基于宏观基本图的交通控制有效性与路网稳定性研究

区域城市路网在不同控制方法下呈现的网络交通流输出水平与维持能力不尽相同,要评价控制效果的优劣,需要分析区域控制方式下路网交通流与路网耦合时所体现出来的特征值。作为一种路网的基本属性,选择宏观基本图作为研究区域交通控制有效性与路网稳定性的评价载体,解析了相对于路段、交叉口等单点评价具有的优势。基于MFD的区域交通控制评价不受路网交通需求变化的影响。研究建立了路网最大加权流量、最佳累计车辆数、路网负载能力、交通流分布均衡度以及时序均衡度5评价指标,以对区域交通信号控制方法的有效性与路网运行的稳定性进行评价,解读路网高峰时段的交通流维持能力。以成都青羊区太升南路附近37个信号交叉口为路网,利用VISSIM二次开发技术,获得了该路网在定时控制、感应控制、自适应控制以及自适应协调控制下的路网宏观基本图形态。通过对比各控制方法的宏观基本图形态特征与评价指标,从多个维度比较了各控制方法的特征与适用性,分析了相应的控制有效性,解读了其从平峰至过饱和各阶段的交通流维持能力,进而可以了解特定控制方法下路网的运行效率。同时,根据相应控制方法的稳定性表现,指出了各自的局限性,有助于在实际应用中根据区域路网面临的环境,分析应采取的交通控制策略。

针对大规模复杂车流的PG强化交通灯控制算法

优化城市道路中的交通信号灯控制是低成本地提升城市交通路网性能的方法之一。该研究提出了一种利用策略梯度(Policy Gradient, PG)强化调优的交通灯控制算法。该算法引入了道路压力项、旅程时间项和黑名单机制项,利用统计方式预测汽车行程轨迹,并采用策略梯度估计的优化算法调整算法中的参数。在数据挖掘国际会议Knowledge Discovery and Data Mining (KDD)组织的算法竞赛KDD Cup 2021城市大脑挑战赛中,获得了冠军的成绩。在该挑战赛提供的城市路网规模复杂车流仿真平台上的实验结果表明,算法具有应用于实际场景的价值。

基于D-LinkNet与形态学计算的高分遥感图像车流量监测

针对城市交通路面车流量监测实时性和准确性高的需求,设计了一种利用高分遥感图像进行道路网自动提取和车辆自动监测的处理方法。综合利用D-LinkNet和形态学计算实现道路区域的二值化语义分割及连贯性、边缘扩展以及平滑性优化,同时将道路信息作为掩码并外溢后进行车辆目标检测,有效避免非道路区域车辆目标干扰。提出采用热力图的形式改进车流量监测方法,可以更直观显示道路拥挤程度。综合利用现有数据集对所提方法进行评价,车辆检测的平均精度达91.7%,道路提取平均交并比达85.3%,可以实现道路车流量的有效监测。

智慧城市路网交通流量均衡性优化调度方法

早高峰和晚高峰时段的路网交通混乱,极易发生拥堵情况,为缓解交通系统压力,设计节点元胞划分下智慧城市路网交通流量均衡性优化调度方法。获取不同交通路线间的流量分离函数,定义路径交通流量和可用路段费用,得到出行者在某段路径上的概率函数,计算智慧城市路网各路段交通流量;获取流量守恒和车辆传递函数,计算可变元胞的单独序列,建立交通节点元胞划分模型;设计交通流量均衡性优化调度算法,得到城市路网均衡性的优化调度结果。设置仿真参数,对比优化前后三个路网模型的路径流量,仿真结果显示:早高峰和晚高峰时段路段内的路径流量明显降低,在其他时段,优化后的路径流量也不同程度下降,且路网模型越复杂,该优化方法的调度效果越好。

道路交通网络设计与规划研究

随着城市化进程的加速和人口的增长,道路交通网络的设计与规划变得尤为重要。通过对道路交通网络设计与规划的研究,可以提高交通系统的运行效率、减少交通拥堵并改善出行体验,文章旨在为城市的可持续发展起到积极的推动作用。

基于边缘计算的交叉口信号自动控制

交叉口信号控制需及时响应交通流量的变化,特别是在高峰时段,需要快速、准确地进行调整,以确保交通顺畅.为此,提出基于边缘计算的交叉口信号自动控制方法.该方法利用边缘计算预测交通交叉路口的车流量.并以最小化车辆延误时间及强化通行能力为目标,引入二流理论描述研究区域路网的服务水平和拥堵状态,建立交通路段的流量-密度模型,进而完成信号灯自动控制.实验结果表明:提出的方法能够准确预测交叉路口的车流量,并有效缩短车辆的排队长度,能够对交叉路口的信号灯实现有效控制.

