基于K邻近算法的城市道路短时交通预测

为了提高城市道路交通状态预测的准确度,适应交通状态剧烈变化,提出了基于K邻近算法的实时交通预测框架。该框架以路段平均速度的时间序列构建特征向量,提出并应用差分序列考虑交通状态的幅度变化,滚动预测不同道路类型的短时交通状态。实验结果表明,增加差分序列的K邻近算法能准确地实现不同道路类型的短期交通状态预测;对比支持向量与随机森林算法,验证K邻近算法更适应交通状态变化剧烈的次干道交通预测。

一种交叉熵算法的宏观交通模型标定方法

针对交通仿真模型标定问题往往存在大量的局部最优解,要求求解算法具备优秀的搜索能力与收敛性质的情况,提出了结合蒙特卡罗与重要样本策略逐步逼近最优概率密度函数——基于交叉熵算法的交通模型标定方法。实例分别采用已知全局最优值的合成数据、实际观测数据对元胞传输模型进行参数标定,并对比遗传算法进行验证。实例验证结果表明,交叉熵算法具有高效的标定效率及优异的收敛性质。

基于交叉熵算法的跟驰模型标定

跟驰模型的标定是为了更好地重现真实驾驶情况从而增强交通安全和分析如停-走间断流等复杂的交通流情况。然而,跟驰模型的标定并不是一件容易的事。这是因为某些参数是不能从交通流数据中直接观测得到。此外,传统的确定性标定方法会导致大量局部最优值的出现。在此基础上,本文提出了基于交叉熵算法的跟驰模型标定的框架,基于蒙地卡罗与重要样本策略逐步逼近参数的最优概率密度函数。实例分别采用合成数据与实测数据标定智能驾驶模型,验证了交叉熵算法搜索全局最优值的能力,并体现了交叉熵算法适用于实测交通流数据标定的潜能。

场景驱动的交通大数据平台数据架构设计

针对交通大数据平台的建设面临的缺乏科学合理的数据架构,导致数据应用时数据汇聚难、现状分析难、决策支撑难的问题,分析了交通大数据的应用的离线数据分析与实时数据服务的两种场景,结合场景需求与交通数据特点,设计了涵盖原始库、标准库、指标库的交通大数据平台数据分层架构模式,通过深圳市交通大数据平台的实践证明,这一架构设计能够满足离线数据分析与实时数据服务两种不同的应用场景。