城市快速路实时交通状态估计和行程时间预测

根据城市快速路交通诱导和监控系统的实际需要,提出了实时估计和预测城市快速路上交通状态和任意两点间动态行程时间的方法.其基本思想是将扩展卡尔曼滤波理论引入宏观动态交通流模型,结合快速路上的固定检测设备,实时估计和预测未来几个时段的交通状态,并利用“虚拟车”法预测动态的行程时间.通过对上海市快速路典型实测数据的实例分析,发现交通状态估计模型具有良好的跟踪能力,行程时间预测模型在畅通状态计算结果和实测结果几乎完全重合,拥挤状态相对误差基本维持在10%以下.结果表明,该模型的适用性和精度都令人满意,可为城市快速路交通控制和诱导提供依据.     

基于GPS数据的高速公路行程时间估计与可靠性分析

准确地进行高速公路行程时间估计与可靠性分析对交通规划与缓解交通拥堵具有重要意义。针对目前行程时间估计准确性不高、可靠性分析不够全面的问题,提出基于BP神经网络的高速公路行程时间估计模型,并利用该模型计算的行程时间分析高速公路上车辆行驶的行程时间可靠性。以广州机场高速公路GPS浮动车数据为例进行实例验证,结果表明,与速度-时间积分法和位置-时间内插法相比,本文提出的模型提高了行程时间估计的准确度,同时能多方面地分析车辆行程时间的可靠性。     

交通分配中路段行程时间函数研究

本文讨论了我国混合交通条件下的城市道路路段行程时间函数模型，首先，我们运用交通流理论知识，构造出道路横断面不同路幅形式下的路段行程时间函数模型。其次，我们给出了在现场数据下，用非线性回归分析的方法。标定理论模型中待定参数值的方法。     

道路交通网络路径行程时间可靠性计算方法

行程时间可靠度是反映交通服务水平的一个重要指标,为评价交通运行状况,比较交通改善治理措施提供了新的思路。随着信息采集技术的深入发展,大量行程时间样本的采集与行程时间分布的获得,使得可靠度的计算方法的研发变得十分迫切。传统的路径行程可靠度计算方法直接套用电路理论,无法反映交通运行的特征,造成可靠度计算值严重偏低。本文在分析传统方法失效原理的基础上,引入蒙特卡洛理论,开发了一套新的路径行程时间可靠度计算模型。陆家浜路5个路口的实例分析表明,利用GPS测量值得到的可靠度值在80%左右,传统方法计算值为40%左右,本文方法计算值接近80%,表明本文方法能够有效应用于路径行程时间可靠度计算的实践中。     

基于Inception卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。     

城市交通流路段行程时间预测模型

建立较为精确的城市交通流路段行程时间预测模型是建立诱导系统的关键 .本文所建的预测模型充分考虑了交通延误变化的灵敏性 ,将汽车在路段上的运行时间分为两部分 ,分别预测 .经过实测数据检验 ,该模型具有很好的效果 .     

融合不确定性建模的行程时间与置信区间估计

针对智能交通系统中行程时间估计的不确定性量化的难题,提出一种全局-局部不确定性感知行程时间估计方法(global and local uncertainty-aware travel time estimation, GLUTTE)。首先,通过多任务学习策略建模整体路线与各局部路段的行程时间关系及其不确定性。其次,采用多粒度分位数回归方法,综合考虑全局和局部特征,提供准确的置信区间估计。实验结果表明,所提方法能够有效量化不确定性,同时保证准确性并提供可靠的置信区间,从而提升结果的可用性和可信度。     

卡车路段行程时间的实时动态预测

分析了建立卡车路段行程时间预测模型传统方法的不足,考虑到高度非线性的露天矿运输系统有别于公路交通系统,针对卡车运行时间的随机性,采用多因子预测,阐述了应用人工神经网络(ANN)原理和方法对卡车路段行程时间预测的可能性和优越性,建立了预测模型的基本结构,描述了行程时间与其影响因素间的非线性映射关系,从而提出了基于人工神经网络原理的行程时间预测模型。     

基于修正算法的高速公路路段旅行时间估计

现有高速公路收费系统采用原始时间记录数据估计的路段旅行时间不准确,将直接影响路段流量估算准确性． 为此,提出了一种依据轨迹法计算车辆时空坐标轨迹、以路段长度为权重进行路段旅行时间修正的旅行时间估计算法,并将其应用于某高速收费系统数据,验证了经过修正的路段旅行时间估计值更接近于实际路段旅行时间．     

基于行程时间可靠度的区域交通控制系统评价方法

在定义行程时间可靠度的基础上,利用浮动车调查数据,得到不同时段路径行程时间可靠度;然后建立了以行程时间可靠度为指标的城市区域控制系统运营效率的评价模型.该模型在武汉市区域控制系统评价中进行了应用研究,结果表明:区域交通控制系统运营后,早高峰、平峰和晚高峰3个时段路网行程时间可靠度显著提高,全日路径行程时间可靠性波动小于实施前,离散程度降低,城市交通系统的运行状态得到改善.相对于传统评价方法,所建模型灵敏度更高,适用性更强.     

