面向队列实际行为特性的混合交通流建模及分析

为探讨自主汽车队列实际行为特性对交通流的影响,针对混入前车跟驰(PF)汽车队列的混合交通流,考虑队列实际行为特性并按照其实际控制策略进行建模,基于元胞自动机方法建立了混合交通流模型。仿真分析表明:队列车头时距、队列渗透率、队列规模、控制增益等队列特征对混合交通流呈现出耦合及非线性的影响特性,不同队列特征下的混合交通流时空特征差异显著;减小队列车头时距或增加队列渗透率对提升道路的通行能力总体是有利的;队列规模及控制增益对交通流量的一致性影响规律不明显,都需要结合其他队列特征进行具体分析。

智能网联环境下人机混驾交通流特性研究

本研究采用微观交通仿真软件SUMO,研究了智能网联汽车的加入对交通流运行状态的影响。搭建仿真环境,定义仿真路由,进行交通仿真操作,获取检测器的检测数据,并对其进行分析总结。研究发现,智能网联汽车的加入能够提高道路交通运行的速度和交通流密度,缩短行程时间和交通延误,大大提高通行效率。

事故紧急度视角下人机混驾车流拥堵演化仿真

为提高事故路段通行效率,提出考虑事故紧急度的元胞自动机模型。首先,构建人工驾驶车辆(HVs)驾驶员与自动驾驶车辆(CAVs)的事故紧急度感知量化模型;其次,区分行驶车辆所在的车道位置,将量化后的事故紧急度加入车辆的换道和跟驰模型中,分析车辆在选择减速跟驰、变换车道或加速驶离等不同驾驶行为时,事故紧急度对交通流产生的4种影响情景;最后,在不同情景下,通过仿真验证车辆受到事故紧急度引导时,事故路段人机混合交通流组织的改善效果。结果表明:相较于第1种情景,第3种影响情景的总平均运行速度提高36.94%、上游车辆拥堵影响范围减少75%、最大排队长度改善10.56%、平均排队长度改善12.09%。

结合道路信息的HEV发动机起停触发系统设计

现有的发动机起停系统只要发动机满足怠速停止的基本条件发动机就会停止,造成车辆频繁起停,这样不仅会加剧发动机部件磨损,还会增加整车油耗。为解决这一问题,设计了一种结合道路信息的混合动力汽车发动机起停触发系统(HEV-EST)。根据HEV发动机怠速和重起油耗图,确定HEV-EST起停条件;利用BP神经网络数字识别算法和颜色识别算法构建交通信号灯识别模型;运用统筹学的排队论对交通流进行分析计算,构建交通流分析模型;最后结合交通信号灯识别模型和交通流分析模型,设计了HEV-EST;并进行了MATLAB仿真验证。结果表明:该系统明显降低了车辆无效起停的次数,提高了整车燃油经济性。

考虑自适应巡航车辆影响的上匝道系统混合交通流模型

在考虑自适应巡航(adaptive cruise control,ACC)车辆的交通流模型的基础上,建立了考虑ACC车辆影响的上匝道系统混合交通流模型,研究ACC车辆引入对上匝道交通系统交通流的影响.为了描述ACC车辆和手动驾驶车辆在交通流运行中的差异,分别构建了基于常车头时距原则的ACC车辆跟驰子模型和手动驾驶车辆MCD元胞自动机子模型;基于上匝道车辆合流驶入主线的需求,建立了换道子模型,引入了表征驾驶员换道心理的参数λ.通过对混合交通流模型进行数值模拟发现,ACC车辆的混入可以有效改善上匝道系统交通流的运行,降低合流等事件对于交通流运行的影响,抑制交通拥堵的时空范围及拥堵强度,提高交通流的平均速度和流量.此外在混合交通流模型中,ACC车辆期望车头时距Hd的减小与换道心理参数λ的增大均可以提高混合交通流运行的速度和流量,而合流区长度lw对混合交通流影响则因上匝道车辆驶入概率的不同而存在差异.

