融合外部属性的短时交通流预测研究

针对现有交通流量预测算法大多仅考虑常态下的预测,而未考虑天气属性、周围地理属性对预测结果的影响,提出一种融合外部属性的组合预测模型（A-STIGCN）。首先,将外部属性作为路网中路段的属性,同时对路段的属性和交通特征进行建模,得到增强的特征向量。其次,采用图小波变换和自适应矩阵分别提取交通流局部和全局空间特征信息,并借助门控循环单元（GRU）对时间信息的长时记忆能力以提取其时间特性。最后,通过注意力机制来捕获时空动态变化性进行交通流预测。采用深圳出租车轨迹数据、对应天气数据以及POI数据进行预测,研究结果表明：A-STIGCN组合模型预测效果优于传统线性模型及变体模型,与未引入注意力机制的ASTGCN模型相比,MAE降低了约0.131,精度提高了0.068,与未引入外部因素的TGCN模型对比分析,MAPE降低了约0.637%,精度提高了0.079,从而更好地为交通管理提供指导意见。     

智能交通控制网络的短时交通流预测研究

研究智能交通控制网络的短时交通流准确预测问题.为保证智能交通控制的效率,短时间内采集交通流信息并作为预测参数快速完成交通流的预测,然而短时间内采集到的交通流数据有限,数据间的相关性不明显,传统的交通流预测方法针对短时采集的相关性不明显的数据进行预测,存在预测准确度不高的问题.为解决上述难题,提出采用多维标度法的短时交通流预测方法.利用多维标度法处理采集到的短时交通流数据得到数据间的潜在相关性,避免因短时数据间相关性不明显而造成预测准确度不高的问题,然后根据数据相关性建立交通流预测模型,按照预测算法流程完成交通流的预测.实验表明,改进方法能够根据短时交通流数据准确完成交通流的预测,保证了智能交通控制网络的效率和性能.     

基于波动方程的动态交通流网络模型研究

研究优化交通流量问题。从交通流量中获取实时旅行时间是现代智能交通系统模型的关键技术,针对传统模型构建复杂、计算时间长、难以提供实时旅行时间的缺点,构建出一种动态交通流网络分析模型,以计算实时性的旅行时间优化交通流量。在模型中首先使用LWR车流模型构建成起始值-边界条件连续方程式,采用高阶Runge-Kutta法计算路段上的流量、密度和运行速度,进而得到车辆运行某段距离所需要的旅行时间;再将这些旅行时间加总,则可求得全路段或路网的旅行时间。最后使用上面提出的的动态交通流网络模型对一小型的高速公路单车道交通流网络进行了仿真。仿真结果表明,上述模型可以加快动态交通流网络中旅行时间的求解速度,以达到提供实时信息的目标。     

BNs-OLS-SARIMA对城市短时交通流的预测*

通过在目标路口构建贝叶斯交通网（BNs）,并对与此交通网相关的交通流建立非平稳季节（SARIMA）模型,采用最小二乘法（OLS）取得相应模型的最佳权重组合,对缺失数据下的城市道路短时交通流进行预测。使用重庆市某路口的交通流数据对模型进行检测,通过多种预测指标对结果进行对比分析,结果表明BNs-OLS-SARIMA把交通流的网络结构与其周期性结合在一起,对短时交通流有良好的预测效果。     

寒地城市快速路冰雪路面交通流特性研究

利用视频检测系统采集城市快速路冰雪路面上的交通数据,对城市快速路冰雪路面交通流特性进行了研究;分析了冰雪路面对道路交通安全影响,探讨了城市快速路冰雪路面上车速变化、车头时距分布特性,对比分析了冰雪路面与非冰雪路面上城市快速路交通流量与速度的关系,并建立了冰雪路面快速路交通流量与速度关系模型．研究成果将对寒地城市快速路的运营、管理和评价提供科学依据和数据支持．     

快速路网单点入口匝道动态控制策略仿真评价研究

有别于以往工作,运用宏观交通网络动态建模理论与计算机仿真技术,以快速路网为考察对象,提出单点入口匝道动态控制策略的宏观交通仿真评价方法,设计了一种基于ALINEA原理的单点入口匝道动态控制算法,针对一多起点-多终点拥挤路网,开发仿真系统,给出控制前后路段交通状态时变图、全局路网交通状态图等可视化仿真结果,描述路网交通流演化,定量评价匝道控制效果。算例表明,控制后路网拥堵显著缓解,网络总耗时减少约5%。研究显示了单点匝道控制策略宏观交通仿真评价方法有助于深刻、全面、直观地理解路网交通流演化,剖析拥堵成因,设计符合全局、系统眼光的高效控制策略,给出定量评价,具有有效性与优越性。     

智能动态路线诱导系统子区协调策略及仿真

提出了诱导子区的概念,对诱导子区内诱导单元协调的重要性进行了研究.提出了相同路口诱导单元的协调策略,对同级诱导单元诱导信息的相互影响进行了探讨,在此基础上将协调区域扩大到上游诱导单元,对诱导子区内诱导单元协调策略进行了研究.作者进行了多次仿真试验并对有代表性的仿真结果进行了分析,从诱导状态估计的准确程度和诱导均衡度2个方面说明了诱导子区协调方法的有效性.     

基于多通道Transformer的交通量预测方法

目前,我国高速公路拥堵程度居高不下,而交通流预测作为实现智能交通系统的重要一环,若能对其实现高精度的预测,那么将能够高效地管理交通,从而缓解拥堵。针对该问题,提出了一种考虑时空关联的多通道交通流预测方法（MCST-Transformer）。首先,将Transformer结构用于不同数据的内在规律提取,然后引入空间关联模块对不同数据间的关联特征进行挖掘,最后,借助通道注意力整合优化全局信息。采用广东省高速公路数据,实现了两小时内92个收费站的高精度流量预测。结果表明：MCST-Transformer优于传统机器学习方法以及部分基于注意力机制的时间序列模型,在120 min预测跨度下,相比贝叶斯回归,MAPE降低了5.1%;对比Seq2Seq-Att以及Seq2Seq这些深度学习算法,所提方法的总体MAPE也能降低0.5%,说明通过多通道的方式能够区分不同数据的特性,进而更好地预测。     

基于交通流仿真的多指标航段结构研究

航段作为空域结构基本的构成要素之一,是空中交通必不可少的虚拟路网细分单元,对空中交通流的安全高效地运行有重要的作用.为探讨航段类型及其长度对航空器的活动以及航空器之间相互制约的影响程度,基于交通流仿真,建立了三种航段长度优化模型,并分别从飞行时间、燃油消耗、经济价值、机型特征、飞行冲突、管制员工作负荷等多指标分析优化结果.优化结果表明,随着航段长度的增加,单位航班飞行时间和燃油消耗均呈递减趋势,但两个优化目标不可兼得:仅优化时间时,航班总飞行时间减少2.87％;仅优化燃油消耗时,总燃油消耗降低2.56％;综合优化飞行时间与燃油消耗时,燃油消耗对航路结构的影响最大,此时总成本减少2.53％.