基于收费数据的高速公路站间旅行时间预测

针对高速公路断面检测数据密度不足现状,采用收费数据预测收费站间车辆旅行时间.研究收费数据实时修正处理方法,改进平均旅行时间计算模型;引入分段线性插值方法构建卡尔曼滤波模型,以减小卡尔曼滤波线性化产生的模型误差问题;依据旅行时间预测业务逻辑开发应用系统,实时主动预测高速公路站间旅行时间.示范路段应用表明,插值后预测算法在正常、事故、小长假3种交通流状态下所有周期平均相对误差控制在10%内,事故周期平均相对误差控制在13%内.插值后算法预测精度有效提高,可为高速公路公众出行提供时间参考.

融合多源数据预测高速公路站间旅行时间

为精确预测高速公路站间旅行时间,融合收费数据和微波车检数据开展预测.首先,基于两种数据源的预测结果,采用决策级融合策略;然后,建立了权重分配预测模型、BP神经网络预测模型;针对神经网络收敛速度慢,易陷入局部最优的缺陷,基于遗传算法优化BP神经网络预测模型;最后,利用京哈高速公路北京段收费数据和微波检测器数据对3种融合模型进行了验证,对比工作日及非工作日2种交通流状态下3种模型的性能指标.试验结果表明,基于遗传神经网络的融合模型相比其他2种模型,预测精度及稳定性均得到了较高的提升,相对误差控制在10%以内,能够更好地满足实际需求.

基于OD数据的高速公路交通运行状况智能分析系统

持续增加的高速公路交通量需要管理者实时掌握路网运营状况,并在紧急情况下实时做出快速的决策。本文针对此情况提出了基于高速公路收费系统OD数据推算的高速公路旅行时间计算出全线平均行车速度,依据相关标准得出公路交通运行状况,为长期负责交通管理、交通规划、经济评价分析等方面的相关人员提供更科学、更可靠的计算方法,为公众提供更有价值的交通信息。