基于模糊聚类和判别分析的交通状态提取算法

针对交通状态的模糊性和不确定性,在综合考虑交通流3个参数(流量、速度、占有率)的基础上,设计了城市道路交通状态提取算法。采用模糊聚类技术,对覆盖所有交通状态的历史数据进行聚类分析;根据聚类结果,对交通数据进行判别分析,判断其所属交通状态;用实测交通数据进行了状态提取实验,并和问卷调研的统计结果进行了对比分析,结果表明该方法能够有效地进行交通状态的提取,可以准确反应道路使用者的真实感觉。

基于YOLO和尺度匹配的城市交叉口交通状态变量提取与信号优化

当城市交叉口处于饱和状态时,车流易在路口内交织,形成冲突,影响路口通行效率与安全,为此提出了基于路侧视频的交通状态变量提取与信号优化方法。通过YOLOv5识别算法提取视频中车辆目标,提出了基于最小空间尺度的车辆匹配方法;根据提取的车辆状态信息与紧急状态变量指标,构建了信号控制优化方法。实验结果表明,该方法可及时发现、缓解路口内交通异常滞留,避免路口内及进口道的通行状态恶化和服务水平骤降,能充分利用路侧视频资源,在城市道路管控中具有较高的应用价值。

面向诱导的交通状态信息提取方法

为实现可变信息板(Variable Message Signs,VMS)的交通状态信息提取,选取速度、饱和度与交叉口平均延误作为交通参数,提出了基于模糊推理的关联路段交通状态信息提取方法。针对驾驶员的VMS信息响应特性,设计了面向拥挤状态的VMS诱导策略,在关联路段均处于拥挤状态时基于Vague集对交通状态进行排序,以判别交通状态相对最优的关联路段进行发布。以实际算例验证了该方法的有效性,所提出的VMS诱导策略能够逐步引导拥挤交通流的分流,并为驾驶员在拥挤状态下进行路径选择提供决策支持。