基于门架数据的高速公路交通参数估计方法

本文针对现阶段技术手段在估计路段平均行程速度和路段流量所存在的局限性,提出了基于门架数据的交通参数估计框架,利用两阶段聚类方法剔除驶入服务区及行驶异常的车辆。在路段流量计算方面,针对门架行车记录缺失问题提出了基于XGB回归预测模型的门架行车记录填充方法,提升了路段交通流量估计的准确性。

城市快速路交通流参数估计方法研究

车辆速度、密度、流量关系模型是研究交通流道路通行能力和交通运行状况的重要依据,针对真实道路车辆速度估计,展开经典交通流参数估计解析模型和基于机器学习方法模型的估计效率研究,并提出一种聚类最小二乘方法估计车辆速度。真实交通道路往往存在大量随机因素,而且现场采用的是微波监测器采集数据,导致原始数据存在极大的不确定性,因此,该方法首先对实测数据进行修复、校正和平滑等预处理;为了提高参数估计的效率和准确性,该方法采用k均值聚类对预处理后数据进行聚类;最后采用最小二乘法估计车辆速度。利用实测数据对算法进行测试,结果表明,文章所提出的算法估计效果优于经典解析模型,提高了交通流参数的估计精度,对更加精确的刻画交通流变化趋势有一定的现实意义。

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GPS探测车的道路交通状态估计技术

应用车载GPS探测车的运行数据来估计道路交通状态是目前交通检测领域的新技术。从该技术基本概念出发,重点对其中的数据采集和交通参数估计问题进行了探讨。结合英国浮动车数据系统(FVD)数据采集的优化模式及目前探测车最小覆盖率的研究,讨论了数据采集的效率与样本大小的问题。分析了目前典型的GPS探测车交通参数估计模型,如多元回归、神经网络、模糊推理及速度积分等模型。对该技术的进一步发展及在我国的应用前景进行了分析和展望。

浮动车最小样本数量确定方法综述

目前国内较少有浮动车最小样本数量确定方法的综述性文章,首先对国内外现有的方法进行了一个综合的回顾,并重点分析了在不同交通流参数估计需求下各个浮动车样本数量确定方法的可行性,最后提出浮动车最小样本数量确定方法的研究方向。针对我国城市的混合交通流特性,目前自适应浮动车样本数量确定方法较适合实际交通情况。