混合交通流环境下信号配时研究

交通路口的信号配时大多采用只考虑机动车辆影响的F 韦伯斯特 B 柯布理论 ,不适合中国混合交通流的特点。本文考虑混合交通流环境下机动车和非机动车辆对信号配时的影响 ,对F 韦伯斯特 B 柯布信号配时公式进行改进 ,提出适合中国国情的交通路口信号配时计算公式。最后通过北京市体育馆西路路口的实测交通数据验证信号配时公式有效性 。

交通路口混合交通流的分布式模糊控制

考虑非机动车辆对路口信号控制的影响,提出了交通路口混合交通流分布式模糊控制的一种新方法;基于北京体育馆西路路口的实测数据,利用德国VISSIM仿真软件进行仿真,验证了该分布式模糊控制方法是一种有效的方法。

关于交通流量数据预测建模研究

研究高速路交通流量预测建模问题,交通流量数据不仅具有周期性还具有波动性。由于交通流量存在随机性,传统模型只反映了交通流量一部分信息,预测准确度较低。为了提高高速路交通流量预测精度,结合交通流量数据特性,提出了一种新的混合预测方法。采用EEMD分解非周期分量,使其信息最大化,对分解出的分量进行GARCH效应检验。根据检验结果建立了混合预测模型。针对成都市某高速路的实测交通流量数据,采用混合预测模型与EEMD-ARMA模型、神经网络模型进行对比实验。实验结果表明,高速路交通流量的非周期分量存在明显的GARCH效应,相比于传统模型,混合模型的预测平均误差和均方误差小,预测精度高且稳定。

基于混合粒子滤波的高速公路交通参数自适应估计方法

为提高高速公路交通参数的估计准确度,在宏观交通流模型和状态空间模型的基础上,基于贝叶斯理论,提出了一种基于混合粒子滤波的交通参数估计方法。考虑到估计结果对模型参数变化的敏感性,避免采用预设固定模型参数对估计准确度的影响,通过建立自由流速度与饱和度之间的变化关系,提出了交通状态影响下的模型参数自适应调整策略。仿真结果表明:基于混合粒子滤波的交通参数估计准确度要明显高于卡尔曼滤波估计,在正常和事故场景下,能够快速识别交通量和速度较明显的波动,表现出了更强的稳定性;交通状态影响下的模型参数自适应调整策略会明显提高交通参数估计准确度,在发生事故情况下,也可达到较好的估计效果。

基于GA-LSSVR模型的路网短时交通流预测研究

目前,很多短时交通流预测方法仅利用某一路段历史数据的时间相关性或者道路上下游路段的时空相关性进行交通流预测,未充分考虑路网所有路段之间的时空相关性.提出了一种基于稀疏混合遗传算法优化的最小二乘支持向量回归(LSSVR)模型,并应用于路网短时交通流预测.该预测模型不仅可以自动优化LSSVR模型参数,而且可以从高维路网交通流数据中选择有助于交通流预测的变量子集.实验结果表明,与LSSVR模型相比,所提方法具有更好的预测能力;而且,少量时空变量被选择出来构建预测模型,极大减少了信息冗余,改进了模型可解释性.

基于极限学习机的短期交通流预测混合优化模型

交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测,本文在极限学习机(Extreme Learning Machine,ELM)的基础上,通过嵌入原子搜索算法(Atom Search Optimization,ASO),构建ASO-ELM短期交通流预测混合优化模型,对比现有短期交通流预测模型,分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型,使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明:ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%,均方根误差(Root Mean Squared Error,RMSE)分别下降了4.8%、4.0%、2.0%和5.2%;其次,与人工神经网络(Artificial Neural Network,ANN)相比,MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。

基于ARIMA和小波神经网络组合模型的交通流预测

针对现阶段城市道路交通流预测精度不高的局限性,提出了一种基于差分自回归滑动平均(ARIMA)和小波神经网络(WNN)组合模型的预测方法来进行交通流预测。利用差分自回归滑动平均模型良好的线性拟合能力和小波神经网络模型强大的非线性关系映射能力,把交通流时间序列的数据结构分解为线性自相关结构和非线性结构两部分。采用差分自回归滑动平均模型预测交通流序列的线性部分,用小波神经网络模型预测其非线性残差部分,最终合成为整个交通流序列的预测结果。计算机仿真结果表明:组合模型的预测精度高于ARIMA模型和WNN模型各自单独使用时的预测精度,组合模型可以提高交通流预测精度,是交通流预测的有效方法。

基于神经网络和SARIMA组合模型的短期交通流预测

为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点.构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势.实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型.然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测.

