大数据及其在城市智能交通系统中的应用综述

大数据给城市智能交通系统的技术发展与应用革新带来了机遇和挑战.从交通大数据的基本概念、交通大数据带来的问题和大数据驱动的数学建模方法等方面,阐述了交通大数据给智能交通系统带来的变革.为了深入理解交通大数据的内涵,分析交通大数据的产生背景,提出了交通大数据的'6V'特征,总结了智能交通系统中大数据的基本类型.面对交通大数据带来的数据安全、网络通信、计算效率和数据存储等诸多问题,提出了应对策略和思路.对数据驱动的建模方法进行了分析,说明了混合模型的意义.最后,讨论了大数据驱动的智能交通系统的体系框架.

城市交通控制与诱导协同的双层规划模型

为了均衡城市交通流的时空分布,以定时控制与战略诱导协同为研究对象,提出了一种城市交通控制与诱导协同模型.首先,建立了双层规划模型,上层模型以交叉口车均延误最小为目标,嵌入不同相位模式的定义约束,以实现信号控制优化;下层模型为用户均衡模型,引入虚拟路段表示交叉口延误对交通流分配的影响.然后,提出了一种启发式迭代优化算法对双层规划模型进行求解,其中,上层模型应用遗传算法求解,下层模型应用迭代加权法求解.算例研究结果表明:该协同模型减少了路网中的总旅行时间,解决了交叉口车均延误时间较多的问题,可实现城市交通流的时空均衡分布.

基于S-G滤波的交通流故障数据识别与修复算法

为了提高检测器采集到的交通流数据的有效性,基于S-G滤波法和数据驱动方法,提出一套交通流故障数据识别与修复的算法。以北京市某路段上单个交通流检测器所收集的数据为基础,结合实时数据与历史数据,完成故障数据识别与修复过程。与传统方法相比,该方法整合了交通流故障数据识别与故障数据修复两部分功能,运算更加高效而可靠。通过对北京市某路段实测数据的处理实例对算法进行验证。结果表明该方法实用性较高、运算速度快,为异常数据处理提出了新的思路。

基于动态阈值的交通流故障数据实时识别方法

为了提高交通流数据的准确性和可靠性,提出了动态阈值模型,用以实现交通流故障数据的实时识别。以北京市道路交通网络为研究区域,考虑研究对象路段的交通流实时数据与历史数据、上下游相关路段交通流数据的相关性,以及交通流参数之间的相关性,将传统的交通阈值理论推广到动态阈值模型。面向实时的城市道路交通流检测,基于动态阈值模型,计算交通流参数的实时阈值,以识别交通流故障数据。实例研究表明:该文的动态阈值模型可快速、有效的识别出交通流故障数据。

智能交通系统研究进展——基于CiteSpaceⅡ的知识图谱分析

为了深入了解智能交通系统研究的最新进展,以推进智能交通系统的应用推广和理论发展,对文献数据进行了细致的分析。将Web of Science数据库作为基础数据来源,以智能交通系统为主题的4204条文献及其引文为研究对象,基于CiteSpaceⅡ对相关文献数据进行处理。通过可视化的知识图谱形式,对近十年来智能交通系统的重要文献、机构、期刊及学术代表人物进行梳理,以分析领域内最新研究热点。

传统出版业数字化转型:困境、国际经验与对策

在互联网时代,数字化转型是传统出版业生存的必然选择,是其进入新市场的必由之路,也是满足新时期人民群众知识学习需求的重要方式。本文在分析传统出版业在数字转型过程中面临的挑战的基础上,总结美国、英国和加拿大的相关经验,并提出了一些适合我国的对策,以期为我国传统出版企业数字化转型提供借鉴和参考。

Tri-level programming model for combined urban traffic signal control and traffic flow guidance

In order to balance the temporal-spatial distribution of urban traffic flow, a model is established for combined urban traffic signal control and traffic flow guidance. With consideration of the wide use of fixed signal control at intersections, traffic assignment under traffic flow guidance, and dynamic characteristics of urban traffic management, a tri-level programming model is presented. To reflect the impact of intersection delay on traffic assignment, the lower level model is set as a modified user equilibrium model. The middle level model, which contains several definitional constraints for different phase modes, is built for the traffic signal control optimization. To solve the problem of tide lane management, the upper level model is built up based on nonlinear 0-1 integer programming. A heuristic iterative optimization algorithm(HIOA) is set up to solve the tri-level programming model. The lower level model is solved by method of successive averages(MSA), the middle level model is solved by non-dominated sorting genetic algorithm II(NSGA II), and the upper level model is solved by genetic algorithm(GA). A case study is raised to show the efficiency and applicability of the proposed modelling and computing method.

Three-stage approach for dynamic traffic temporal-spatial model

In order to describe the characteristics of dynamic traffic flow and improve the robustness of its multiple applications, a dynamic traffic temporal-spatial model(DTTS) is established. With consideration of the temporal correlation, spatial correlation and historical correlation, a basic DTTS model is built. And a three-stage approach is put forward for the simplification and calibration of the basic DTTS model. Through critical sections pre-selection and critical time pre-selection, the first stage reduces the variable number of the basic DTTS model. In the second stage, variable coefficient calibration is implemented based on basic model simplification and stepwise regression analysis. Aimed at dynamic noise estimation, the characteristics of noise are summarized and an extreme learning machine is presented in the third stage. A case study based on a real-world road network in Beijing, China, is carried out to test the efficiency and applicability of proposed DTTS model and the three-stage approach.

基于时空模型的交通流故障数据修正方法

为了提高交通流数据的准确性,从时间相关性、空间相关性和历史相关性三方面分析了交通流大数据的特点,建立了基础交通流时空模型。为保证数据处理的精度和速度,进行了时空模型的简化和标定。将时空模型简化,抽象为双层规划模型,上层模型通过控制时空相关参数的数量实现运算速度的优化,下层模型通过控制误差实现计算精度的优化。应用数据驱动法进行双层规划模型的求解,完成时空模型的标定。在时空模型的基础上,提出了交通流故障数据修正方法。以北京市某路段为例,对交通流故障数据修正方法进行有效性和可行性验证。验证结果表明:基于历史趋势、空间相关与时间序列的交通流故障数据修正方法的精度分别为79.65%、85.16%、89.84%,基于时空模型的交通流故障数据修正方法的精度为90.91%,具有较高的精度,而且可准确描述交通流大数据的特点。