悉尼自适应交通控制系统线圈数据短时多步预测双层模型

为了进一步改善悉尼自适应交通控制系统(Sydney coordinated adaptive traffic system,SCATS)线圈数据短时多步预测的效果,在对SCATS线圈数据进行预处理的基础上,设计了一种基于动态神经网络的短时多步预测双层模型,包括基于NARX(Nonlinear autoregressive model with exogenous inputs)神经网络的多步预测方法以及基于FTD(Focused time-delay)神经网络的可预测步数在线估计方法,并采用某特大城市SCATS线圈实测数据进行了验证和对比分析。结果表明:本文方法能够进一步降低SCATS线圈数据短时多步预测的误差。     

高速公路交通事件自动检测算法

为解决目前我国高速公路交通检测器布设数量严重不足所导致的交通事件检测效果不佳的问题,在分析了收费数据特征的基础上,设计了一种基于收费数据的交通事件自动检测算法.该算法以标准偏差法为基础,首先为了减少因交通波动引发的误警,提出了一种基于滚动时间序列的交通参数合成方法;在此基础上,为了减少因常发性交通拥挤引发的误警,提出了一种综合考虑交通参数数据横向时间序列和交通参数数据纵向时间序列的改进方案;进而,为了减少因算法自身的检测逻辑引发的误警,提出了一种基于数据分析时间窗口内的交通参数标准差以及当前采样间隔交通参数相对于其以前平均值改变程度的改进方案.采用我国浙江省沪杭甬高速公路的实测收费数据进行验证和对比分析的结果表明,在相同的误警水平下,本文算法的检测率明显优于标准偏差法,平均检测时间与标准偏差法基本持平,且本文算法具有良好的鲁棒性.     

基于因子分析与聚类分析的交通事件自动检测算法融合

针对目前通常只利用一种交通事件自动检测算法进行事件检测导致的效果不佳问题,在对单个交通事件自动检测算法产生漏警和误警的原因进行分析的基础上,设计了一套与之相对应的交通条件在线评价指标,并以因子分析与聚类分析为手段提出了一种基于多个交通事件自动检测基本算法的决策级融合方法。运用某特大城市快速路感应线圈实测数据进行验证的结果表明,在交通事件自动检测基本算法的误警率为0.5%左右、检测率为63.5%～66.1%的条件下,所提出方法的检测率和误警率分别达到了90.6%和0.0981%,明显优于对比方法的检测效果。     

基于感应线圈数据的城市道路交通状态判别方法

以SCOOT系统感应线圈检测器采集到的交通数据为基础,设计了一种基于模糊聚类的城市道路交通状态实时判别算法及其评价方法,并提出了交通状态判别时间间隔的确定方法。以VISSIM为工具,对上述方法进行了模拟。对比分析结果表明,所提出的算法能够提高城市道路交通状态实时判别的效果。     

SCATS线圈数据短时多步双重预测方法

为了进一步改善悉尼自适应交通控制系统(Sydney coordinated adaptive traffic system,SCATS)线圈数据短时多步预测的效果,在对SCATS线圈数据进行预处理的基础上,将当前与之前若干时间间隔的交通数据及对应的时间点作为交通模式特征向量的构成要素,用欧式距离作为当前交通模式特征向量和历史交通模式特征向量相似性的测度指标,以多步预测结果的误差最小为目标选取近邻数,通过对交通模式之间距离的倒数正规化处理,确定了所选相似交通模式的未来交通参数的权重,设计了一种基于k近邻(k nearest neighbor,k-NN)算法的短时多步双重预测方法,包括SCATS线圈数据的多步预测方法以及可预测步数在线估计方法,并采用某特大城市SCATS线圈实测数据进行了验证和对比分析.结果表明,所提出的新方法能够进一步降低SCATS线圈数据短时多步预测的误差.     

基于纵向时间序列的快速路交通事件检测算法

为了提高快速路交通事件检测算法的效率,减少交通事件对快速路交通流的影响,在提出交通参数数据纵向时间序列定义的基础上,重新界定了异常交通状态的概念,分析了异常交通状态与交通事件之间的关系,利用增益放大原理设计了交通状态变异指数和以此为基础的交通事件检测算法,在确定交通事件位置的同时,给出事件的空间影响范围,并以某城市快速...     

