基于GPS数据的高速公路行程时间估计与可靠性分析

准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义。针对目前行程时间估计准确性不高、可靠性分析不够全面的问题,提出基于BP神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性。以广州机场高速公路GPS浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性。

城市快速路路段行程时间估计方法

为有效提高城市快速路路段行程时间估计精度,本文提出一种基于自适应滤波和网格虚拟车的行程时间估计方法。首先,利用自适应平滑滤波插值获得固定检测器之间的速度数据,实现固定检测器之间的时空速度场重构。然后将重构的速度场细分为若干网格单元,通过计算虚拟车在重构时空速度场的虚拟轨迹估计路段行程时间。最后,选取城市快速路感应线圈实测数据进行实例验证。实验结果表明,本文方法在自由流、平稳流和拥堵流3个运行时段下,均方根误差分别为0.15、0.35和1.06,平均相对误差均低于10%,具有较高的估计精度。

城市信号控制路网中的路段行程时间估计方法

为了精确检测城市信号控制路网中的路段动态行程时间,分析了路段流量受交通信号控制策略影响的波动规律,提出了基于交通量图偏移的路段行程时间计算方法。研究了不同断面交通量图的相似性,根据最大相似度时交通量图的偏移,计算了断面间路段动态行程时间,并与调查结果进行了比较。比较结果表明:在城市路网封闭路段,平峰、高峰的不同时间长度内(5、10、20 min),平均行程时间最大平均相对误差为7.1%,因此,计算方法可行。

采用低频浮动车数据的行程时间估计

为解决利用低频浮动车数据进行路径行程时间估计时精度不高的问题,从分析浮动车数据特征的角度出发进行行程时间分布的估计,提出并讨论利用浮动车数据估计行程时间的潜在误差,针对每种潜在误差提出修正模型,并选取上海市长寿路部分路段进行实证分析,利用1 500辆出租车数据,对各种修正方法下的行程时间进行估计,与改进内插值估计方法进行对比,并与车牌识别装置提供的直接行程时间估计结果进行相似性分析.结果表明:所有误差均修正的行程时间估计与改进内插值方法相比,平均估计精度提高9.5%,且估计的中位数、25%分位数和75%分位数与车牌识别方法有较高的匹配度.考虑低频浮动车数据误差修正的行程时间估计可以改善估计的精度,可提供有效的行程时间信息.

基于k-NN和SCATS交通数据的路段行程时间估计方法

为了改善利用SCATS交通数据估计路段行程时间的效果,通过分析SCATS实际交通数据获取时间间隔不一致的特征,构建了SCATS交通数据虚拟时间序列,将利用因子分析法提取的累计贡献率在85%以上的主因子作为交通模式特征向量的构成要素,用欧氏距离作为当前交通模式特征向量和历史交通模式特征向量相似性的测度指标,以路段行程时间估计误差最小为目标选取当前交通模式的近邻数,对交通模式之间距离的倒数进行归一化处理,确定了相似交通模式的行程时间权重,设计了基于SCATS交通数据的路段行程时间估计方法.实例结果表明:与多元线性回归方法相比,本文方法估计的路段行程时间平均绝对误差、平均绝对百分比误差和均方根误差分别平均减少了9.68 s、8.07%和4.5 s.

非常态下路段行程时间估计方法

在分析非常态事件对道路交通影响的基础上,设计了适用于各类非常态事件的通用行程时间估计方法,并研究该方法实现的关键技术,包括GPS数据行程时间估计样本量判定;样本充足和不足情况下的GPS数据行程时间估计方法以及BP神经网络的行程时间融合方法。最后通过模拟重大交通事故和大雾两种非常态情况对本文方法进行验证,验证结果表明该方法可以更精确地对各类非常态下路段行程时间进行估计。

基于浮动车数据的城市道路行程时间估计

为提高城市道路行程时间估计模型的准确度和有效性,本文利用浮动车数据,依据对传统模型思路的总结分别建立了基于路段长度比例和点速度调和平均值的两种行程时间初阶估计模型,并利用统计学中的同分布融合思想建立了行程时间融合模型,以修正初阶模型结果的精度,弥补传统估计模型中准确度低、效率不高的缺陷。最后选取成都市具有代表性的路网区域为算例,验证了初阶模型假设分布的正确性,同时计算出融合模型路径总时间的平均偏差仅为12%,说明了融合模型的准确度和有效性。

