一种基于Lattice Boltzmann交通流模型的VANETs连通性研究

近年来,车载自组织网络(Vehicular Ad Hoc Networks,VANETs)的研究得到了越来越多学者的关注,作为研究焦点之一的车载网络连通性,VANETs的连通程度决定了整个网络的通讯质量.通过尽可能真实地模拟道路交通状况,为车辆通信的连通效率提供更优化的方案,并为将来VANETs基站铺设、道路管理等实际应用提供参考.为了尽可能模拟真实的道路交通情况,避免传统的交通流模型过于依赖速度-密度关系的假设,引入交通流的Lattice Boltzmann模型(LB模型),在此基础上对VANETs连通性进行仿真,根据仿真的结果提出了在保证车载自组织网络良好连通程度的前提下,对发射距离的调整方案.该方案在尽可能贴近现实交通流的前提下,为VANETs的网络连通性能提供了更高效的解决意见,即让车辆以最小的能量进行信号发射来达到一定的网络连通程度,同时也能达到减少信道阻塞的作用.

高速公路客货混行交通流元胞传输模型

针对客货混行引发的交通流稳定性下降、交通安全风险增加以及运行效率降低等问题,构建一个多车道客货混行交通流元胞传输模型,从宏观角度研究不同货车渗透率下的高速公路客货混行交通流特性.首先,利用微观车辆跟驰模型,分析均质小汽车和货车交通流的基本图特征,提出不同货车渗透率下的客货混行交通流基本图模型.然后,采用具体参数表征换道、有限加速度造成的道路交通容量下降效应,刻画客货混行交通流中货车对直行和换道流量的影响,采用Logit模型计算多因素影响下的换道交通流量,构建多车道客货混行交通流元胞传输模型.最后,通过高速公路多场景仿真实验验证模型的有效性.研究结果表明:所提出的模型可准确模拟高速公路上的客货混行交通流演变过程;货车渗透率是影响混行交通运行的关键因素,在交通事件导致车道数减少时,货车渗透率超过0.6会导致交通拥堵难以消散.研究成果可为高速公路客货混行交通流特性研究提供分析工具,为客货混行下的交通管理和疏导策略制定提供理论方法.

基于改进NaSch模型的网联异质交通流特性分析

为研究智能网联环境下异质交通流演变规律,设计典型场景驾驶模拟实验,采集传统车辆(human driven vehicle,HDV)与智能网联车辆(connected vehicle,CV)驾驶行为特征指标,对异质交通流关键参数进行分析和标定;构建考虑HDV与CV驾驶行为差异的异质交通流元胞自动机模型;并基于改进的NaSch模型进行仿真实验,解析智能网联环境下交通流基本图,分析异质交通流特性。研究结果表明:较于HDV,CV驾驶员捕捉道路信息和反应时间提升约11.4%;自由流状态下,CV车速比HDV车速提升了7.4%,且同一车速下安全跟驰距离缩短了18.2%;随着CV所占比例由20%增至80%,交通流基本图显示交通流平均车速显著提升,交通流率增加,时空轨迹图显示局部拥堵状况明显改善。

考虑异质交通流的随机参数优化速度跟驰模型

为分析交通流异质性对车辆跟驰行为的影响,基于随机参数线性回归方法改进优化速度函数.根据分位数回归对交通流速度-密度数据进行分类,对每个类别数据进行随机参数线性回归,并得到不同类别的改进优化速度函数与假设检验结果,结合改进的优化速度函数和全速度差跟驰模型建立随机优化速度跟驰模型,利用傅里叶变化理论对跟驰模型进行稳定性分析,并搭建环形车道仿真平台对跟驰模型进行数值实验.结果表明,分类处理后的随机参数模型误差较未分类降低28%;随机参数跟驰车队的速度值随着0.5分位点车辆的增多而增大;随机参数跟驰模型车队较固定参数跟驰模型车队更能反映交通流异质性对车队的影响.建立的模型能够提高仿真维度,真实反映交通流的复杂运行状况.