基于模糊模式识别的高速公路交通事件的自动检测

通过模糊模式识别的方法,对高速公路交通事件进行自动检测。根据交通流量、速度和占有率,构造不同交通流状态的隶属函数,根据最大隶属度原则进行交通流状态的识别;构造3个变量的增量关于事件和非事件的隶属函数,根据最大隶属度原则进行事件的模糊识别。对算法进行离线性能评价,结果表明,模糊模式识别方法优于一般的事件自动检测(AID)方法,从而为AID提供了一种更科学有效的方法。     

基于环形线圈检测器信息的交通状态模糊识别方法

交通状态是表征交通流运行的拥挤程度,它是各种交通管理与控制的基础．在分析交通流运行特性的基础上,得出交通量和占有率比平均车速对交通状态的变化更加敏感．提出了以交通量和占有率为输入变量的交通状态模糊识别方法,并根据实际交通流的运行特性,对输入变量的隶属函数进行了确定．最后,利用某路段环形线圈检测器的实测数据进行了实证研究,结果表明该方法的识别结果与实际交通状态十分相似,可见该方法具有良好的实用性．     

基于LVQ神经网络的城市快速路事件自动检测算法

基于具有自组织功能的学习矢量量化(LVQ)神经网络设计了城市快速路异常事件的自动检测算法,提出分车道检测的构想。研究了原始数据筛选、输入向量模式、神经元个数及检测时段等参数的选择。基于小波分析技术对原始数据的高频噪声进行滤波,引入长车流量作为输入参数,并对比了引入前后的检测效果。选用加利福尼亚算法作为评价的参考依据,对其执行过程和门限值的选择进行了研究。     

基于社会福利最大化的城市轨道交通补贴决策

以社会福利最大化为目标,以票价、发车间隔、站间距以及服务区域面积等为决策变量,对城市轨道交通财政补贴问题进行了优化。针对无约束、盈亏平衡和补贴刺激三种状态分析了财政补贴的最优解决方案。并对无约束和盈亏平衡状态进行了敏感性分析,计算结果表明,对于城市轨道交通线路系统福利补贴在较广泛的范围内,最佳的福利曲线非常平坦。因此,在社会福利最大化的目标下,收支平衡财政补贴政策适合于城市轨道交通系统。在居住密度变化显著和道路网存在较大变化的区域,本研究结果可为政府对城市轨道交通系统的财政补贴提供依据。     

基于多智能体的交通信号控制与路径诱导的协同

在总结已有交通信号控制与路径诱导协同模型的基础上,分析了路段行程时间函数与信号控制策略对协同模型求解唯一性与收敛性的影响;设计了交通信号控制与路径诱导协同研究的多智能体模拟系统。该系统由交叉口控制智能体、路径诱导智能体、信息处理智能体组成,具有较大的灵活性与可扩展性。该模拟系统中路径诱导策略是用户最优策略,交通流动力学由元胞传输模型描述,信号配时由基于元胞的交通控制模型优化。模拟结果表明,实施交通信号控制与路径诱导协同后,路网总行程时间最多可减少41.4%。     

基于智能相机的混合交通流检测方法

针对目前缺乏混合交通视频智能检测设备的问题,利用CCD传感器与DSP芯片构建了智能相机框架体系和硬件原型系统,采用背景初始化、背景模型与前景获取、物体分割、特征提取、多目标识别分类、摄像机参数标定等视频图像处理技术,构建了混合交通流检测软件方法体系,开发了相应的嵌入式算法系统,实现了混合交通流参数检测。在不同交通状态下的测试结果反映了该系统具有良好的性能,可实现混合交通流参数检测。本方法可为混合交通流智能相机的研发提供借鉴和参考。     

混合交通特征表达及快速检测算法

针对混合交通特征表达和分类识别的问题,提出了基于边缘偏心率向量的混合交通视频检测算法。将利用上下文比对获取的边缘信息与图像重心相结合构建混合交通的边缘偏心率向量,对混合交通前景进行了特征表达。再结合极限学习机建立了快速学习机制,实现了快速分类识别,克服了采用支持向量机训练难以达到实时检测的问题。试验结果表明:本文算法中各个类别的混合交通边缘偏心率特征区分明显,识别准确率可达93%以上,且处理速度快,能够满足实时检测的需求。     

交通流诱导与控制协同的双目标优化模型及准最优求解算法

提出了一种基于消散拥堵和系统总出行时间最小的双目标诱导控制协同优化模型,算法引入饱和度的概念,采用小步距微量调整信号配时、试算优化的方法,适当加载或卸载交通量,优化交叉口信号配时,使交通流在不断反馈与不断调整过程中达到最优。采用VISSIM建立模拟路网进行了协同算法试验,并对协同实施效果进行了评价,结果表明:在进行3次协同后拥堵基本消散,经过第4、5次协同能实现系统总行程时间尽可能小。     

基于上游出口检测的公交优先信号控制

针对城市中心区部分主干道受道路条件和交通条件限制不能开辟公交专用道的情况,为了能在这些干道上开展公交优先信号控制,提出在上游交叉口的出口设置交通流检测器,基于实时检测数据对公交车等大型车辆通过下游交叉口停车线的时间区间进行估计,合并所有公交车辆通过下游交叉口停车线的时间区间,形成若干公交车队在交叉口停车线的运行图式,用该图式同交叉口主干道方向信号运行图式比较,决定该方向信号相位的绿灯时间延长或红灯提前结束,以实现有条件公交优先信号控制。交通仿真表明:该方法除使交叉道路上的车辆延误有所增加外,车均延误有所降低,且公交车延误下降幅度较大。