基于人车路协同的智能交通出行信息服务系统

近年来,智能交通信息服务受到广泛的关注,针对数据实时性和准确性差、信息交互共享难问题,设计了一种人车路协同的智能交通出行信息服务系统,形成人车路智能协同的工作环境。为解决智能交通结构化多源信息融合,提出了一种由卡尔曼(Kalman)滤波和D-S(Dempster/Shafer)证据理论两种信息融合模型——KD-SF模型,发现采用KD-SF模型信息融合结果与GPS车载采集实际测试数据近似相同,信息融合更精确。通过系统应用验证表明,人车路协同系统与交通服务信息融合后,在高峰时段公交线路平均运行车速明显提升,乘客平均候车时间明显缩短,提高城市公共交通运行效率。     

基于无监督学习的实时公交动态调度的研究

针对广州智能公交调度的优化问题,提出一种基于无监督学习的实时公交动态调度算法,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习方法学习到公交客流出行特征表达的提取,利用吸引子传播(affinity propagation,AP)聚类算法的优化数据集与支持向量机(support vector machine,SVM)的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度数学模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,利用深度学习的异常突发事件分类检测方法实现调度优化模型的实时调整。实验结果表明,AP聚类算法程序运行耗时16 s、高峰发车间隔5 min,比遗传算法运行效率更高、时间间隔更精确,实例证明模型和算法具有实用性和可靠性。