基于多图时空图卷积模型的城市交通流长时预测

交通流预测是智能交通系统中的重要组成部分,准确、及时和有效的预测信息对于城市道路的交通控制、诱导具有重要意义。然而,由于城市路网交通流时刻受到用地性质、天气变化等多种外部因素的影响,其预测面临着巨大挑战。为了有效预测城市路网交通流而提出了一种融合多源数据的多图时空图卷积模型。将影响城市路网交通流的外部因素分为静态和动态两类,并提供了一种明确和有结构的分类依据来理解影响交通流的各种外部因素。再将静态因素编码为多图,具体为距离矩阵、功能相似性矩阵和连通性矩阵,使用多图组成三通道输入时空相关性建模模块。该模块使用图卷积网络对交通流的空间相关性进行建模,学习节点特征和邻接信息;使用门控循环单元对交通流的时间相关性进行建模,捕捉交通流数据的动态变化和周期性规律。最后,使用融合层将多通道输出与动态因素进行融合作为最后预测输出。为了验证模型的有效性,使用SZ-TAXI数据集,与7种基准预测模型进行对比试验,结果表明,融合了多源外部因素的多图时空图卷积模型在评价指标MAE和RMSE上都比基准模型预测值更具准确性。并设计消融试验分析,处理静态因素的多图方法以及融合动态因素的方法均有效提高了城市路网交通流长时预测性能。

基于SSA-CNN-BiLSTM组合模型的短时交通流量预测

为改善城市道路交通拥堵状况,并为智能交通系统决策提供辅助手段,针对短时交通流的非线性和时序性特点,构建了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)联合双向长短时记忆神经网络(BiLSTM)的组合模型以预测短时交通流量。首先,对原始交通流数据进行异常值清洗、小波阈值去噪和归一化处理。然后,利用SSA算法对CNN与BiLSTM组合网络中的隐藏层单元数、初始学习率和L2正则化系数三个超参数迭代寻优。最后,将搜索得到的最优超参数组合输入搭建好的组合网络中进行训练和预测。实验结果显示:与粒子群优化(PSO)和灰狼优化(GWO)算法相比,SSA算法在网络超参数寻优过程中的收敛速度更快,全局寻优能力更强;与3种对比模型(CNNBiLSTM、BiLSTM和LSTM)相比,在5 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的均方根误差(RMSE)分别降低了5.46、12.78、20.38,平均绝对百分比误差(MAPE)分别降低了0.49%、2.24%、3.11%;在15 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的RMSE分别降低了9.70、28.42、41.18,MAPE分别降低了0.50%、1.98%、2.59%。研究表明,相比既有算法,该短时交通流量预测组合模型在精度和稳定性上都有所提升,可通过提供更精准的短时交通出行信息来改善道路交通状况。

降雨对城市路网交通状态的影响机理

城市道路在雨天易发生交通拥堵是人们的普遍感受。然而,降雨是否必然引发拥堵?感受是否属实?本文从理论出发,结合实际数据进行解释。通过分析认为,雨天驾驶员倾向于保守驾驶,使饱和车头时距增大。基于该假设,建立受信号影响的城市道路交通流模型,并对不同降雨场景下平均行程速度的变化情况进行理论分析。利用视频数据统计得到的各降雨等级下的饱和车头时距,验证降雨会使饱和车头时距增大的假设。选取杭州市萧山区局部路网数据进行数值模拟,并基于VISSIM路网仿真验证构建的模型。结果表明:降雨对路网平均速度的影响是负面的。在交通需求较小时,降雨的负面影响几乎可以忽略;随着降雨等级提高,交通需求大的路网更容易出现过饱和,路网平均行程速度将出现陡降,交通状态迅速恶化。在选取的模拟场景下,相比于非降雨天气,小雨情景下路网平均速度下降7.03%,中雨下降14.61%,大雨下降21.34%,暴雨下降22.82%。基于VISSIM的仿真结果与模型理论值拟合度高,验证了模型的有效性。由结论可知,由于高峰时段的交通需求远大于平峰时段,因此,高峰时段的降雨会给城市路网交通状态带来更大的负面影响,更加需要交通管理部门的重视。