基于建成环境和低频浮动车数据的路段行程时间估计

将城市道路周边建成环境的相关属性作为路段行程时间的解释变量,结合城市低频浮动车数据,在不需要速度等GPS信息的条件下研究建成环境属性因素对路段行程时间的影响。同时,给出一种新的路段行程时间分布估计方法,即利用路段车辆数的分布代替路段长度作为路段行程时间的分配比例系数,得到路段行程时间的分布情况。为验证所提方法的正确性,以辽宁省丹东市振兴区锦山大街为例进行分析,用极大似然估计法得到各类建成环境对行程时间的影响参数值,并对比研究路段在有、无建成环境影响下的行程时间。结果表明:道路周边的建成环境会在不同时段导致路段行程时间显著增加,学校的影响时间段主要在6:00-7:20,医院、诊所集中在7:00-8:00,交叉口造成的行程时间增量在研究范围内整体较为平均。通过似然比检验,验证了将建成环境变量作为路段行程时间影响因素的可靠性。

基于少量探测车的城市路段平均行程时间估计

与传统的固定式采集系统(感应线圈等)比较,探测车系统具有直接采集行程时间、时空覆盖范围广等优点。研究少量探测车情况下的路段行程时间估计问题对降低探测车系统的运营费用具有重要意义。在发现停车组和非停车组的行程时间均值、非停车组所占百分比等3个参数之间关联关系的基础上,提出了在极小样本情况下估计城市路段平均行程时间的方法。基于微观交通仿真的比较分析显示,该方法优于通过样本均值估计平均路段行程时间的方法,特别是当交通状况处于拥挤情况下其优势更为明显。

包含出入口匝道的高速公路路段行程时间估计方法

针对高速公路路段是否包含出入口匝道的特征,提出了1种行程时间估计改进方法。根据不同类型路段流量变化及影响范围,通过匝道物理位置对传统半距离法中路段行程时间的取值进行优化,获得了适应于匝道引起流量不均衡的行程时间估计方法。以南京机场高速公路为背景,通过Vissim仿真所得地点速度值,结合路段行程时间真实值,检验所提方法的性能。实验结果表明:当路段出入匝道的流量均衡时,所提方法较半距离法的精度提高3.71%,较空间线性插值法精度提高4.59%,当出入匝道的流量相差较大时,所提方法较半距离法的精度提高16.27%,较空间线性插值法精度提高17.29%。结果验证了改进方法较半距离法和空间线性插值法更具优越性。

一种浮动车技术的道路行程时间估计方法

针对现有基于浮动车技术的道路行程时间估计方法无法满足在不同浮动车占有率情况下对于估计精度要求的不足,利用前一时刻平均速度的稳定性和当前浮动车采集的平均速度精确性的优点,根据浮动车占有率动态分配权重,实现了较为精确的路段平均速度估计,从而实现了对路段行程时间的较为精确的估计.进而,针对在浮动车占有率高于预定值的情境下,提出的方法所存在的因浮动车采集的平均速度波动性导致的估计波动问题,本文提出基于加权融合的估计波动性平滑方法,使用加权平均的融合方法将基于浮动车的估计结果和固定检测器估计结果进行融合,有效降低估计波动.实验表明,本文提出的基于浮动车技术的道路行程时间估计方法在不同的浮动车占有率情况下估计结果的平均相对误差不超过0.7%,具有较高的估计精度,因此可适用于不同浮动车占有率情况下的道路行程时间估计.

