针对高速公路收费站的收费车道资源分配不均问题,结合贝叶斯优化算法(bayesian optimization algorithm,BOA)和长短时记忆神经网络(long short term memory,LSTM),提出了一种基于交通流预测的收费车道开闭配置方法。首先,对收费数据进...针对高速公路收费站的收费车道资源分配不均问题,结合贝叶斯优化算法(bayesian optimization algorithm,BOA)和长短时记忆神经网络(long short term memory,LSTM),提出了一种基于交通流预测的收费车道开闭配置方法。首先,对收费数据进行预处理,得到交通量、车型比例、收费方式占比和服务时间等基础数据,用于构建模型训练数据集。其次,提出了一种基于多元收费方式的M/G/K排队模型,实现收费站通行过程的理论描述和平均排队长度、平均逗留时间、通行能力等关键指标的计算。然后,针对超参数设置困难问题,引入贝叶斯优化算法构建了BOA-LSTM组合模型实现交通流预测。接着,以交通流预测结果为输入,以车道开启数目为输出,构建了一种以综合成本最小为目标的车道开闭配置模型。最后,以河北新元高速机场收费站为例展开实证分析,结果表明,BOA-LSTM组合模型能够取得良好的预测效果,其中交通量和车型比例的均方根误差分别为16.24和0.03,平均绝对百分比误差分别为13.32%和1.77%;相比于实际方案,工作日平均每天的综合成本降低了2.30%,休息日平均每天的综合成本降低了5.14%。展开更多
为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization,PSO)的长短期记忆(long short term memory,LSTM)车辆跟驰模型。首先,...为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization,PSO)的长短期记忆(long short term memory,LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习支持向量回归(support vector regression,SVR)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标平均绝对百分比误差(mean absolute percentage error,MAPE)较SVR和LSTM分别降低了60.02%和1.52%。PSO算法进行超参数优化后的PSO-LSTM模型能更好地模拟车辆的跟驰行为。展开更多
文摘针对高速公路收费站的收费车道资源分配不均问题,结合贝叶斯优化算法(bayesian optimization algorithm,BOA)和长短时记忆神经网络(long short term memory,LSTM),提出了一种基于交通流预测的收费车道开闭配置方法。首先,对收费数据进行预处理,得到交通量、车型比例、收费方式占比和服务时间等基础数据,用于构建模型训练数据集。其次,提出了一种基于多元收费方式的M/G/K排队模型,实现收费站通行过程的理论描述和平均排队长度、平均逗留时间、通行能力等关键指标的计算。然后,针对超参数设置困难问题,引入贝叶斯优化算法构建了BOA-LSTM组合模型实现交通流预测。接着,以交通流预测结果为输入,以车道开启数目为输出,构建了一种以综合成本最小为目标的车道开闭配置模型。最后,以河北新元高速机场收费站为例展开实证分析,结果表明,BOA-LSTM组合模型能够取得良好的预测效果,其中交通量和车型比例的均方根误差分别为16.24和0.03,平均绝对百分比误差分别为13.32%和1.77%;相比于实际方案,工作日平均每天的综合成本降低了2.30%,休息日平均每天的综合成本降低了5.14%。