基于Graph Transformer的大规模路网交通流量预测

为了捕捉大规模路网交通流量复杂、动态的时空特征,实现大规模路网交通流量的准确预测,建立了基于Graph Transformer的交通流预测模型。该模型运用GRU模块提取路网中历史交通流量的时间特征,根据分布在路网中的传感器之间的关联,建立以历史交通流量为节点、传感器间的相互联系为边的交通图。在此基础上,运用基于Graph Transformer的深度学习技术进行时空特征的提取。为了验证该预测模型的性能,基于PeMS高速公路数据集与6种基线模型进行对比,实验表明本文提出的预测模型展现了最优的预测性能。

基于生成对抗和图卷积网络的含缺失值交通流预测模型

为提升含缺失值城市道路网络交通流预测的准确性,对生成对抗网络的生成器和判别器进行重构,改进了损失函数,提出了交通流缺失数据补全的交通生成对抗插补网络。基于经验模态分解、图卷积网络和门控循环单元设计了EMD-GCN-GRU城市道路网络交通流预测模型。首先,对交通流数据进行经验模态分解,重构了各同级分量为后续预测模型的输入。然后,利用图卷积网络学习路网拓扑结构,捕获了交通流空间特征,再利用门控循环单元捕获交通流时间特征。最后,利用TGAIN补全含缺失值的路网交通流数据后,再利用EMD-GCN-GRU模型进行交通流预测。采用深圳市罗湖区平均车速数据集,构造了多种具有不同缺失模式和不同缺失比率的交通流数据用于模拟实际缺失情形,在ModelArts开发平台进行方法的有效性验证。结果表明:相较于常用的矩阵分解插补方法,TGAIN模型在数据集随机缺失模式下补全准确性较高,在非随机缺失率低于50%时补全性能较好;与其他预测算法相比,EMD-GCN-GRU交通流预测模型具有更高的预测精度;将数据补全方法TGAIN和交通流预测方法EMD-GCN-GRU相结合进行含缺失值城市道路网络交通流预测,显著降低了数据缺失和数据噪声对交通流预测的负面影响,捕获了路网交通流的时空相关性,进而提升了城市道路网络交通流预测的精度。

基于图卷积网络的交通路口流量预测模型

交通流量预测是建设智慧城市中一项重要性高且挑战性大的任务。准确预测需要考虑如节假日、相似节点和天气等多种影响因素组成的时空特征。为了准确捕获到路网路口的时空特征,提出了一种基于图卷积神经网络、时序算法Prophet和Pearson相关系数的预测模型,以实现考虑空间结构、相似节点、节假日及其他影响因素对路口流量的准确预测。首先,为降低相似节点影响引入Pearson相关系数,改进时序算法,实现时间特征的捕捉;然后,采用图卷积神经网络实现空间特征的捕捉;最后,通过线性回归确定图卷积网络和时序算法的融合权重,得到时空融合预测的结果。最终基于成都市出租车轨迹数据分析提取出路口流量数据,并进行了流量预测实验。结果表明,提出的模型准确性优于大多现有的基线方法,与T-GCN、ASTGCN、AGCRN模型相比,MAE分别降低了1.623、0.724、0.161,精度分别提高了0.144、0.068、0.021,验证了该模型在交通路口流量预测中的有效性。

基于非线性模型预测控制的城市路网交通流优化

为提高城市路网设计效率,文中提出一种基于非线性模型预测控制的城市路网交通流优化方案。采用预测控制方法,利用模拟试验验证所提算法在道路网络中的应用,从而最大限度地提高路口的通行能力;同时,验证迭代式识别在车辆流量模型的参数识别中的正确性。研究结果表明:采用时变参数模式预测时,每个路口的队长度差异都是比较合理的,模型预测结果与仿真结果接近;采用该模型的预测控制算法可以对网络的实时状况进行实时修正,从而改善道路的运行性能,8:00时段道路阻塞状况的模拟结果证明该方法具有较好的性能。相比之下,当系统中产生随机扰动时,自适应迭代学习辨识算法可以实现对系统期望输出的快速跟踪,具有较快的收敛速度和良好的效果。