基于灰色关联分析的路段行程时间卡尔曼滤波预测算法

为改善卡尔曼滤波用于时间序列预测时的自适应性能,提出基于灰色关联分析的路段行程时间实时预测算法．首先,利用灰色理论对行程时间序列的各影响因素进行灰色关联分析,根据灰色关联度的大小来选取路段行程时间的主要影响因素,由此建立相应的动态方程．在此动态方程基础上,通过卡尔曼滤波递推进行路段行程时间预测．文中利用深圳某交通干道上的实测行程时间进行仿真实验,结果表明该算法的综合预测性能优于常规卡尔曼滤波方法,可应用于正常交通流状况下的路段行程时间预测．     

基于元胞自动机模型的应急车辆行程时间

针对应急车辆通行时交通流参数难以实时获取的问题,提出以仿真手段模拟交通运行,进而探讨随机交通条件下应急车辆行程时间的计算。在分析有应急车辆的混合交通流运行特性的基础上,增加车辆类型,引入应急车辆影响区域和普通车辆让行概率2个参数,修改车辆换道与速度更新规则,建立了双车道交通流元胞自动机模型。利用MATLAB进行数值模拟,生成不同交通密度条件下的应急车辆行程时间,并与现有计算公式进行对比分析。研究结果表明:应急车辆仅干扰其所处位置的车流运行,对双车道总体流量没有影响,在密度位于0.12~0.36范围内优先通行效果较好;在密度较小(≤0.08)或较大(≥0.24)时,应急车辆行程时间随着行驶距离的增加呈现近似正比例的增加,且密度越大,增长的斜率越大。研究发现现有针对应急车辆的距离-行程时间函数适用于低密度及高密度交通条件,而在0.12~0.20密度范围内失去效用。     

基于宏观交通流模型的行程时间预测

以高速道路为研究对象,概述了宏观交通模型的基本方程,提出了一种基于宏观交通模拟的路径行程时间预测方法．预测方法以宏观模型输出的速度为基础计算路径行程时间,能够考虑交通拥堵以确保行程时间预测结果更合理．预测方法包含一般计算方法、由路段行程时间合成的方法（近邻组合法）这两种计算方法,后者用以加快计算速度,确保预测能够适用于较大规模路网．算例分析说明了预测方法的有效性．     

面向行程时间预测准确度评价的数据融合方法

提出BP神经网络融合模型.该模型由三部分组成:初始数据产生模块、BP神经网络数据融合模块、融合结果分析模块.选择四个参数作为该模型的输入变量,其中路段交通流密度和交通量由线圈数据提供,而行程时间估计值与浮动车样本量由浮动车数据提供,并且给出选择这四个参数的依据与原因.最后选择杭州市的一条主干道作为目标路段,采集该路段上的406组数据对该模型进行验证,试验结果表明模型对准确度评价的相对误差仅为4.86％.     

城市快速路布局方法

为了使城市快速路网规划符合城市发展的需要，提高城市路网的整体效益，分析了城市快速路的功能、适应性与快速路网布局的现状，把公路网规划中的节点重要度理论和交通区位论中的交通线干涉理论引入到城市快速路体系规划中，计算路网规划方案重要度，采用层次分析法对规划方案进行了评价。评价结果表明：优选规划方案符合城市规划专家的直观判断，为城市快速路线位布局规划提供了理论依据。     

考虑注意力和时空特征深度学习的网约车行程时间预测

行程时间预测做为智能交通领域中重要的组成部分,在道路导航、乘客出行过程中起着重要的作用。现有方法很少考虑到交通拥堵变化所产生的影响。本文提出了一种基于注意力机制的时空特征深度学习模型,模型通过卷积神经网络去学习行程过程中所花费的时间和距离以及交通拥堵状态信息,通过注意力机制从通道和空间上两个角度去捕获影响行程中路段通行时间的异常信息,采用双层的长短时记忆网络去学习行程中的路段序列信息,最后通过多任务的学习机制从路径和路段两个角度出发去预测路径通行时间。本文提出的方法与DEEPTRAVEL模型相比,预测精度在平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别提升了8.23%和20.79%。     