结合变种残差模型和Transformer的城市公路短时交通流预测

城市公路交通流的预测受到历史交通流量和相邻车道交通流量的影响,蕴含了复杂的时空特征。针对传统交通流预测模型卷积长短时记忆(ConvLSTM)网络进行交通流预测时,未将时空特征分开提取而造成的特征提取不充分、特征信息混淆和特征信息缺失等问题,对ConvLSTM模型作出改进。首先,提取每个采样时刻的交通流数据的短期时间特征和空间特征,并在特定的维度下将交通流的短期时空特征融合;其次,进行残差映射;最后,将映射后的短期时空特征交由Transformer模型捕捉交通流数据长期的时空特征,并根据所捕捉的长期特征对未来时刻每个采样点交通流进行预测。使用加州城市快速路数据对模型进行验证,以平均绝对误差(MAE)作为模型评价指标时,所提模型相较于Conv-Transformer模型,预测精度提高了18%,验证了所提模型的有效性。

基于误差补偿的多模态协同交通流预测模型

交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.

高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型

为提前准确预知高速公路施工控制区交通流变化趋势,解决交通流时间序列中的长期依赖问题,文中建立了高速公路施工控制区动态交通流预测的LSTM-BiGRU-Attention模型。首先,将预处理后的动态交通流数据集按时间步长顺序输入到LSTM网络,对交通流信息建模和学习。然后,引入BiGRU和Attention机制以更好地捕捉上下文信息和提供更具针对性的权重分配。最后,将构建的LSTM-BiGRU-Attention模型与其他模型进行交通流预测对比,评估模型性能。实验以G35济广高速公路某施工控制区交通运行情况为案例进行研究,结果显示该模型的平均绝对误差MAE为1.91,均方根误差RMSE为2.83,决定系数R^(2)为0.79,平均绝对百分数误差MAPE为3.23。对比其他模型,LSTM-BiGRU-Attention模型的4个评估指标均有所下降,说明该模型可为高速公路施工控制区提供更加精准的预测。

带干扰项的ARZ交通流模型的时滞控制与ISS稳定性

针对线性化之后的ARZ交通流模型,已有文献通常基于如下假设:一是系统的平衡态恰好等于自由流的速度,二是进入上游路段的交通量恰好等于交通需求的数学期望,三是边界反馈不考虑时滞因素的影响.该文抛开各类限制条件,结合时滞边界控制策略,建立了具有模型漂移项和边界扰动项的PDE-PDE无穷维耦合闭环系统.具体地,采用算子半群理论,将闭环系统改写为抽象发展方程的形式;结合线性系统解与控制算子的允许性理论,证明了闭环系统的适定性;构造加权ISS-Lyapunov函数,证明了闭环系统的输入-状态稳定性(ISS),得到了反馈参数的耗散性条件.通过数值仿真实验,进一步验证本文设计的时滞控制器的有效性与参数条件的可行性.

基于季节性ARIMA模型的短时交通流预测方法研究

综合道路特点、行驶时间和车辆的特征等信息,采用时间差值法筛除无效数据,剔除运营车数据;在通过序列分解与ADF-1平稳性检验后,提出基于季节性ARIMA模型的短时交通流预测技术,以探究该模型下车流量预测精度达到最佳预测效果时的最优采样间隔;采用AIC准则对参数寻优定阶,ADF检验和差分分析选择最优的差分阶层;为确保模型的可靠性,使用Ljung-Box Q检验进行白噪声检验。结果表明,时间间隔为15 min的车流量统计模型SARIMA(1,1,2)×(2,0,0)4在预测精度和稳定性方面均优于其他时间间隔和传统的ARIMA模型。同时,该方法也具有一定的通用性,可以应用于其他领域的短时流量预测。

ARZ交通流模型的时滞边界控制

当使用时滞控制器(即瞬时位置和时滞位置线性组合的边界反馈控制律)控制Aw-Rascle-Zhang(ARZ)交通流模型时,闭环系统的指数稳定性与控制器增益以及时滞参数的选取有较大的关系。旨在建立时滞偏微分方程系统的适定性,并定量求取参数稳定域。首先,结合时滞反馈控制策略,建立偏微分方程-偏微分方程(partial differential equation-partialdifferentialequation,PDE-PDE)耦合闭环系统。第二,采用算子半群方法将闭环系统改写为抽象发展方程的形式,进而讨论系统算子的可逆性及闭环系统的适定性。第三,构造加权严格Lyapunov函数,精确求解出闭环系统指数稳定时反馈参数及时滞值所满足的条件,求得的稳定域为抑制交通流的振荡提供了理论依据。最后,借助MATLAB数学软件进行数值模拟,仿真结果验证了时滞控制器的有效性。

