交通流实时预测的混沌时间序列模型

针对城市交通流普遍存在的混沌特性,介绍了一种改进的加权一阶局域预测模型,并将其应用于交通流实时预测中。为了进一步提高算法的精度与速度,对最优邻域的点数进行动态选择,通过改进,使之成为一种鲁棒性强、预测精度高的实时预测算法,并能有效地用于短时交通流的预测问题中。仿真结果表明:该算法完全满足实时交通流预测的需要,为交通信号智能控制和交通流诱导奠定了坚实的基础。     

基于BP神经网络的高速公路动态交通流预测

以高速公路交通流预测为研究对象,建立了基于BP神经网络的参数动态修复交通流预测模型。以高速公路宏观动态交通流模型为原型,利用分段辨识法分析了高速公路交通流特性。对BP神经网络层数和神经元的确定,以及转移函数的优化选择进行了深入研究,并给出了基于BP神经网络交通流预测模型的建模方法。对西宝(西安-宝鸡)高速公路交通流实时数据进行了采集、建模和仿真。通过仿真结果与实际结果比较,验证了该模型具有较高的可信度。     

交通事故智能预测系统

利用人工神经网络的方法,建立了交通流模型,并结合V isua l C 与M ATLAB的软件设计技术,提出了交通事故预测系统的软件设计方案。     

基于交通仿真的高速公路隧道入口交通流实时行车风险模型

高速公路隧道入口是事故多发区域,其路段交通流行车风险评价很有必要。该文确定了以平均风险水平作为风险的衡量标准,引入表征交通流行车风险的三个宏观交通指标,通过仿真试验回归建立了多元线性模型,并提出了模型的风险评价标准。     

基于模式识别的短时交通流预测

实时准确可靠的短时交通流预测是智能运输系统的基础,有很多种方法被用来对交通流进行预测.基于模式识别的交通流预测方法是较新的预测方法之一.提出一个用于短时交通流预测的模式和对应的模式识别算法,并对城区道路的交通流做了实验预测,结果表明在趋势上较为准确.     

基于监控数据的高速公路实时事故风险模型

近年来,高速公路事故发生率高居不下.同时,对于高速公路而言,其交通流检测器安装又较为普遍.因此研究如何深入挖掘交通流检测数据以实现对高速公路事故风险实时预测很有必要.基于美国加州2012年发生事故最多的4条高速公路I5,I10,I405和I15的全年事故数据和交通流数据,以病例对照基本思路选取事故组和对照组数据,选定交通流数据研究范围,并选用ADASYN算法处理不平衡数据集问题.基于随机森林模型,利用事故发生前10~40 min内的事故地上游4个检测器、下游2个检测器的3种基本交通流数据构建高速公路实时事故风险模型,事故预测准确率可达到88.02%.选取重要性前十的变量作为事故重要诱导因素,对事故重要诱导因素进行调值,将调值后的测试集放入之前构建的随机森林模型进行分类预测,结果显示减少了41.82%的事故,故可认为利用事故重要诱导因素可进行事故先兆预警工作,从而减少事故的发生.      

融合多相关收费站数据的高速公路交通流预测

经济间的紧密联系使城市群区域间多相关收费站交通数据间存在空间关联,准确描述该联系对提升高速公路交通流预测的精度具有积极作用。然而,由于受诸多不确定性的影响,该关联性难以捕捉和量化。针对这一缺陷,该文提出一种ATGCN-Res GRU深度学习高速公路交通流预测方法。通过结合注意力机制构建高、中、低注意度的3个GCN拓扑网络,并根据各个网络的注意度加权获得空间学习数据,将多相关收费站的联系进行量化和分级;同时,为了避免过平滑问题,将两个GRU(Gated Recurrent Unit)模块通过残差连接,进一步提升算法捕捉时间规律的能力;最后,使用特征融合层和全连接层输出预测值。利用该算法预测广东省某高速收费站的交通流量,试验结果表明：该文提出的方法能够有效提升预测精度,与经典模型多元集成CNN-LSTM、CNN-Bi LSTM和DL-SVR相比,平均绝对误差(E_MAE)分别减小了7.95、4.52、12.88,均方根误差(E_RMSE)分别减小了12.03、6.12、19.05。     

基于相空间重构的短时交通流预测研究

短时交通流预测在城市交通控制和管理中起着十分重要的作用。本文通过分析短时交通流量数据在时间序列上的特点，引入混沌理论的分析方法，从非线性时间序列预测的角度对交通流量预测进行了研究。通过计算交通流系统相空间重构参数，给出了一种基于相空间重构理论的局部预测方法，对城市道路路段交通流量进行短时预测，取得了较为满意的效果。     

基于神经网络的交通事故预测

提出了交通事故预测的新方法－改进型BP神经网络，运用该网络对我国交通事故进行了预测分析。     

基于CA模型的交通事故叠加风险量化分析方法

考虑多种风险因素的共同作用,探讨了多风险因素叠加作用下的交通事故风险量化方法.在交通事故风险因素分类和基于事故统计数据的交通事故风险量化分析的基础上,将分心行为(手机通话)、违法行车(超载)、不利环境(雾霾天气)3种风险因素加入到基于N S模型规则的元胞自动机(CA)模型中,通过设定危险情境,量化了各风险因素组合下的交通事故风险,然后利用多因素方差分析方法计算了多风险因素下各风险因素组合的叠加作用所产生的交通事故风险.仿真结果表明,驾驶员手机通话时的事故风险是没有手机通话时的14倍,同时,当雾霾天气因素与手机通话因素同时作用时,出现了显著的叠加作用,产生的叠加风险约为雾霾天气单独作用所产生风险的2倍,表明了多风险因素下交通事故风险具有非线性叠加性.     