融合VMD和GRU模型的城市道路行程时间预测方法

城市道路交通环境复杂多变,城市道路行程时间具有较强的非线性与非稳定性,为提高城市道路行程时间的预测精度,提出了基于变分模态分解(variational mode decomposition,VMD)与门控循环单元(gated recurrent unit,GRU)相结合的组合预测模型。与传统分解算法相比,VMD拥有非递归求解和自主选择模态个数的优点。首先利用变分模态分解算法将原始行程时间序列分解为若干时间子序列,降低原始序列的非平稳性;然后对每个时间子序列建立GRU预测模型;最后将各个预测结果进行融合,得到行程时间序列预测的最终结果。实验结果表明,变分模态分解与门控循环单元结合的组合模型预测结果要比对照组的单一模型预测结果精准度高,均方根误差(root mean squared Error,RMSE)及下降约3.99～4.37,平均绝对误差(mean absolute error,MAE)下降约3.02～3.35;在组合预测模型中,门控循环单元(GRU)预测效果要比长短期记忆(long short-term memory,LSTM)预测效果表现更佳,均方根误差(root mean squared error,RMSE)下降0.34,平均绝对误差(mean absolute error,MAE)下降0.22。     

基于轨迹重构的城市路网OD估计方法

为了提高城市路网OD估计精度,提出了一种基于自动车辆识别数据的宏微观OD估计框架.该框架将微观层的个体路径选择行为和宏观层的随机用户均衡(SUE)分配相结合,微观层通过粒子滤波器的重要性采样过程更新状态空间概率曲线来实现车辆轨迹重构,从而构建宏观层路径流约束;宏观层建立上层为广义最小二乘、下层为路径流修正的Logit随机用户均衡分配的OD估计双层规划模型.该方法在基于Sioux-Falls网络的VISSIM仿真模型上实现,通过VISSIM设置虚拟检测器来模拟现实环境中的自动车辆识别系统.结果 显示,所提方法在各OD对估计中的平均绝对误差(MAE)均值为106.2辆/h,总需求百分比偏差(TDPD)均值为9.54％,相比较于非轨迹方法(MAE均值720.05辆/h,TDPD均值41.54％)有明显优势,在检测器覆盖率大于60％的条件下可以得到较为可靠的OD估计结果.     

基于期望-超额行程时间与有限理性的城市交通分配模型

为完善现有交通分配方法,综合考虑路网与出行者两方面不确定性因素对随机出行行为的影响,建立基于代理的城市路网交通分配模型。首先,采用期望-超额行程时间反映路网行程时间的客观不确定性,并构建通行能力随机退化条件下的出行成本函数。随后,引入出行者对路径成本的感知更新过程,采用有限理性理论描述出行者的主观不确定性,并结合Logit公式确定路径决策算法。接着,采用轮盘赌随机算法生成出行者每日出行选择,完成城市交通分配模型构建。最后,将所建立的模型分别应用于双路径网络、九点网络与Sioux-Falls网络,分析模型优势及参数变化对路网性能的影响。研究结果表明:路网达到稳定所需的天数随路网退化程度、出行者对成本差异的敏感程度和经验学习能力的提高而变长; 稳定状态下的路网总成本随路网退化程度、出行者对行程时间可靠度要求的升高而变大; 追求个人行程时间的可靠性会导致稳定状态下的路网总成本升高,可靠度越高,所需的缓冲时间越多; 路网退化越剧烈,这种“升高”越明显,因为超额时间也在增大; 相比于用户均衡(UE)模型、有限理性(BR)模型和期望-超额行程时间(METT)模型,所建模型兼顾主客观不确定性,能有效克服传统模型低估较长路径上流量的状况,分配结果更加贴合实际; 该模型适用于城市大型交通路网的交通分配,其不确定性参数可通过相关交通管理政策的制定而改变,从而实现缓解交通拥堵、提升路网整体运行效率的目的。     

基于对数正态和分布的路径行程时间可靠性模型

建立合理的路径行程时间可靠性评价模型,对于准确评价路网运行状态具有重要意义.根据对数正态随机变量之和的概率分布特性,建立了路径的行程时间可靠性评价模型.首先,通过曲线拟合,建立了路段行程时间的概率分布模型,结果表明对数正态分布的拟合效果最佳;其次,利用统计学理论,分别考虑路段相关和路段独立两种情况,建立了基于对数正态和分布的路径行程时间可靠性评价模型;在此基础上,对北京市西三环路径进行了实例分析,以检验模型的准确性.研究结果表明:模型能够准确的评价路径的行程时间可靠性;且路段之间存在弱相关关系,最合理的路段相关系数取值为0.2-0.3.