基于A^(*)算法的大型停车场停取车动态诱导方法

针对大型停车场停取车问题展开研究。首先,明确停取车场景,对不同场景下的停取车过程建立相应模型;其次,考虑到大型停车场内部存在既进又出等多种复杂情况,提出一种适用于大型停车场的新型路阻函数;然后,通过A^(*)算法求解最优停取车路径,并对提出的模型进行数值模拟和实例验证。结果表明:提出的停取车动态诱导方法能够适应于不同的停取车场景,且模型结构简单、计算效率高,可以有效降低停取车成本,能够为当前大型停车场的智慧管理提供技术支撑。

融合FCM-RBF的短时交通拥堵状态预测模型

针对高速公路常发性拥堵路段,提出一种融合模糊C均值聚类算法和径向基函数神经网络的短时交通拥堵状态预测模型。模型基于FCM聚类算法获取历史交通流的拥堵状态标签以及不同交通状态的聚类中心;基于RBF神经网络算法实现短时交通流参数预测。将RBF神经网络预测得到的短时交通流参数代入FCM聚类结果中,得到短时交通拥堵状态标签。通过交通流参数与交通状态的隐含关系,搭建出融合模型的基本计算架构。结果表明:FCM聚类算法训练后的分类结果更加稳定有效;RBF神经网络比对照方法具有更高的预测精度,预测相对误差基本低于1.2%;建立的FCM-RBF模型对短时交通拥堵状态预测的分类正确率达到95%,预测结果准确可靠。