Comprehensive Evaluation Method for Traffic Flow Data Quality Based on Grey Correlation Analysis and Particle Swarm Optimization

Nowadays,data are more and more used for intelligent modeling and prediction,and the comprehensive evaluation of data quality is getting more and more attention as a necessary means to measure whether the data are usable or not.However,the comprehensive evaluation method of data quality mostly contains the subjective factors of the evaluator,so how to comprehensively and objectively evaluate the data has become a bottleneck that needs to be solved in the research of comprehensive evaluation method.In order to evaluate the data more comprehensively,objectively and differentially,a novel comprehensive evaluation method based on particle swarm optimization(PSO)and grey correlation analysis(GCA)is presented in this paper.At first,an improved GCA evaluation model based on the technique for order preference by similarity to an ideal solution(TOPSIS)is proposed.Then,an objective function model of maximum difference of the comprehensive evaluation values is built,and the PSO algorithm is used to optimize the weights of the improved GCA evaluation model based on the objective function model.Finally,the performance of the proposed method is investigated through parameter analysis.A performance comparison of traffic flow data is carried out,and the simulation results show that the maximum average difference between the evaluation results and its mean value(MDR)of the proposed comprehensive evaluation method is 33.24%higher than that of TOPSIS-GCA,and 6.86%higher than that of GCA.The proposed method has better differentiation than other methods,which means that it objectively and comprehensively evaluates the data from both the relevance and differentiation of the data,and the results more effectively reflect the differences in data quality,which will provide more effective data support for intelligent modeling,prediction and other applications.

基于NetFlow的流量统计系统的设计与实现

针对以往基于微处理器的流量统计技术已不能满足网络接口带宽快速增长的实际应用需求问题,提出一种基于硬件实现NetFlow的流量统计系统的实现方案。通过充分利用FPGA并行处理的优势,以FPGA+DDRII为核心处理单元,采用全流统计模式,解决了以往采用抽样统计造成的信息偏差问题。实际测试结果表明,该系统满足10Gbps带宽下的实时处理和高精度的识别,与传统软件实现相比,流识别的准确率最大能提高约37%。

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.

A Data-Driven Car-Following Model Based on the Random Forest

The car-following models are the research basis of traffic flow theory and microscopic traffic simulation. Among the previous work, the theory-driven models are dominant, while the data-driven ones are relatively rare. In recent years, the related technologies of Intelligent Transportation System (ITS) re- presented by the Vehicles to Everything (V2X) technology have been developing rapidly. Utilizing the related technologies of ITS, the large-scale vehicle microscopic trajectory data with high quality can be acquired, which provides the research foundation for modeling the car-following behavior based on the data-driven methods. According to this point, a data-driven car-following model based on the Random Forest (RF) method was constructed in this work, and the Next Generation Simulation (NGSIM) dataset was used to calibrate and train the constructed model. The Artificial Neural Network (ANN) model, GM model, and Full Velocity Difference (FVD) model are em- ployed to comparatively verify the proposed model. The research results suggest that the model proposed in this work can accurately describe the car- following behavior with better performance under multiple performance indicators.

交通流数据的概念漂移探析

概念漂移在很大程度上影响着交通流预测的结果,当数据分布或属性发生了变化,而模型的参数和结构没有及时调整时,模型预测结果的准确性就会大幅度下降,甚至完全失效。研究交通流数据及特点,概念漂移及检测步骤、检测方法,对交通流数据概念漂移发现和检测模型的建立、后期调整和优化交通流预测模型具有重要意义。

基于起点-终点数据的成山角船舶交通流特征分析

文中提出了一种基于起点-终点(origin-destination,OD)数据的船舶AIS(automatic identification system)轨迹聚类模型.该模型通过对船舶AIS轨迹的OD数据聚类,得到起点标签和终点标签的OD类别组合,从而将行为相似的船舶轨迹划分到同一个簇中,实现船舶AIS轨迹的有效聚类,并识别噪声轨迹.在此基础上,分析了成山角定线制水域船舶航行偏好、OD位置特点和船舶的群体性活动规律等交通流特征.

