Short-Term Traffic Flow Prediction Based on Road Network Topology

Accurate short-term traffic flow prediction plays a crucial role in intelligent transportation system (ITS), because it can assist both traffic authorities and individual travelers make better decisions. Previous researches mostly focus on shallow traffic prediction models, which performances were unsatisfying since short-term traffic flow exhibits the characteristics of high nonlinearity, complexity and chaos. Taking the spatial and temporal correlations into consideration, a new traffic flow prediction method is proposed with the basis on the road network topology and gated recurrent unit (GRU). This method can help researchers without professional traffic knowledge extracting generic traffic flow features effectively and efficiently. Experiments are conducted by using real traffic flow data collected from the Caltrans Performance Measurement System (PEMS) database in San Diego and Oakland from June 15, 2017 to September 27, 2017. The results demonstrate that our method outperforms other traditional approaches in terms of mean absolute percentage error (MAPE), symmetric mean absolute percentage error (SMAPE) and root mean square error (RMSE).

Prediction of elevator traffic flow based on SVM and phase space reconstruction

To make elevator group control system better follow the change of elevator traffic flow (ETF) in order to adjust the control strategy,the prediction method of support vector machine (SVM) in combination with phase space reconstruction has been proposed for ETF.Firstly,the phase space reconstruction for elevator traffic flow time series (ETFTS) is processed.Secondly,the small data set method is applied to calculate the largest Lyapunov exponent to judge the chaotic property of ETF.Then prediction model of ETFTS based on SVM is founded.Finally,the method is applied to predict the time series for the incoming and outgoing passenger flow respectively using ETF data collected in some building.Meanwhile,it is compared with RBF neural network model.Simulation results show that the trend of factual traffic flow is better followed by predictive traffic flow.SVM algorithm has much better prediction performance.The fitting and prediction of ETF with better effect are realized.

Modeling and simulation of network traffic flow evolution based on incomplete information feedback strategies in the ATIS environment

Considering both the high complexity of urban traffic flow systems and the bounded rationality of travelers,providing traffic information to all travelers is an effective method to induce each individual to make a more rational route-choice decision.Within Advanced Traveler Information System(ATIS)working environment,temporal and spatial evolution processes of traffic flow in urban road networks are closely related to strategies of providing traffic information and contents of information.In view of the day-to-day route-choice situations,this study constructs original updating models of the cognitive travel time of travelers under four conditions,including not providing any route travel time,only providing the most rapid route travel time,only providing the most congested route travel time,and providing all the routes travel times.The disaggregate route-choice approach is adopted for simulation to reveal the relationship between the evolution process of network traffic flow and the strategy of providing traffic information.The simulation shows that providing traffic information to all travelers cannot improve the operational efficiency of road networks.It is noteworthy that an inappropriate information feedback strategy would lead to intense variation in various routes traffic flow.Compared with incomplete information feedback strategies,it is inefficient and superfluous to provide complete traffic information to all travelers.

Bi-objective optimization models for mitigating traffic congestion in urban road networks

Traffic congestion in road transportation networks is a persistent problem in major metropolitan cities around the world.In this context,this paper deals with exploiting underutilized road capacities in a network to lower the congestion on overutilized links while simultaneously satisfying the system optimal flow assignment for sustainable transportation.Four congestion mitigation strategies are identified based on deviation and relative deviation of link volume from the corresponding capacity.Consequently,four biobjective mathematical programming optimal flow distribution(OFD)models are proposed.The case study results demonstrate that all the proposed models improve system performance and reduce congestion on high volume links by shifting flows to low volumeto-capacity links compared to UE and SO models.Among the models,the system optimality with minimal sum and maximum absolute relative-deviation models(SO-SAR and SO-MAR)showed superior results for different performance measures.The SO-SAR model yielded 50%and 30%fewer links at higher link utilization factors than UE and SO models,respectively.Also,it showed more than 25%improvement in path travel times compared to UE travel time for about 100 paths and resulted in the least network congestion index of1.04 compared to the other OFD and UE models.Conversely,the SO-MAR model yielded the least total distance and total system travel time,resulting in lower fuel consumption and emissions,thus contributing to sustainability.The proposed models contribute towards efficient transportation infrastructure management and will be of interest to transportation planners and traffic managers.