道路网络路段韧性重要度的EFAST评价方法

识别韧性重要路段有助于通过局部路段改造措施提升路网的整体韧性水平。将路网韧性评估模型集成至扩展傅里叶振幅灵敏度检验方法(Extended Fourier Amplitude Sensitivity Test,EFAST),提出了一个通用的路段韧性重要度评估框架。路网的韧性水平取决于各路段抵御、吸收故障及从故障中恢复的能力。该框架能够分离各路段的上述韧性能力对路网韧性的影响,据此评价各路段基于不同韧性能力的重要程度。算例试验表明:路段韧性能力的波动能够显著改变路网的韧性水平,各路段不同韧性能力对此变化的影响具有非均衡性;韧性能力的影响力随修复进程发生变化,忽视其交互效应可能低估路段的重要程度。基于识别结果的路段改造措施被证实能够更高效地提升路网的韧性水平。

宏观交通流模型的自适应迭代学习辨识策略

城市路网交通流系统具有很强的随机性和时变性,单一固定的交通流模型难以准确地描述城市路网的实际运行情况,在考虑交通流稳态和动态特性的基础上,提出了一种含有未知时变多参数的非线性宏观交通流模型,并针对交通流固有的重复性特征,设计了一种时变多参数的自适应迭代学习辨识策略。在有限时间区间内,利用迭代学习辨识策略将参数辨识问题转化为最优跟踪控制问题,使交叉口各进口道的排队车辆数均趋于真实值,利用去伪算法的实时自适应能力调整迭代学习辨识策略的学习律增益,提高辨识策略的抗干扰能力。通过严格的数学理论推导证明了该算法的收敛性,最后采用基于模型的控制方法进行仿真实验,进一步验证了该方法的有效性。

基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM(支持向量机)模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明:①误差对比:当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。②预测精度:组合模型>BP神经网络>SVM,组合模型的平均绝对误差(MAE)提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。

计及车-路-站-网融合的电动汽车充电负荷时空分布预测

针对目前对车-路-站-网相互影响考虑不足,导致电动汽车充电负荷时空分布预测不准确的问题,提出了基于万有引力模型的电动汽车充电负荷时空分布预测模型。首先,计及路网交通流和环境温度,分析外部环境与电动汽车能耗之间的关系。其次,考虑了温度、湿度、辐射等外部环境因素对用户出行的影响,建立基于出行意愿修正的出行链模型。最后,计及多方信息融合,建立基于万有引力模型的电动汽车充电站选择模型。算例结果表明,所提出的模型能够计及电动汽车、路网、充电站和电网的相互影响,并准确计算电动汽车充电负荷的时空分布,分析多场景、多区域下的电动汽车充电需求负荷特性。

考虑双向交通的城市路网交通流元胞自动机模型

允许车辆借反向车道超车的双向交通道路是城市路网的重要组成部分.本文考虑了双向交通道路的车辆行驶规则,研究了无信号控制交叉口的车辆优先通行权分配规则,构建了一个双向交通的城市路网交通流元胞自动机模型,研究了城市路网交通流的动态特性.研究结果表明,临界密度随着路网规模的增加而下降,路网交通密度的增加会加速拥堵闭环的形成,换道概率的增加会降低路网车速和缩短局部死锁现象形成的时间,单位时间换道车辆数与换道概率及交通密度之间存在着密切的关系.

城市路网交通流元胞自动机模型研究

研究城市路网交通流的动态特性,揭示交通拥堵、环境污染和交通事故的产生原因和规律,能为城市交通问题的解决提供理论依据。元胞自动机模型是研究城市路网交通流动态特性的一个有效工具,能够再现许多重要的交通流特征。从路段模型、交叉口模型和路网模型3个方面总结和评述了国内外各种典型交通流元胞自动机模型。在现有模型的基础上,通过对车辆起讫点分布、路径选择行为、双向通行多车道路段车辆换道规则、不同控制交叉口的车辆更新规则以及网络拓扑结构等方面进行改进,可以提高元胞自动机模型在城市路网交通流仿真中的真实性。

基于行车时间的道路网络时空自相关模型研究

以城市道路网络为研究对象,提出一种适用于道路网络的邻接矩阵建立方法,并建立一种基于邻接关系的局部时空自相关指数LSTACFA。在此基础上,采用伦敦LCAP项目中所采集的行车时间数据,用ST-ACF和LSTACFA从全局和局部角度分析伦敦市路网的时空相关性。研究结果表明:伦敦市路网存在着显著的时空正相关,并且这种时空相关性具有时间动态、空间异质等特点,同时揭示了伦敦市时空自相关分布状态以及其变化趋势。通过与CCF指数的对比验证了LSTACFA的合理性和准确性。