基于换道轨迹规划模型的车道级行程时间估计方法研究

在车联网环境下,为满足精细化的车辆诱导需求,提出基于换道轨迹规划模型的车道级行程时间估计方法。建立路网基础道路拓扑模型,对所构建的路网模型进行Link划分,并利用改进的5次多项式模型对车辆行驶轨迹进行描述,构建车辆在不同路段Link间行驶的换道轨迹规划模型;整合车辆在路段各个Link单元的行车轨迹与行程时间,实现车道级行程时间估计;选取单向4车道的城市道路为仿真算例,建立VISSIM仿真模型,验证本文模型性能。仿真结果表明,在不同的车辆行驶速度条件下,相比于传统行程时间估计方法,本文提出的改进5次多项式换道轨迹规划模型能够精确地得到车辆最短行程时间下的行车轨迹,实现车道级行程时间的准确估计。

基于城市交通监控大数据的行程时间估计

随着智慧交通的发展,越来越多的监控摄像头被安装在城市道路路口,这使得利用城市交通监控大数据进行车辆行程时间估计和路径查询成为可能。针对城市出行的行程时间估计问题,提出一种基于城市交通监控大数据的行程时间估计方法UTSD。首先,将交通监控摄像头映射到城市路网,并根据交通监控数据记录构建有向加权的城市路网图;然后,针对行程时间估计,构建时空索引和反向索引结构,时空索引用于快速检索所有车辆的摄像头记录,反向索引用于快速获取每辆车辆的行程时间和经过的摄像头轨迹,这两个索引大大提升了数据查询和行程时间估计的效率;最后,基于构建的索引,给出一种有效的行程时间估计和路径查询方法,根据出发时间、出发地和目的地,在时空索引结构上匹配出发地与目的地共有的车辆,再利用反向索引,快速获得行程时间估计与车辆路线。使用某省会城市的真实交通监控大数据进行实验评估,所提方法UTSD的准确率比基于有向图的Dijkstra最短路径算法和百度算法分别提高了65.02%和40.94%,且UTSD在以7天监控数据作为历史数据的情况下,平均查询时间低于0.3 s,验证了所提方法的有效性和高效性。

基于手机信令数据的高速公路行程时间估计

基于手机切换数据交通信息提取技术与数据支持,结合手机切换数据优势特征,以行程时间估计为目标,利用搭建的BP神经网络结构及算法实现手机切换数据与固定检测器数据融合。借助对实际路段仿真手段,基于几何路段和切换路段的不同表达场景,对比分析了手机切换、固定检测器及BP神经网络融合进行路段行程时间估计效果。针对仿真路段,研究以RMSE和MARE为误差指标,BP融合方法相较手机切换、固定检测器方法估计,RMSE分别降低1.11s和5.71s,MARE降低0.21%和0.38%。研究同时表明,BP融合方法有效地结合了手机切换数据整体把握交通运行态势和固定检测器覆盖范围高精度的优势。

基于改进遗传卡尔曼算法的短时路段行程时间估计

为进一步提高城市道路行程时间短时预测的准确性,利用城市浮动车全球定位系统(global positioning system,GPS)数据,提出基于遗传算法(genetic algorithm,GA)优化的卡尔曼滤波(kalman filtering,KF)模型估计短时道路行程时间的方法。利用高斯滤波器对异常数据进行有效剔除,基于城市道路地理信息系统(geographic information system,GIS)数据提出道路地图匹配算法,利用卡尔曼滤波器预测匹配道路的行程时间,并通过遗传算法优化卡尔曼滤波的误差参数。实际算例表明:预测路段的行程时间误差均小于0.5 min,基于GA优化的KF算法能有效提高路段行程时间估计的精度。根据预测行程时间对上海市外环路各个路段不同时间的拥堵情况进行预测识别,预测结果有助于交通管理部门及时掌握城市道路运行状态信息。

改进的高速公路路段行程时间估计方法

准确估计高速公路路段行程时间有助于充分发挥智能交通管理与服务系统的作用,文章在传统路段行程时间估计方法的基础上,从交通流具有动态流动性的角度出发,构建了一种改进的行程时间估计方法;通过车辆运行过程中所在时空的动态变化性,根据2个时段的检测器数据和各路段预设的行程时间给2类信息分配权值;最后以南京机场高速公路为例进行分析,结果表明改进方法可有效估计路段行程时间,并且路段越长,改进效果越明显。