组合模型在电梯客流量预测中的仿真研究

研究电梯客流量准确预测问题,以保证电梯运行安全。电梯客流量受到周末、上下班及假期影响,流量具有周期性、随机性和非线性变化特点。传统预测模型难以准确描述动态特点,导致电梯客流量的预测准确率低。为了提高电梯客流量的预测准确率,提出一种ARMA和RBF神经网络相结合的电梯客流量组合预测模型。组合模型首先利用ARIMA对电梯客流量线性变化部分进行预测,然后采用RBF神经网络对非线性部分进行预测,最后将两者结果相加,利用组合模型进行电梯客流量预测。仿真结果表明,组合模型用ARMA和RBF神经网络的优点,提高了电梯客流量的预测准确率,为电梯调度及优化控制提供了一种新的分析方法。

考虑非机动车因素的交叉路口的信号配时研究

平面交叉路口的信号配时大多采用F-B理论,它是讨论机动车流下的交叉口信号配时,而我国大部分城市都是机动车和自行车等非机动车混合的交通环境,因此该理论解决我国城市交叉口的信号配时并不完全适用。本文探讨了混合交通流条件下非机动车辆对信号配时的影响以及与机动车之间的换算关系,在考虑非机动车流的基础上研究了如何修正和应用F-B信号配时方法,并针对几种情况探讨了混合交通流条件下交叉路口控制的相位设计及其他一些问题。

基于元胞自动机双车道混合车辆变道规则的交通流模型研究

针对车辆行驶的交通流问题,兼顾现实中的多车道及车辆性能差异两个问题,在开放性边界的条件下,将基础的STCA模型进行改进,建立对称双车道大小车变道元胞自动机模型。文章核心在于变道规则的演化设计,根据逐步改进的变道规则,模型分为三种:模型一,大、小车都不允许变道;模型二,小车允许变道但同时不允许超车,大车不允许变道;模型三,小车既可以变道又可以超车,大车允许变道不允许超车。利用Matlab软件进行计算机仿真模拟,得到三种模型的时空斑图,图形结果显示:在保证安全性的前提下,车辆的变道、超车行为在改善交通状况的方面确实起到了很大的作用,堵塞相变少,同步流得到提升,道路利用率得到了提高,较STCA模型模拟的交通流更接近现实,也更具有指导意义。

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求,提出一种基于混合深度学习(Hybrid Deep Learning, HDL)的车道级交通流速度预测模型.模型以智能网联系统强大的数据采集和计算能力为基础,采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量,并将所得分量重构为模型输入;利用双向长短期记忆神经网络和注意力机制,构建深度学习模型框架;为检验模型预测精度和可靠性,选择北京市二环路多个连续车道断面速度数据进行算法验证.结果表明,HDL模型在不同车道均有理想的预测结果,单步和多步预测精度均显著优于对比模型.

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性,提高交通流参数估计精度,基于深度学习提出一种交通流参数估计的组合方法。根据目标断面及其上游断面的交通流数据构造输入矩阵,利用卷积神经网络捕捉交通流的空间特性,使用长短期记忆和门控循环神经网络挖掘交通流的时间特性,组合3种深度学习方法所得输出,得到交通流参数估计值。采用中国安徽省合肥市和美国加州萨克拉门托的交通流数据进行验证。结果表明:新方法的性能优于已有各种方法,使估计误差降低5.72%~33.29%;新组合方法具有较高的准确性和可靠性,能为智能交通系统运营与管理提供高质量的基础数据。

城市快速路匝道的最优控制

针对城市快速路控制技术中匝道调节率优化问题,采用宏观动态交通流模型预测实际路网中交通流变化过程,在该模型基础上构建入口匝道最优控制问题,给出基于遗传算法和序列二次规划的混合算法,并对该问题求解。算例结果表明,在最优控制下仿真路段中常发性拥堵问题得到改善,所提出算法能得到较高精度调节率。

面向交通流预测的分支定界算法图卷积模型

为对交通流进行准确预测,提出一种将图优化与预测相结合,在单管路中面向交通流的时空混合图卷积预测模型,用于边缘环境下物联网的城市交通流预测。首先对关联图进行预处理,以去除城市交通数据原始道路网中的噪声;再用LOF删除不相关的模型和噪声;最后将得到的图扩展成图卷积神经网络,估算城市的交通流。另外,采用基于分支定界的优化技术对超参数进行精确调整。结果表明:所提模型在交通流预测方面效果更优,当图中节点数较多时,预测的精准性明显优于其他基准模型。