基于多图时空图卷积模型的城市交通流长时预测

交通流预测是智能交通系统中的重要组成部分,准确、及时和有效的预测信息对于城市道路的交通控制、诱导具有重要意义。然而,由于城市路网交通流时刻受到用地性质、天气变化等多种外部因素的影响,其预测面临着巨大挑战。为了有效预测城市路网交通流而提出了一种融合多源数据的多图时空图卷积模型。将影响城市路网交通流的外部因素分为静态和动态两类,并提供了一种明确和有结构的分类依据来理解影响交通流的各种外部因素。再将静态因素编码为多图,具体为距离矩阵、功能相似性矩阵和连通性矩阵,使用多图组成三通道输入时空相关性建模模块。该模块使用图卷积网络对交通流的空间相关性进行建模,学习节点特征和邻接信息;使用门控循环单元对交通流的时间相关性进行建模,捕捉交通流数据的动态变化和周期性规律。最后,使用融合层将多通道输出与动态因素进行融合作为最后预测输出。为了验证模型的有效性,使用SZ-TAXI数据集,与7种基准预测模型进行对比试验,结果表明,融合了多源外部因素的多图时空图卷积模型在评价指标MAE和RMSE上都比基准模型预测值更具准确性。并设计消融试验分析,处理静态因素的多图方法以及融合动态因素的方法均有效提高了城市路网交通流长时预测性能。

融合知识图谱的时空多图卷积交通流量预测

现有的交通流量预测方法关注交通信息的时空相关性,未充分考虑外部因素对交通的影响,为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型.基于道路交通信息和外部因素,构建城市交通知识图谱和4个不同语义的路网拓扑图,将城市交通知识图谱输入关系演化图卷积神经网络,实现知识嵌入;使用知识融合模块将车流量矩阵与知识嵌入融合;将4个路网拓扑图和融合知识的车流量矩阵输入时空多图卷积模块,提取时空特征,通过全连接层输出交通流量预测值.在杭州交通数据集上评估模型性能,与先进的基线模型对比,所提模型的性能提高了5.76%~10.71%.鲁棒性实验结果表明,所提模型具有较强的抗干扰能力.

基于宏观基本图的交通控制有效性与路网稳定性研究

区域城市路网在不同控制方法下呈现的网络交通流输出水平与维持能力不尽相同,要评价控制效果的优劣,需要分析区域控制方式下路网交通流与路网耦合时所体现出来的特征值。作为一种路网的基本属性,选择宏观基本图作为研究区域交通控制有效性与路网稳定性的评价载体,解析了相对于路段、交叉口等单点评价具有的优势。基于MFD的区域交通控制评价不受路网交通需求变化的影响。研究建立了路网最大加权流量、最佳累计车辆数、路网负载能力、交通流分布均衡度以及时序均衡度5评价指标,以对区域交通信号控制方法的有效性与路网运行的稳定性进行评价,解读路网高峰时段的交通流维持能力。以成都青羊区太升南路附近37个信号交叉口为路网,利用VISSIM二次开发技术,获得了该路网在定时控制、感应控制、自适应控制以及自适应协调控制下的路网宏观基本图形态。通过对比各控制方法的宏观基本图形态特征与评价指标,从多个维度比较了各控制方法的特征与适用性,分析了相应的控制有效性,解读了其从平峰至过饱和各阶段的交通流维持能力,进而可以了解特定控制方法下路网的运行效率。同时,根据相应控制方法的稳定性表现,指出了各自的局限性,有助于在实际应用中根据区域路网面临的环境,分析应采取的交通控制策略。

针对大规模复杂车流的PG强化交通灯控制算法

优化城市道路中的交通信号灯控制是低成本地提升城市交通路网性能的方法之一。该研究提出了一种利用策略梯度(Policy Gradient, PG)强化调优的交通灯控制算法。该算法引入了道路压力项、旅程时间项和黑名单机制项,利用统计方式预测汽车行程轨迹,并采用策略梯度估计的优化算法调整算法中的参数。在数据挖掘国际会议Knowledge Discovery and Data Mining (KDD)组织的算法竞赛KDD Cup 2021城市大脑挑战赛中,获得了冠军的成绩。在该挑战赛提供的城市路网规模复杂车流仿真平台上的实验结果表明,算法具有应用于实际场景的价值。

