综合交通枢纽客流状态智能分析

综合交通枢纽每日承载着几十万客流量,为了满足日益发展的综合交通枢纽内的指挥、运营管理及预警预案的需求,对枢纽内的客流运行状态的判别就显得尤其重要。提出了一种新的评判客流运行状态的指标——客流拥挤指数,基于枢纽内行人密度和单位宽度流率等反映枢纽客流状况的特性指标,建立了枢纽内客流状态综合模糊评价模型,并从中获取了客流拥挤指数。通过对实际交通枢纽内的客流状态仿真分析得出,所采用的模糊评价模型所得到的客流拥挤指数较好地反映了枢纽内的真实的客流状态,与实际状况的契合度很高。所提出的枢纽内客流状态评价指标简洁明了,能为枢纽交通管理者和出行者提供有价值的参考。

城市道路交通流运行状态评价应用研究

针对当前城市路段交通流状态评价方法以及交通拥堵态势预测效果不佳的问题,对2018年“深圳杯”数学建模挑战赛D题解决方案中定义的路段消散指数进行改进,在城市路网中将其作为统一描述交通流状态的指标,自适应计算消散指数阈值评价交通流运行状态.并以路段为单位,基于动态贝叶斯网络预测路段的短时交通流状态,采用时空耗散BP神经网络模型对短时车流量进行预测.本文是2018年“深圳杯”数学建模挑战赛D题的后续研究成果,在实验城市贵阳市的中环路进行成果应用,对中环路的交通流运行状态进行评价监测.

基于深度学习LSTM对交通流状态的预测

当今道路交通状态对城市管理和人们出行愈加重要,影响着人类生活的方方面面.以深圳交通为研究对象,由基础车辆数据和道路坐标构建了路网系统,从车辆速度和密度两个方面导出了交通流状态评价指数TSI.利用深度学习长短期记忆神经网络(LSTM)对车辆速度和密度两个指标进行预测,并通过对比极限学习机(ELM),时间序列(ARMA)和BP神经网络,进行仿真实验,结果表明相对于传统预测模型,所采用的LSTM网络具有更优的预测精确度和对远期预测的稳定性.最后利用预测结果计算出更能直观反映出道路交通拥堵情况的TSI指数,为人们提供了准确的交通状态预测.