基于逐段时间线性变速的行程时间估计方法研究

在逐段空间线性变速行程时间估计方法(PLSB)的基础上,提出一种新的轨迹行程时间研究方法,即基于逐段时间线性变速的行程时间估计方法(PCAB),它将速度作为车辆行驶时间的因变量,在线性函数中求解估计行程时间。利用AIMSUN 交通仿真软件对新PCAB 估计方法进行验证,采用平均绝对误差(MAE)与平均绝对百分比误差(MAPE)作为评价指标,对不同拥堵程度、不同交通事件等级等道路环境进行仿真,结果表明:同等时间窗条件下,PCAB 方法的行程时间MAE 估计误差精度是最小速度模型的10.29 倍、半距速度模型的3.46 倍、PLSB 估计方法的1.61 倍;MAPE 估计误差精度是最小速度模型的10.19 倍、半距速度模型的3.44 倍、平均速度模型的1.01 倍、PLSB 估计方法的1.59 倍。提出的PCAB 估计方法具有比PLSB 及其他基于轨迹的估计方法具有更高的行程时间估计精度。

基于ANPR数据的城市干道周期行程时间估计

以信号周期为时间窗的路段行程时间估计对交通运行状况分析具有重要意义。通过匹配路段上下游交叉口的自动车牌识别(ANPR,Automatic Number Plate Recognition)数据可以得到车辆的路段行程时间,使用缺失数据集获得的周期车均行程时间难以准确表征路段交通运行状况。因此本文提出一种基于周期的路段行程时间估计方法,该方法将匹配车辆的行程时间、到离上下游停止线的时刻、信号配时数据作为输入,建立基于最小二乘法的多段到达率行程时间模型,利用该模型对未匹配车辆行程时间进行估计。结果表明该方法能够较好地捕捉原数据特征,随着缺失车辆数的增多能够极大地减小周期车均行程时间误差,并且在79.99%的情况下有正收益,20.58%的情况下收益值大于10s。

基于路段-路口联合建模的对偶图卷积网络的行程时间估计方法

估计给定路径的行程时间在许多城市交通系统中起着重要作用,例如导航、路线规划和拼车等。然而,现有的大多数工作都侧重于对路段或交叉路口进行单独建模,这并不能准确估计行驶时间,因为交叉路口和路段作为路径的基本要素不仅各自包含多样化的空间属性和时间动态,而且它们之间还具备较强的耦合相关性。为了解决上述问题,本论文提出了一种新颖的端到端深度学习框架,即面向行程时间估计的对偶图卷积网络(DGCN-TTE)来对交叉路口和路段进行联合建模。具体来说,这个模型采用对偶图卷积方法来捕获路口和路段的复杂关系,其中构建节点图来刻画路口之间的相关性,构建边图来表征路段之间的交互特征。为了捕捉空间和时间特征的联合关系,模型中还引入了一种在捕捉时间依赖性的同时结合了从多个邻域范围内整合多尺度空间关系的时空学习模块。本论文通过对3个真实世界的轨迹数据集上的充分的实验来评估提出的DGCN-TTE模型,结果表明该模型显著优于现有的方法,评估指标相比于次优方法最多可以获得超过10%的提升。

路段行程时间估计的浮动车数据挖掘方法

基于浮动车数据,提出一种信号配时信息缺失下的路段行程时间估计方法,由交叉口范围动态划分、路段影响范围划分、浮动车数据提取与路段行程时间估计4个模块组成,每个模块的实现均需借助于前一模块的输出。根据交叉口信号控制下的车辆行驶状态,在交叉口范围动态划分与路段影响范围划分2个模块中,利用密度法将单元路段划分为不同区域。根据路段行程时间估计原理,利用浮动车数据提取模块过滤掉受信号控制影响较大的浮动车数据,提取路段行程时间估计的目标数据。利用路段行程时间估计模块挖掘历史浮动车数据,根据浮动车目标数据点存在区域的不同,将浮动车数据分为3类,并对不同类型数据采取相应的断面通过时刻估计方法,建立基于不同数据条件下的行程时间估计模型。利用VISSIM软件对路段行程时间估计方法进行仿真验证,并与直接法和间接法进行对比分析。分析结果表明:对于粗粒度浮动车数据,路段行程时间估计方法的平均绝对误差和平均相对误差分别为12s和8.67%,优于传统的直接法与间接法。