城市单交叉路口交通信号实时优化控制与仿真

针对城市道路单点交叉口交通流的到达特性,将路口到达的交通流划分为4种状态,提出了"基于状态划分的多相位交通信号实时控制方法",该方法根据路口各状态下交通流的到达特征和控制目标,为不同交通状态选择合适的性能指标,并建立各状态下交通信号的动态配时模型。同时,设计了一种改进的自适应实数编码遗传算法对交通信号配时模型进行求解,该算法采用基于分类的排序惩罚机制对约束进行处理,并引入模拟退火算子增强遗传算法的局部搜索。最后,采用3种算法对实例进行大量的数值计算和Paramics仿真,计算和仿真结果均表明所设计的算法求解精度高且模型具有良好的控制效果。

字符多特征提取方法及其在车牌识别中的应用

针对车牌字符识别中大部分单一特征提取方法在字符识别上的局限性,提出了一种车牌字符多特征提取方法。在经过预处理后的车牌细化字符基础上提取字符4个侧面的笔画特征、拐点特征、轮廓累积特征及字符内部像素特征,构建出一个维度较低的特征向量集,然后分别采用支持向量机、K近邻算法、BP神经网络、径向基神经网络对陆丰高速公路实地拍摄的车牌图片进行测试并分别与模板匹配方法、网格法、基于小波矩方法比较,实验结果表明提出的车牌字符多特征提取方法识别率高,鲁棒性好。

结合Q学习和模糊逻辑的单路口交通信号自学习控制方法

针对城市交通系统的动态性和不确定性,提出了基于强化学习的信号交叉口智能控制系统结构,对单交叉口动态实时控制进行了研究。将BP神经网络与Q学习算法相结合实现了路口的在线学习。同时,针对交通信号控制的多目标评价特征,采用基于模糊逻辑的Q学习奖惩信号设计方法,实施对交通信号的优化控制。最后,在三种交通场景下,应用Paramics微观交通仿真软件对典型十字路口进行仿真实验。结果表明,该方法对不同交通场景下的突变仍可保持较高的控制效率,控制效果明显优于定时控制。

基于大规模浮动车数据的城市道路网复杂度分析

针对现有浮动车技术应用研究中缺乏道路网络复杂度的定量分析,引入置信点的概念,提出了一种基于大规模浮动车数据的城市路网复杂度分析方法。利用该方法统计了路网中各路段的置信点分布情况和置信点的平均匹配距离,建立了城市路网复杂度模型。结合浮动车数据的预处理,提出了城市路网复杂度的分析流程。以广州市为例,分析了广州市全局路网和4类典型城市道路代表路段的复杂度。对于地图匹配算法实证研究中的指定路径,具体分析了其各组成路段的复杂度及其主要影响因素。

结合神经网络和数据融合技术的城市路段速度估计

大部分基于浮动车GPS数据的速度估计模型仅适用于GPS数据采样时间间隔小、样本量空间分布密集的理想情况,无法准确计算样本量不足情况下的实时速度。根据浮动车GPS数据点在空间上的分布情况,提出组合三种速度估计模型,以最大限度地提高GPS数据利用率;考虑到GPS数据点在时间上分布不均,在GPS数据不足的情况下,结合神经网络预测和数据融合的技术,根据误差方差融合速度估计模型的测量值和神经网络拟合的预测值,以减少实时估计误差。选择广州市东风路作为测试实例,在高峰和平峰两种交通场景下比较了融合值、测量值和预测值的误差,结果表明结合神经网络和数据融合技术的城市路段速度估计精度和稳定性均优于速度估计模型。

结合卡尔曼滤波的城市路段速度估计

本文以城市出租车为浮动车数据采集源,介绍了基于GPS数据的实时路段速度估计的基本方法。针对目标路段GPS数据样本量不足的情况,考虑邻近区域的路段速度、上周同日速度、前一时刻速度等与目标路段当前时刻速度等密切相关的变量,建立多元线性回归方程,利用卡尔曼滤波融合预测值和测量值,从而提高路段行驶速度的估计精度。选择广州市东风路作为测试实例,融合值比测量值误差降低9%,绝对相对误差变动系数减少4%,表明结合卡尔曼滤波技术的城市路段速度估计精度和稳定性均得到提高。

基于代价敏感神经网络的交通状态判别

交通流不同状态在实际中出现的频率存在很大差异,且不同交通状态之间的误判所造成的影响程度是不同的。因此,可以认为交通状态判别是一个类不平衡及代价敏感的分类问题。本文通过分析交通状态的类不平衡特性,结合了少数类样本合成的过采样技术和阈值移动方法,在给定的代价敏感矩阵引导下,对训练样本集进行过采样和对神经网络输出值进行阈值移动,并得到最终的判别结果。通过对广深高速公路上采集的数据进行测试,实验结果表明,所提出算法可以有效降低拥堵和缓慢状态的误判率。