基于双通道注意力机制的AE-BIGRU交通流预测模型

交通流预测是智能交通系统的关键。针对目前交通流数据复杂的时空关联性以及自身的不确定性,为准确预测高速公路交通流并缓解交通拥堵问题,提出以自编码器网络(AE)和双向门控循环单元(BIGRU)相结合的深度学习组合预测模型(AE-BIGRU),并在此基础上引入双通道注意力机制进行模型训练。将预处理后的数据采用滑动窗口的方式作为参数输入模型,通过AE提取交通流的空间特征,得到输入信息特征的最优抽象表示;利用BIGRU从前向和后向传播中获取信息,充分提取交通流的时间相关特征,更全面地捕捉时间演变规律;最后结合双通道注意力机制,增强预测模型的特征提取能力,最大限度地保留特征信息,提升模型的预测精度,从而得到最终短时流量的预测目标值。为验证模型的适用性,采用多组短时交通流数据进行仿真实验,与其他基准模型对比发现:该交通流预测模型能够有效捕获交通流的动态时空特征,加强关键信息的提取,所预测的流量更加接近真实值,具有良好的泛化能力。其中测试集的均方根误差值下降了约0.061~0.604,平均绝对误差值下降了约0.025~0.512,相关系数值R2提高了约0.007~0.062。研究结果表明,随着预测步长的增加,该实验模型在交通流数据的时间特性上仍能表现出稳定的预测性能,所建的组合预测模型在预测精度和鲁棒性方面表现出更高水平。

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明:改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。

基于非线性交通流模型的交通子区边界控制策略研究

城市交通流具有复杂的非线性动态特征,用简化的线性交通流模型无法准确描述交通流的非线性特征。因此,在考虑扰动对子区边界控制影响的基础上,首先建立了考虑扰动的非线性城市宏观交通流模型,该模型能够更好地描述实际交通流的运行情况。其次,结合城市交通流运行的周期性特点,设计了基于迭代学习控制的子区边界控制策略,并利用Lipschitz条件和偏导数分析了迭代学习控制律的收敛性。最后,通过仿真案例验证了基于非线性交通流模型的交通子区边界控制策略的有效性。

高速交通工程安全监管中的交通流模型及其应用研究

本研究主要针对高速交通工程的安全监管问题,提出了一种交通流模型,并探讨了其在安全监管中的应用。首先,通过深入的文献调研和实地考察,详细分析了高速交通工程的安全性现状、存在问题及其影响因素。接着,结合高速交通工程的具体特点,构建了一种适用于高速交通工程的交通流模型,该模型能够有效地预测高速交通流的行车状态,从而对故障预警、事故预防等方面具有重要的指导意义。然后,通过具体的实验研究,验证了该交通流模型的有效性和实用性,研究结果显示,利用该模型进行监控,可以显著提高高速交通工程的安全性。最后,结合实际工程案例,探讨了该交通流模型在高速交通工程安全监管中的具体应用方式和步骤,为高速交通工程安全监管提供了一种新的理论方法和技术手段。总的来说,研究表明,该交通流模型对于提升和优化高速交通工程的安全监管工作具有重要的理论和实践价值。

基于GCN-LSTM模型的绿波控制下的交通流预测

针对城市交叉路口绿波交通的短时交通流预测中存在车辆离散现象以及交通流受到复杂的城市环境影响而导致预测精度低和泛化能力差等问题,提出了图卷积神经网络(GCN)和长短时记忆神经网络(LSTM)相结合的方法,通过GCN模型能够充分利用交叉口之间的结构信息,保留了道路网络的连通性和关联性。同时,引入LSTM处理时间序列数据,更好地捕捉交通流的时间动态变化。结果表明,该GCN-LSTM模型相较于传统模型以及其他深度学习模型在绿波控制下的交通流预测中表现更为出色,具有更低的MAE、MAPE和RMSE值,相较于其他模型,分别平均下降了8.45%、14.32%和14.82%。该模型成功应用于交通流预测,为绿波控制系统提供了更精准的信号配时,提高了城市交通网络的效率和协调性。