基于D-LinkNet与形态学计算的高分遥感图像车流量监测

针对城市交通路面车流量监测实时性和准确性高的需求,设计了一种利用高分遥感图像进行道路网自动提取和车辆自动监测的处理方法。综合利用D-LinkNet和形态学计算实现道路区域的二值化语义分割及连贯性、边缘扩展以及平滑性优化,同时将道路信息作为掩码并外溢后进行车辆目标检测,有效避免非道路区域车辆目标干扰。提出采用热力图的形式改进车流量监测方法,可以更直观显示道路拥挤程度。综合利用现有数据集对所提方法进行评价,车辆检测的平均精度达91.7%,道路提取平均交并比达85.3%,可以实现道路车流量的有效监测。

基于边缘计算的交叉口信号自动控制

交叉口信号控制需及时响应交通流量的变化,特别是在高峰时段,需要快速、准确地进行调整,以确保交通顺畅.为此,提出基于边缘计算的交叉口信号自动控制方法.该方法利用边缘计算预测交通交叉路口的车流量.并以最小化车辆延误时间及强化通行能力为目标,引入二流理论描述研究区域路网的服务水平和拥堵状态,建立交通路段的流量-密度模型,进而完成信号灯自动控制.实验结果表明:提出的方法能够准确预测交叉路口的车流量,并有效缩短车辆的排队长度,能够对交叉路口的信号灯实现有效控制.

高速公路实时交通流模糊逻辑优化控制系统设计

针对高速公路交通流特征复杂多变,并受到天气、道路状况和车辆类型等多种因素影响的问题,设计了一种新的高速公路实时交通流模糊逻辑优化控制系统,包括硬件和软件两部分;在硬件方面,设计了车流控制模块、无线传输车载终端、实时交通流逻辑调度模块和模糊控制器模块,并确定了它们之间的实时连接关系;在软件方面,求解了交通流逻辑控制条件,联合了高速公路实时通行相位条件,调节了模糊控制器,并根据高速公路交通路网模型推导了交通流优化控制条件的求解表达式;实验结果表明,该系统可以解决逻辑协调错误的问题,并有效控制高速公路车流量。

申港大道(随塘河西—沪城环路)改建工程总体方案设计

随着经济和社会的发展,城市道路的改扩建需求日益增多。道路改扩建应满足新的功能定位、保证新的设计车速,并兼顾现状已经形成的集散交通系统。在申港大道(随塘河西—沪城环路)改建工程中,通过分析和研究其功能定位和建设条件,同时结合《南汇新城高品质市政交通基础设施设计导则》的要求和交通流量预测结果,进行了改建工程的总体方案研究和设计,所得结果可为上述《导则》在实际工程中的应用和城市主干路的改造提升提供一定的工程经验和设计参考。

基于SSA-CNN-BiLSTM组合模型的短时交通流量预测

为改善城市道路交通拥堵状况,并为智能交通系统决策提供辅助手段,针对短时交通流的非线性和时序性特点,构建了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)联合双向长短时记忆神经网络(BiLSTM)的组合模型以预测短时交通流量。首先,对原始交通流数据进行异常值清洗、小波阈值去噪和归一化处理。然后,利用SSA算法对CNN与BiLSTM组合网络中的隐藏层单元数、初始学习率和L2正则化系数三个超参数迭代寻优。最后,将搜索得到的最优超参数组合输入搭建好的组合网络中进行训练和预测。实验结果显示:与粒子群优化(PSO)和灰狼优化(GWO)算法相比,SSA算法在网络超参数寻优过程中的收敛速度更快,全局寻优能力更强;与3种对比模型(CNNBiLSTM、BiLSTM和LSTM)相比,在5 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的均方根误差(RMSE)分别降低了5.46、12.78、20.38,平均绝对百分比误差(MAPE)分别降低了0.49%、2.24%、3.11%;在15 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的RMSE分别降低了9.70、28.42、41.18,MAPE分别降低了0.50%、1.98%、2.59%。研究表明,相比既有算法,该短时交通流量预测组合模型在精度和稳定性上都有所提升,可通过提供更精准的短时交通出行信息来改善道路交通状况。