城市轨道交通系统的层次化功能结构解析——以上海为例

解析城市轨道交通系统的功能结构对于建立以轨道交通为骨架的城市空间结构至关重要,其有助于优化城市空间布局,促进交通与土地利用融合,进而推动城市可持续发展。本文利用交通刷卡大数据,基于轨道交通站域的功能相似性和邻接关系提出了功能站组的概念,并形成了一套“站域功能分类—站组范围划定—站群结构识别”的方法体系。以上海市轨道交通系统为例,针对单个站域,构建表征站域土地利用功能的连续客流时间序列,并依据时间序列特征分类得到站域功能类型;将多个具有相似的出行模式和土地利用功能的相邻站域划定为功能站组;以功能站组为基本单元,采用社区发现算法,对功能站组间的客流交互网络进行分析以识别站群。研究结果表明,城市轨道交通系统的“站域—站组—站群”层次化功能结构解析方法综合了场所空间和流空间视角,有助于认识特大城市轨道交通系统的功能结构特征,并为轨道交通系统的发展提供多层次的空间优化建议。

基于轨迹数据的快速路交织区拥堵演变特征研究

对快速路交织区拥堵演变过程中宏观交通流参数与交通状态的时变关系进行研究,可以为快速路交织区交通状态判别提供科学依据。利用YOLO算法从高清视频中提取车辆轨迹数据后,利用卡尔曼滤波对原始轨迹数据进行降噪平滑处理;对快速路交织区拥堵演变过程中速度、流量、密度等宏观交通流参数与交通状态进行时变分析,揭示快速路交织区宏观交通流参数在拥堵演变过程中的时变特征。结果表明,在快速路交织区交通状态判别时,融合平均行程速度和交通流密度等指标,可以有效提高交通状态判别精度。

基于YOLO模型的车流量实时采集系统研究

对于一座现代化城市来说,合理的交通规划是一个城市高效运行的关键,作为交通规划的关键信息的城市车流量信息,原本需要人工进行识别、获取、验证的提取方式,随着计算机视觉技术的蓬勃发展弊端尽显,终将退出历史的舞台。为了提高城市车流量信息的准确性和及时性,利用现有的计算机技术设计一种基于YOLO模型的车流量实时采集系统。该系统基于YOLO视觉检测模型,采用DeepSORT算法对检测到的目标车辆进行跟踪识别、判断车辆的运行状态、实现当前路段的车流量统计、对已记录车流量信息进行可视化展示以及数据输出等。该系统可以有效地代替传统消耗人力的死板工作,实现自动化数据收集以及道路交通情况的快速监测。该系统操作简单,交互性强,为城市的交通管理和交通规划提供准确实时的信息数据。

考虑交通流量俘获的电动汽车充电负荷预测和充电站规划

针对电动汽车(EV)的充电需求,考虑路径的交通流量,以最大交通流量俘获、最小配电系统网络损耗和最小节点电压偏移为目标,构建了一个多目标决策模型对EV充电站进行规划。运用网络扩展技术确定交通流量俘获路径;运用蒙特卡罗模拟算法,确定规划区内EV的最大充电负荷,从而推算得到充电站的容量;运用超效率数据包络分析评价方法,确定经过归一化处理后各目标函数的权重系数,从而将多目标优化问题转化为单目标优化问题,并采用改进的二进制粒子群优化算法进行求解。以一个包含25个节点的交通网络耦合33节点配电系统为算例进行仿真,验证所建模型和所提方法的有效性,并进一步分析EV最大行驶里程、充电站负荷接入不同节点以及不同时刻对各目标函数的影响。

基于计算机数据算法模型的交通流数据分析

针对交通流数据分析滞后,交通规划效率不高等问题,提出了一种基于计算机数据算法模型的计算机数据算法数据分析方法,该方法采用基于S3C6410处理器的采集模块对影响交通流的数据进行采集或者分析,在进行数据信息采集时,还通过JZ863的无线传输模块实现数据信息传输,并通过神经网络算法模型提高了交通流数据信息分析能力。实验结果显示,本研究系统检测到发生故障的数据量数高达4735个,交通检测精度较高。

基于数字孪生的城市交通流量可视预测研究

由于城市路网数据的复杂性和动态性,直接解读各道路关联关系变得困难,直接连接性的不确定性也影响了预测准确性。为解决这些问题,利用出租车轨迹数据,结合图卷积神经网络,提出了数字孪生基础上的城市交通流量智能可视预测框架。为提高预测精度,根据历史流量数据创建了路网的时空关联图,构建了时空图卷积网络的ASTRG-GCN交通流量预测模型。通过数字孪生技术,将动态交通数据和虚拟三维交通场景融合,实时模拟交通场景,为城市交通优化提供决策支持。最终,设计并实现了城市交通流量可视分析框架,使用户能够高效分析交通运行态势。实验结果表明,该模型预测精度在两个数据集上高于对比算法。数字孪生的可视分析系统实现了交通拥堵识别、交通场景模拟和交通变化对比等效果,为交通规划者提供了决策支持。