高速公路交通事故交通流辐射分析与仿真研究

针对目前我国高速公路2次事故多发的特点,从初次交通事故交通流辐射分析入手,阐述高速公路交通事故影响范围和影响时间的分析方法.建立基于TransModeler微观交通仿真平台的交通事故辐射分析模型,对其中一种紧急事件的交通流辐射范围进行实例分析.本模型可为交通事故或其他突发事件的信息发布、预警提供信息与决策支持,从而达到...     

高速公路交通流数据检测技术

结合应用实践,介绍了现代交通流检测技术——视频检测技术、磁映像技术、橡胶气压管传感器技术和远程微波传感器技术的工作原理及在高速公路交通流检测中的应用,对每种检测设备的适用条件、安装要求进行了详细论述。并以MetroCount 5600车辆分型统计系统的Traffic Executive交通量管理软件为例,对高速公路的交通流参数关系进行分析。实践证明,以上4种检测技术能为高速公路交通流特性研究提供所有交通流参数,为高速公路交通流特性研究提供有力的数据支持。     

高速公路交通事故救援路段安全设施设置方法

阐述高速公路交通事故救援路段的危险性,提出一种基于读取距离、反应距离、行动距离、视认距离、消失距离等参数的安全设施设置技术方法。使用该方法可有效提高交通事故救援路段安全设施的辨识度和可视性,大大降低该区域交通事故的发生概率,同时还可提高高速公路交通安全的可靠度。     

交通流量的递归神经网络实时预测模型研究

智能交通系统是目前世界上公认的解决城市交通拥堵问题的有效措施,实时、准确的交通流量预测是智能交通系统实现的关键技术之一。提出一种基于递归神经网络的交通流量实时预测模型,这种预测模型通过联系单元对神经网络的输出进行反馈,因而具备动态记忆能力,可以实现对交通流量的快速、准确预测。应用实例验证了所提出的递归神经网络预测模型的有效性。     

高速公路交通生成预测的改进灰色马尔可夫模型

高速公路交通生成预测是进行高速公路网规划不可缺少的环节,传统的预测方法需要考虑人口、土地利用等因素,过程显得极为复杂。而灰色预测模型可以在基础资料缺乏的条件下可建立模型进行预测,但对于高速公路交通生成量这一类随机性、波动性较大的数据,使得拟合较差,预测精度降低。针对这些不足进行改进,提出改进的灰色马尔可夫预测方法。最后将该预测模型应用于高速公路网规划交通生成预测中,取得了良好的效果。     

山区高速公路交通事故特征及防控体系研究

以山区高速公路典型路段八达岭高速公路进京方向55km至50km路段为研究对象,以近几年交通事故统计资料为依据,结合理论研究和实地考察,深入分析了该路段重特大交通事故特征及成因,提出亟待解决的实际问题,验证了改善措施的实施效果,进而形成山区高速公路重特大交通事故防控体系。     

基于ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型

电子不停车收费（electronic toll collection,ETC）门架系统为节假日高速公路短时交通流预测提供了数据支撑。针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制（attention）和双向长短期记忆（bidirectional long/short-term memory,BiLSTM）神经网络组成的Attention-BiLSTM（A-BiLSTM）组合模型。通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率。在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能。采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证。实验结果表明：①相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差（root mean square error,RMSE）分别降低了73.3%和49.1%,平均绝对误差（mean absolute error,MAE）分别降低了76.0%和56.3%,预测效果好,可应用于实际的交通运营管理。②相比于未引入注意力机制的BiLSTM,A-BiLSTM组合模型的RMSE降低了41.9%,MAE降低了46.0%。③A-BiLSTM组合模型在5 min的时间粒度下表现最好,与输入数据时间粒度为10,15 min情况下所构建的模型预测误差相比,RMSE分别降低34.5%和42.1%,MAE分别降低39.9%和46.3%。     

机场货运交通量预测方法研究

该文首先分析了机场货运交通的特点,针对这些与常规交通预测不同的特点,构建了机场货运交通预测模型,模型中不但考虑了机场货邮吞吐量,而且考虑了货运业务的客运需求。最后,以深圳机场规划为例,进行了货运交通预测。     

交通量预测的神经网络集成方法

首次将神经网络集成技术引入交通量预测。神经网络集成通过训练多个神经网络并将各网络输出进行合成,可显著提高学习系统的泛化能力。在Boosting和Bagging集成方法的基础上,提出基于分治策略的神经网络集成方法,并且讨论了网络权重分配算法。使用上述三种神经网络集成预测模型,对苏州某交叉口实时交通量进行预测,预测结果比较理想,优于单一神经网络预测方法。实验表明,神经网络集成用于交通量预测是有效可行的。     

基于慢变量的交通客流预测模型

从影响交通客流分布的最主要因素——人口、能耗、区域面积出发,提出交通质量的概念,并基于它提出了新的交通发生(吸引)模型,参照万有引力定律对重力模型进行了改进。用实例将预测模型与传统的预测模型相比,说明模型的可行性和有效性。