基于SMA-SVR模型的城市道路短时交通流预测

短时交通流预测是动态交通控制与管理领域的关键问题之一。由于不确定性和非线性的存在,短时交通流预测仍然是一项具有挑战性的任务。为了提高短时交通流预测的准确性,通过提出一种基于黏菌算法(Slime Mould Algorithm,SMA)优化的支持向量回归模型(Support Vector Regression,SVR)研究了短时交通流的预测。收集蚌埠市东海大道-曹山路交叉口工作日早晚高峰交通流量数据,利用SMA对SVR模型的惩罚参数和核函数参数进行高效寻优,建立SMA-SVR模型进行了案例验证。研究结果表明,相比于原始SVR模型以及基于粒子群优化算法和麻雀搜索算法的SVR模型,SMA-SVM模型预测精度是最高的,即R 2=0.97054,RMSE=47.7826,MAPE=7.1703%,并且迭代收敛速度也是最快的。可见,SMA-SVR模型能够较好地适配于城市道路的短时交通流预测。

基于极限学习机的短期交通流预测混合优化模型

交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测,本文在极限学习机(Extreme Learning Machine,ELM)的基础上,通过嵌入原子搜索算法(Atom Search Optimization,ASO),构建ASO-ELM短期交通流预测混合优化模型,对比现有短期交通流预测模型,分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型,使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明:ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%,均方根误差(Root Mean Squared Error,RMSE)分别下降了4.8%、4.0%、2.0%和5.2%;其次,与人工神经网络(Artificial Neural Network,ANN)相比,MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。

基于交通流和辐射模型的城市群网络结构及驱动因素分析——以长江中游城市群为例

城市群是承载区域发展要素的主要空间载体,研究城市群内部的联系网络结构及空间分异特征对推进区域一体化、促进城市群高质量发展具有重要的科学意义。从经济发展、文化创新、绿色发展和宜居环境4个维度综合评判城市的竞争力水平,构建基于多模式交通流和辐射模型的城市群网络结构模型,以长江中游城市群为例科学测度城市群的网络空间结构特征,并采用空间计量模型探讨影响城市网络中心性的驱动机制。主要结论如下:①城市之间的平均交通流强度为高铁>普铁>动车>客运汽车,且高铁交通网络呈现较大的空间非均衡性;②基于多模式交通流和辐射模型构建城市群网络空间结构,依据要素净流出值将城市划分为对外辐射型、对外依赖型和辐射依赖均衡型,长江中游城市群中仅武汉、长沙两大核心城市为对外辐射型城市;③城市群网络结构的中心性与城市的行政等级密切相关,城市中心性的出度和入度呈现出较强的相似性,城市行政等级、经济水平和全球化是影响城市群网络出度中心性的关键因素,而经济水平和市场化是影响城市入度中心性的主要驱动因素。

考虑车辆特征的分流区跟驰模型研究

为研究混合人工驾驶车辆(human-driven vehicle,HV)与网联自动驾驶车辆(connected and autonomous vehicle,CAV)交通流环境下不同特征车辆混入下高速路分流区的通行效率与行车安全性的提升问题[1],深入分析不同特征车辆混入造成的影响十分必要。基于此,文章以L3层级自动驾驶货车为研究对象,选取3组特征车辆,在考虑混分流(L0~L5)的影响下,选定并设置高速路匝道入口作为研究场景,引入车路协同系统[2],纳入交通参与者行为差异的多样性并加以改进。在所建立的混合交通流微观仿真模型基础上,联合SUMO(Simulation of Urban Mobility)与Python搭建仿真平台,实现驾驶行为模型的仿真验证与高速路中包含基本路段和分流区的混合交通流场景下的仿真试验[3],基于试验数据从交通效率与安全角度分析不同车辆特征对交通流特性的影响及改进跟驰模型的效果。

基于GWO-HMM的空中交通网络流系统态势预测研究

针对空中交通流量管理部门如何更高效地实施流量管理的问题,本文将态势感知理论应用于空中交通网络流系统(ATNFS,air traffic network flow system),建立空中交通网络流系统的运行态势预测模型。首先,给出了空中交通网络流系统的态势感知过程,从节点和航线的角度筛选出航线饱和度、不正常航班率、节点饱和度、节点延误架次比、节点航班取消率5个态势要素,使用态势值作为态势理解的指标;其次,分析隐马尔可夫模型(HMM,hidden Markov model)的优势与不足,建立了基于灰狼优化(GWO,grey wolf optimization)算法和改进隐马尔可夫模型的态势预测模型;最后,使用某空中交通网络流系统的实际运行数据进行算例验证。结果表明,改进后的预测模型相较于原本的隐马尔可夫预测模型精度更高,预测结果更准确。