基于探测车技术的路段平均速度估计模型

在讨论探测车样本数量统计需求的基础上,提出了一种基于探测车技术的路段平均速度自适应加权指数平滑估计模型,模型中加权系数随着跟踪误差大小和路段上探测车数量的变化而自适应调整,并利用VISSIM仿真数据验证了该模型.结果表明:在路段上探测车占交通流比例随时间变化且不能充分满足统计要求的情况下,相对传统的算术平均方法,基于指数平滑的路段平均速度估计能够有效提高估计精度,并且可有效减小由路段上探测车数量变化而引起的速度估计方差.

基于路段平均速度的坡道变速车道长度修正研究

通过对7条国道交通量数据的统计分析,选出我国高等级公路上行驶的有代表性的车型作为研究对象,以道路上车辆行驶的路段平均速度为基础,利用汽车行驶理论推导出坡道上变速车道长度修正系数的计算公式。讨论道路坡度对车辆加速性能的影响,进而推导出道路坡度与变速车道长度的关系,同时计算出不同道路坡道时的变速车道长度的修正系数,并与现行道路路线设计规范进行对比分析,给出坡道上变速车道长度的修正系数参考值,供公路设计人员设计山区或丘陵区高等级公路时参考。

基于BP神经网络与D-S证据理论的路段平均速度融合方法

为精确估计路段平均速度,提出了基于BP神经网络与D-S证据理论的路段平均速度融合方法。通过训练完成的BP神经网络估计概率密度函数值,进而通过D-S证据理论进行数据融合,整合了BP神经网络自学习的特点与D-S证据理论推理的能力。提出了融合方法的框架,给出了具体的计算模型。利用京藏高速公路上的实测浮动车数据、微波检测器数据、车牌识别数据对融合方法进行了验证,并分析了当微波检测器失效时融合方法的鲁棒性。分析结果表明:融合数据的平均绝对误差百分率比仅使用浮动车数据或微波检测器数据分别提高了7.90%、20.72%,融合方法能够得到较好的效果。微波检测器失效的情况下,融合精度有所下降,但融合数据的误差仍然小于仅使用浮动车数据的误差,说明融合方法具有一定的鲁棒性。

基于支持向量回归的高速公路路段平均速度估计方法

为克服现有高速公路车辆检测器密度稀疏、损坏率高导致所估计的路段平均速度准确率不高这一缺陷,提出一种新的高速公路路段平均速度估计方法。一方面,高速公路收费数据具有车辆信息全面可靠、辐射路网范围广的优点,采取基于轨迹法的修正算法求取基本路段平均速度;另一方面,"两客一危"卫星定位数据实时性好,路网分布相对均匀分散,利用速度-时间积分模型对单车行程速度进行估计,再对单一浮动车作加权平均获得路段平均速度。最后,利用支持向量回归原理,对由高速公路收费数据和"两客一危"卫星定位数据所获取的路段平均速度进行融合处理,得到估计效果更好的路段平均速度。利用广乐高速公路上的实际数据对融合结果进行了验证。结果表明:与单一数据源的估计速度相比,融合后的路段平均速度具有更小的相对误差,更接近真实值,可更好地反映高速公路系统运行状态,为管理者和出行者提供决策依据。此外,分别以15,45 min和60 min作为统计间隔,使用上述融合方法进行路段平均速度估计。结果表明,模型效果与统计间隔大小呈负相关关系;统计间隔越小,模型的均方误差、可决系数、相对误差3个指标也越小;当统计间隔为30 min以下时,估计结果更为精确。

识别路段交通平均速度的一种相关分析法

本文应用线性系统识别理论，提出一种在轻交通情况下对较长周期内路段交通平均速度进行在线识别的算法。其关键是对路段输入、输出交通量中的随机信号进行相关分析，从而识别该路段交通的脉冲响应函数。优点是所需实测数据少，不必测量每车速度，检测器不必埋设第二个环形线圈。本文进而提出识别路段内平均车辆有效长度的算法及确定各交通参数的整套算法。应用结果表明这些算法可行。

基于卡尔曼滤波的道路平均速度预测模型研究

交通流预测是智能交通系统研究的热门核心问题,作为交通三参数之一的路段平均速度是反映城市交通状态的一个重要参数。针对道路平均速度的预测问题,提出了一种基于卡尔曼滤波理论的预测模型,利用路段上下游的车辆平均速度预测未来时刻该路段的平均速度,并根据美国明尼苏达州双子城快速路的实际数据对预测模型进行了仿真验证。实验结果表明:相对于基于时间序列平滑的预测方法,所提出方法能够提升预测的实时性,同时平均相对误差降低11.69%,平均绝对相对误差降低29.44%,最大绝对相对误差降低17.59%,能够满足路网对道路平均速度预测的需求。

城市交通流状态估计中探测车采样量的计算方法

讨论了用GPS探测车数据计算路网平均速度的可靠性.在综合考虑了车辆速度、道路类型以及GPS空、重车数据发送周期差异等因素的基础上,提出了一种新的探测车采样量的算法,用于计算城市交通流状态估计所需要的最小GPS探测车的数量.对上海市内环道路网进行了实地检验,结果证明了该算法是有效的.

