一种基于实时交通流的高时空分辨力机动车碳污同源排放清单构建方法,综合交通模型、IVE模型和相关算法建立了覆盖上海全市的机动车碳污同源排放清单。结果显示,二氧化碳、氮氧化物周排放规律相近,呈现出明显的周末低工作日高的特征;二氧化碳分时变化规律呈现明显的双峰,而氮氧化物受重型车影响,峰值出现在夜间;由于各车型的碳污分担率不同且活动区域不同造成了上海市机动车二氧化碳和氮氧化物排放的空间分布差异明显;碳污同源排放清单中,NOx、PM、CO、VOCs、CO_(2)的月均排放量分别为5160t、440t、1.7×10^(4)t、732t和2.46×10^(6)t;排放分担率表明,NOx、PM等污染物主要来自重货车及大货车排放;CO、VOCs和CO_(2)排放来源以小客车排放占比最高。