基于神经网络与马尔可夫链的换道次数预测方法

为在先验数据有限情况下较精确地预测道路换道次数,提出基于神经网络与马尔可夫链的组合预测模型。采集路段区间平均车速和车流密度,采用BP神经网络训练初步拟合模型;运用马尔可夫链方法,进一步给出换道次数在表示高估、正常、低估的3组区间内的分布及概率,改善BP神经网络误差。运用组合预测模型对西安市某道路的换道次数进行了预测分析,结果表明,实际换道次数均在模型给出的较大概率的预测区间内,表明模型能够根据路段区间平均车速和车流密度较好地预测换道次数。

地下道路地面出入口与交叉口最小间距的研究

地下道路在地面的出入口位置影响着地下和地面车流的衔接.文中分析了出入口间相对位置的组合模式,以交织段换道次数为主要判断依据,建立交织段最小长度模型,通过算例,给出寻找连续换道最大关键次数和关键车流的方法,针对交通流的混合特性,运用Matlab编程给出交织段最小长度的离散阈值,为地下道路地面出入口与交叉口最小间距的确定提供依据.

快速路匝道与主线合流区交通参数关系模型

为了研究快速路匝道与其主线合流区的交通流特征关系,选用南京长江大桥入口作为数据采集点,观测其汇入路段的交通流,并对交通流速度、密度等宏观参数和换道次数、可接受间隙等微观特征变量进行了相关性分析。研究发现,速度、密度、换道次数和可接受间隙之间存在非线性相关性。基于此,构建了主线车道车速与密度、换道次数和可接受间隙之间的非线性关系模型。快速路匝道与主线合流区是快速路的主要瓶颈路段,结合宏观交通参数模型和微观间隙接受模型,阐述了快速路主线和匝道汇入车流的交通参数数学关系。实测数据拟合结果表明,该模型能够准确描述匝道与主线合流区的交通流特性。