关于智能运输系统的关键理论——综合路段行程时间预测的研究

行程时间预测是智能运输系统研究的一个重要问题。为此 ,建立了许多算法 ,有历史趋势方法、非参数回归模型、时间序列方法、神经网络、卡尔曼滤波、交通模拟和动态交通分配模型等。然而 ,在变化的交通状况和任意时段的条件下 ,这些方法和模型都不能取得令人满意的预测结果。在总结这些已有的预测方法和模型的基础上 。

基于车牌照数据的城市快速路行程时间短时预测方法研究

为了深入研究基于路段与基于路径两种不同的建模方法在城市快速路行程时间短时预测中的预测效果,以车牌识别系统采集的行程时间数据为研究对象,分别采用历史平均法、神经网络模型、支持向量机回归模型、非参数回归模型4种典型的预测算法,对快速路的行程时间进行预测。研究结果表明,考虑交通特征的支持向量机模型会显著提高基于路段的行程时间预测效果,同时基于路径的非参数回归建模方法优于基于路段的组合建模方法,更适合城市快速路行程时间预测。

考虑交通信号和交通密度的城市路段个体行程时间建模

为探究城市路段中交通密度与交通信号对个体车辆行程时间的影响规律,提高城市道路行程时间的预测精度,基于车牌识别数据与信号机配时数据等多种融合数据,提出了由自由流行程时间、密度延误与随机误差项组成的行程时间关系函数,并在该函数基础上构建了考虑个体驾驶习惯的行程时间预测模型。首先,基于道路限速条件、车辆进入路段时的下游交叉口信号状态构建自由流行程时间函数;其次,提出了一种通过密度阈值判断车辆能否在当前信号周期通过下游交叉口的方法,并基于个体车辆进入路段时的路段密度计算出车辆所需等待信号周期个数及等待前方排队疏散所需时间,从而构建密度延误函数;然后,将个体实际行程时间与自由流行程时间、密度延误的差值作为随机误差项,通过高斯混合模型拟合随机误差项的概率分布;最后,选用安徽省宣城市多个路段作为案例,分析各路段行程时间函数各部分的具体表现,对该行程时间预测模型进行验证。结果表明:行程时间预测模型的MAPE,MAE,RMSE分别为6%~12%,5~15,13~35,在准确率方面优于其他算法,是一种有效的城市路段个体行程时间预测方法。

基于公交专用道的公交调度与交叉口信号协调研究

本文通过对公交调度及交叉口信号系统的研究,提出公交调度与交叉口信号协调理论,试图通过调整公交发车间隔使其更好的适应现有的路线上信号系统,减少公交车辆在交叉口延误时间。本文建立基于公交专用道公交车行程时间预测模型,并创建试验平台,验证了理论的可行性,对减少公交车辆交叉口延误,提高公交车辆运行效率有借鉴意义。