时空行为视角下上海市早高峰拥堵的形成模式与规划应对

从时空行为视角溯源导致拥堵的出行原因,有助于理解拥堵形成的时空全过程。以上海市早高峰期间常发拥堵路段与机动车出行为研究对象,使用手机信令数据与交通态势数据进行交通流分配,还原出行的时空轨迹,从空间、时间、行为3个维度刻画早高峰拥堵形成的总体特征,解析具体路段的拥堵形成模式。发现拥堵的主要来源是沿内环、中环连片的居住密集区,去向主要集中在内环内的就业集中区;道路拥堵模式可归纳为“时空集中型”“出发集中型”“到达集中型”“时空分散型”4种主要类型;进而结合时空行为规划理论框架提出针对性的缓堵策略。从时空全过程视角认识道路拥堵的形成原因,可以为精细化的拥堵治理提供参考。

基于神经网络的大数据分析在智慧交通中的应用

为提升交通流量预测的准确性和效率,研究基于神经网络的大数据分析在智慧交通中的应用。首先深入探讨智慧交通系统的整体架构,其次研究基于层归一化的循环神经网络(Recurrent Neural Network,RNN)优化方法,最后进行实验分析。实验结果表明,所提方法的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)明显优于传统标准RNN方法。

数据缺失下的交通流预测方法研究

文中提出了一种基于节点向量-生成对抗网络的交通流预测方法.通过Node2vec方法实现路网邻接关系的重构,实现路网空间相关性的深度挖掘.基于残差图聚合机制构建了路网数据空间特征的生成器,实现了根据路网中的部分已知数据推演未来路网交通流数据.采用西雅图高速路网速度数据集(Seattle)和加州路网速度数据集(PEMS)验证模型的有效性.结果表明:该模型在不同数据缺失模式、不同数据缺失率下均可以保持鲁棒的交通流预测表现.

面向动态交通流多步预测的时空图模型

为更好表征交通路网中节点之间的动态隐式关系,提出一种基于时空数据嵌入的动态图卷积交通流预测模型。基于路网中节点之间的共现关系,利用深度游走算法将时空数据映射到嵌入空间中学习节点的向量表示;引入时隙嵌入特征与二维空间嵌入特征共同构建三维嵌入邻接张量,用于捕获时空依赖关系;在图卷积网络中添加自适应更新机制,利用循环组件演化图卷积网络的参数,以捕获图序列的动态性。将所提模型应用于基于真实交通数据集的交通流预测,结果验证了其有效性和提取路网隐式关系的准确性。

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明:改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。

基于置信度与级联结构的未知网络流量检测

为了提升开集流识别性能,本文在对已知类和新类的置信度分布分析基础上,提出一种基于置信度信息与级联结构的未知网络流量检测方法。该方法通过级联结构,先将具有高置信度的新类样本检测出来;利用最大置信度差对新类和已知类进行分类;利用最大置信度对已知类进行细分类。为了更好地检测高置信度新类,还设计了从未标记数据筛选伪负样本的算法。实验表明,与现有代表性方法相比,本文方法的已知类F1提高约13%,新类F1提高约3%,总体准确率提高约5%,训练和分类耗时也明显少于现有方法。

Deriving average delay of traffic flow around intersections from vehicle trajectory data

Advances of positioning and wireless commu- nication technologies make it possible to collect a large number of trajectory data of moving vehicles in a fast and convenient fashion. The data can be applied to various fields such as traffic study. In derive average delay of traffic and verify the results with this paper, we attempt to flow arotmd intersections changes of time. The intersection zone is delineated first. Positioning points geographically located within this zone are selected, and then outliers are removed. Turn trips are extracted from selected trajectory data. Each trip, physically consisting of time-series positioning points, is identified with entry road segment and turning direction, i.e. target road segment. Turn trips are grouped into different categories according to their time attributes. Then, delay of each trip during a turn is calculated with its recorded speed. Delays of all trips in the same period of time are plotted to observe the change pattern of traffic conditions. Compared to conven- tional approaches, the proposed method can be applied to those intersections without fixed data collection devices such as loop detectors since a large number of trajectory data can always provide a more complete spatio-temporal picture of a road network. With respect to data availability, taxi trajectory data and an intersection in Shanghai are employed to test the proposed methodology. Results demonstrate its applicability.