道路拥堵程度对公交行程时间可靠性的影响研究

为了解决日趋严重的城市交通拥堵问题,进一步提高公交车辆的服务水平,本文结合国内外的研究经验从路段平均行程速度、交叉口饱和度、路段饱和度以及交叉口平均排队时间4个道路拥堵程度评价指标出发,构造了一个系统的多因素综合评价模型,建立了道路拥堵程度评价体系.在分析道路拥堵的基础上,建立了基于道路拥堵程度的公交行程时间可靠性的预测模型.通过采集实际的交通流数据以及公交车站点间的行程时间,讨论不同道路拥堵程度下的公交行程时间可靠性,验证了该模型.研究结果表明:道路拥堵程度对公交行程时间可靠性有较大的影响.

基于海量出租车轨迹数据的智能推荐系统研究

本文旨在通过对出租车历史行驶轨迹进行机器学习,分析乘客的移动模式和出租车司机揽客行为模式,研究和设计一个智能推荐系统。该系统主要有离线数据挖掘部分和在线数据资源发布部分组成,离线数据挖掘采用Oracle结合Hadoop进行,以SQL存储过程开发为主,在线数据资源发布采用Java Web编写发布程序。实验测试表明,本文设计的出租车服务智能推荐系统可为乘客推荐更容易找到空驶出租车的地点,为出租车司机推荐快速招揽到乘客的地点,并实现自适应实时路况的优化路径推荐。与传统关系数据库的方法比较,本文提出的Oralce与Hadoop结合的混合模式性能更高。

基于多目标决策的公交诱导模型

公交诱导系统是公交信息服务系统的重要内容之一,对改善公交运输的服务质量、提高公交分担率起着积极的作用。本文分析了公交诱导系统的意义以及一些现有的诱导模型,并利用GPS定位技术、GIS地图匹配以及道路交通状态判别等技术,提出了一种基于实时和历史数据的公交诱导模型。本文以浮动车定位数据为基础,以换乘次数、乘车距离、出行费用等为约束条件,提出一种多目标决策模型。实验结果证明了该算法的有效性。

交通探测车系统的发展前景和需要解决的问题

交通是现代社会发展中的一个重要产业,经济地位极其重要,"要想富,先修路"的口号已充分体现了这一点.然而,随着经济的发展,道路建设的速度远远赶不上交通工具增长的速度,这就造成了道路压力变大,交通拥堵和事故增多,给国家和人民带来了巨大的经济损失.由于土地是不可再生资源通过多修路来缓解交通工具增长带来的道路需求受到很大的制约.

公交浮动车辆到站时间实时预测模型

根据公交浮动车辆实时GPS数据,考虑不同时段的路段平均速度、公交车站、信号灯等多因素的影响,建立了一种新的公交车辆到站时间预测模型。通过估计到达下游最临近站点的时间和判断道路上GPS数据的有效性等方法,改善了预测模型的精度,并应用重庆公交车辆数据对模型进行验证。计算结果表明:该模型能够实时预测公交浮动车辆到达下游站点的时间,预测精度优于现有方法,在高峰时段预测误差小于9%,在非高峰时段预测误差约为6%,并对各种道路交通条件具有较好的适应性。

城市路网交通状态的小波分析检测方法

选取交叉口进口饱和度和路段平均行程速度作为路网状态检测的基本参数,采用小波包变换的时频高分辨率特性,以能量分析方法识别进口饱和度和路段平均行程速度的突变与异常状况,并定义了交通状态系数来定量描述交通状态变化,设计了基于小波分析的交通状态检测算法,并采用贝叶斯算法对交通状态进行预测。仿真分析结果表明:小波包变换可有效识别节点能量分布的突变区间,据此可准确判别交通状态发生变化的时段;当采样数据的模极大值点为200～243时,此段节点能量变化比较剧烈,信号在此出现突变,由较平稳向非平稳状态变化,对应的路段交通状态系数大于0.300h.km-1,为拥挤状态。该方法原理简单,检测响应时间短,检测结果可靠。