基于多维数据挖掘的城市路网多尺度交通流预测研究

城市交通流量通常较大,路网交通预测时数据繁复、特征参数较多,导致预测速率与精度较低。为此,提出基于多维数据挖掘的城市路网多尺度交通流预测方法。采用数据清洗方式对数据预处理,根据道路交通变化情况确定交通流特征参数;利用傅里叶变换、卷积算法挖掘交通流时空特征,运用注意力函数、权重矩阵挖掘交通流时间特征;通过时空相关性与图的拓扑结构特性建立交通流预测模型,获取下一时刻道路交通变化情况,完成交通流预测。实验结果表明,该方法能够有效预测道路交通每个时段流量状态,预测精度始终高于97%,15 s内就能完成8个路段交通流的预测。

智慧城市路网交通流量均衡性优化调度方法

早高峰和晚高峰时段的路网交通混乱,极易发生拥堵情况,为缓解交通系统压力,设计节点元胞划分下智慧城市路网交通流量均衡性优化调度方法。获取不同交通路线间的流量分离函数,定义路径交通流量和可用路段费用,得到出行者在某段路径上的概率函数,计算智慧城市路网各路段交通流量;获取流量守恒和车辆传递函数,计算可变元胞的单独序列,建立交通节点元胞划分模型;设计交通流量均衡性优化调度算法,得到城市路网均衡性的优化调度结果。设置仿真参数,对比优化前后三个路网模型的路径流量,仿真结果显示:早高峰和晚高峰时段路段内的路径流量明显降低,在其他时段,优化后的路径流量也不同程度下降,且路网模型越复杂,该优化方法的调度效果越好。

金海路快速化改建工程施工期间交通组织方案研究

与地铁共线的城市交通复合廊道通常存在交通流量大、交通参与者多、交通组织复杂等特征,为降低在此类道路项目改建施工期间,因施工翻交对既有交通组织及周边居民出行的影响。首先,总结归纳相关学者对此类问题的研究成果,梳理施工交通组织基本原则及设计要点;其次,以金海路快速化改建工程为例,提出该项目交通组织方案重难点在于如何结合工程永久设计方案及区域交通出行特征合理组织交通,并以此为约束条件提出施工交通组织方案;最后,采用BIM建模技术及倾斜摄影技术,建立金海路快速化改建工程施工期间交通组织模型,通过航拍摄片直观展示并验证施工交通组织方案的可行性。

道路交通网络设计与规划研究

随着城市化进程的加速和人口的增长,道路交通网络的设计与规划变得尤为重要。通过对道路交通网络设计与规划的研究,可以提高交通系统的运行效率、减少交通拥堵并改善出行体验,文章旨在为城市的可持续发展起到积极的推动作用。

基于Elman神经网络的道路网短时交通流预测方法

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测.首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析.验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.

城市道路交通网络容量的建模

交通网络承载着具有意志行为的个体组成的交通流,交通网络容量表示道路网络的交通承载能力,与交通网络的OD结构密切相关。本文在分析城市道路交通网络OD结构特征的基础上,提出表达道路网络容量的基本思想和模型,阐明交通网络容量受到交通流特性、网络要素容量、废气排放量、服务水平和系统效率等因素的影响,基于不同的考虑方法可以建立不同的网络容量模型。基于路段容量约束的网络容量描述了道路系统承载交通流的物理极限;基于路段容量约束和交通环境约束的网络容量则描述了道路系统承载交通流的环境极限;基于服务水平的网络容量描述了系统提供某种服务水平条件下的最大交通承载能力;基于效率的网络容量描述了网络资源使用效率和用户效益同时最大化条件下的道路网络承载能力。文章深入分析了所提出的各种模型之间的关系,在实际应用中可根据交通规划和管理所追求的具体目标,采取相应的模型。

考虑双向交通的城市路网交通流元胞自动机模型

允许车辆借反向车道超车的双向交通道路是城市路网的重要组成部分.本文考虑了双向交通道路的车辆行驶规则,研究了无信号控制交叉口的车辆优先通行权分配规则,构建了一个双向交通的城市路网交通流元胞自动机模型,研究了城市路网交通流的动态特性.研究结果表明,临界密度随着路网规模的增加而下降,路网交通密度的增加会加速拥堵闭环的形成,换道概率的增加会降低路网车速和缩短局部死锁现象形成的时间,单位时间换道车辆数与换道概率及交通密度之间存在着密切的关系.