城市快速路交织区交通震荡演化特性分析

为更精确地提取震荡数据,深入探究交通震荡演化特性,首先,通过采用单指数衰减函数拟合震荡车辆的速度标准差分析震荡的增长特性。其次,利用短时傅里叶变换提取频率强度的变化追踪震荡头车和减速阶段的加减速变化点,从而探究震荡的传播机理。研究结果表明:震荡过程中车辆的速度标准差沿车队呈凹形增加;震荡初期表现出前驱阶段,这一阶段车速变化缓慢,随着速度波动增大,震荡增长为向上游传播;减速阶段震荡的持续时间、振幅呈递增趋势,强度保持稳定;受交织区车辆随机性和不稳定性影响,主线不同车道发生的震荡因车辆行为不同在减速阶段的持续时间、振幅和强度大小存在差异。

基于变分模态分解和LSTM的短时交通流预测

交通流具有非线性、波动性和随机性等特征,为进一步提高短时交通流预测精度,提出了一种基于变分模态分解(VMD)和长短时记忆(LSTM)神经网络的短时交通流预测方法。采用VMD将原始交通流数据分解为k个平稳的固有模态分量(IMF),针对每个模态分量分别输入LSTM模型进行预测,将各项预测值汇总叠加,获得交通流预测结果。利用上海南北高架快速路感应线圈数据进行验证分析,结果表明:采用VMD分解后的预测结果更为精确,相比于BPNN、LSTM、EMD-LSTM、EEMD-LSTM等模型的预测结果,在平均绝对误差(MAE)方面分别优化了35.5%、28.25%、21.1%、13%,具有较高的预测精度。

城市快速路路段行程时间估计方法

为有效提高城市快速路路段行程时间估计精度,本文提出一种基于自适应滤波和网格虚拟车的行程时间估计方法。首先,利用自适应平滑滤波插值获得固定检测器之间的速度数据,实现固定检测器之间的时空速度场重构。然后将重构的速度场细分为若干网格单元,通过计算虚拟车在重构时空速度场的虚拟轨迹估计路段行程时间。最后,选取城市快速路感应线圈实测数据进行实例验证。实验结果表明,本文方法在自由流、平稳流和拥堵流3个运行时段下,均方根误差分别为0.15、0.35和1.06,平均相对误差均低于10%,具有较高的估计精度。

基于CEEMD-GRU组合模型的快速路短时交通流预测

为了提高短时交通流预测精度,提出了基于互补集成经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)和门控循环单元(Gated Recurrent Unit,GRU)组合模型的快速路短时交通流预测方法。首先,运用互补集成经验模态分解算法,将非稳定的原始交通流时间序列数据分解为相对平稳的多个模态分量;然后,将分解后的模态分量分别建立GRU模型进行单步预测;最后,叠加每个分量的预测值,获取最终预测结果,并采用上海市南北高架快速路实测交通流数据进行实例验证。结果表明:CEEMD-GRU组合模型的预测效果明显优于GRU神经网络模型、EMD-GRU组合模型以及EEMD-GRU组合模型,平均预测精度分别提升了33.4%,25.6%和18.3%。CEEMD-GRU组合模型能够有效提取交通流数据特征分量,提高预测精度,为交通管控提供科学决策依据。

基于回声状态网络模型的短时交通流混沌预测

为了提高短时交通流预测的准确度,提出基于回声状态网络模型的短时交通流混沌预测方法;利用C-C法计算相空间重构的延迟时间和嵌入维数;利用遗传算法对回声状态网络模型进行参数寻优,进而构建基于遗传算法的回声状态网络模型;采用城市快速路实测数据进行实验验证和对比分析。结果表明,所提出方法的预测效果明显优于支持向量机模型、小波神经网络模型和反向传播神经网络模型的预测效果,平均预测精度分别提升了35.9%、42.1%和45.6%。

基于CEEMDAN-ABC-LSTM组合模型的短时交通流预测

为了提高短时交通流预测精度,提出了基于自适应噪声完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和人工蜂群算法(Artificial Bee Colony,ABC)优化长短时记忆(Long Short-Term Memory,LSTM)神经网络的短时交通流预测方法。首先将非平稳、非线性的交通流数据利用CEEMDAN算法分解成相对平稳的多个固有模态分量和趋势分量;然后用人工蜂群算法对LSTM的参数进行寻优选择,将分解后的每个模态分量分别建立CEEMDAN-ABC-LSTM模型进行预测,最后叠加每个分量的预测值输出最终的预测结果。用感应线圈实测数据对构建模型进行验证分析,实验结果表明:模型具有较高的预测性能,其平均预测精度较LSTM,ABC-SVM和ABC-BPNN模型分别提升了19.8%,25.6%和38.7%。