高速公路交通流仿真程序包——FRESP

FRESP(FREeway traffic flow Simulation Package)是一种高速公路交通流宏观仿真程序包。它以Pagne 模型为基础,通过改进交通流密度、速度关系曲线,并引入交通流预测模型研制而成。该程序包能较真实地反映高速公路各路段以及匝道附近交通流速度、密度和流量等参数的动态变化和相互关系;预测出各个时刻流出各匝道的交通流量以及整个网络的运行指标。是研究和评价商速公路最优控制策略的有效工具。FRESP 由交通流动态模型和交通流预测模型组成。本文较详细地介绍了这两个模型的原理和结构。     

基于变结构离散动态BN的最优交通路径规划

为了确保城市路网交通流平稳运行和各路段交通流量合理分配,提出了一种基于变结构动态BN的最优交通路径规划方法。该方法考虑驾驶员偏好,按时间序列建立适用于交通路径规划的变结构离散动态BN模型,采用最大似然估计算法和参数的自适应产生算法学习网络参数,用基于时间窗的动态BN近似推理算法中固定窗口宽度方法进行在线推理。结合实例对算法进行仿真,并与Dijkstra算法所得结果进行比较。实验结果表明变结构离散动态BN能利用实时采集到的信息对最优路径进行实时更新,在线决策。     

车路协同环境下基于动态车速的相位差优化模型

针对基于固定路段行驶车速的相位差优化模型在优化双向滤波时存在的不足,本文基于车路协同环境下车辆–信号控制系统双向、实时通信的运行环境,研究并建立了车辆动态速度与交叉口相位差的整合优化模型.首先,基于对上游交叉口流出的两类交通流,即饱和交通流和非饱和交通流运行特征分析,建立了速度与相位差相互影响关系模型,在此基础上,分别针对两种不同的交通流,以干道实时流量与速度乘积最大为目标,考虑初始排队清空时间,可变速度范围,和相位差取值空间等约束条件,建立了车辆速度与相位差的动态优化模型,从而实现干道交通流不停车通过量最大且延误最小的目的.最后,对比分析了本文模型与经典Maxband绿波优化模型及Synchro软件的信号协调控制优化方案,结果表明,相比其他两种典型优化方法,本文模型能显著提高双向绿波带宽并大幅减少停车次数,提高协调控制的效益.     

基于CNN-XGBoost的短时交通流预测

为准确预测短时交通流,缓解交通拥堵提高交通运行效率,提出一种基于CNN-XGBoost的短时交通流预测方法。结合短时交通流数据的时间相关性和空间相关性,将本路段和邻近路段的历史数据一同作为输入进行预测。利用卷积神经网络(convolutional neural networks,CNN)实现特征提取以减少数据冗余性,提出一种参数经果蝇算法优化的XGBoost模型用于交通流量预测。实例验证结果表明,CNN可对时间和空间结合下的交通流数据进行有效特征提取;相比SVR、LSTM等模型,改进的XGBoost模型下的交通流量预测误差明显减小。     

基于粗糙神经网络的交通优化控制模型

在运用粗糙集理论对路网节点所测得的历史交通流量进行量化分析的基础上,基于神经网络自学习的能力,研究了实时动态交通流的模型结构并给出了交通流优化控制方法。首先,针对交通流优化控制的影响因素过于庞大的问题,采用粗糙集理论对其进行量化分析,建立了规则简化的数据清洗模型;然后,在此基础上利用以新的流量时间序列和原来的流量时间序列分别作为模型的输入和输出,构造出交通流量预测的人工神经网络模型并且加以训练;同时给出基于粗糙神经网络模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型;最后,用某交通观测站的实际网络流量对该模型进行验证。仿真结果表明,该模型具有较好地预测效果。     

基于两级筛选机制及深度学习组合模型实现短时交通流预测

准确实时的短时交通流预测对现代交通管理服务体系的构建至关重要.为了充分挖掘并利用不同路段短时交通流交互作用而表现出的时空特性,构建由自相关函数、互相关函数和KNN算法组成的两级筛选机制评估与目标路段的相关性优化路段组合,实现空间信息深度挖掘;提出一种GCN-GRU组合预测模型,利用图卷积网络(GCN)全局处理路段拓扑信息的优势进一步捕捉短时交通流的空间特性,并借助门控循环单元(GRU)对时间信息的长时记忆能力提取其时间特性.利用实测高速公路短时交通流数据进行验证,仿真结果表明,采用两级筛选机制对路段进行有效筛选并引入深度学习组合模型,预测性能明显改善,优于堆栈式自编码网络(SAEs)和GRU等经典模型.     

微观交通再现仿真系统研究与开发

为了再现过去某段时间的交通状况,提出一个微观交通再现仿真系统,主要由车辆生成模型、OD分配模型和车辆初始分布模型组成。仿真系统对车辆仿真进行了再现分析,能够有效展示各路段上的交通流量、车辆密度、车辆的行驶速度,真实再现路段上的交通流状况。选取上海市中环路的实际采集数据进行仿真验证,结果表明微观交通再现仿真系统真实再现了交通流的时空变化。应用该系统能够为交通道路规划与管理提供技术支持,并能对各种交通参数进行比较和评价。     

基于精确传感网络的智能交通系统交通流模型

首先介绍了基于精确传感网络的智能交通系统(ITS)相对于传统交通流传感器网络的优势;然后基于组合预测理论对这类网络的基本交通流模型进行了研究,在模型中引入了更加精确的交通流物理量,包括旅行时间、路段上游及下游的分类交通流量等变量,使所建立模型的可解释信息量更加丰富和易懂,该模型算法为动态算法。交通实测数据实验证明模型的拟合精度较高,拟合值与真值的平均绝对误差值控制在9s以内,平均相对误差值控制在5%以内,综合各个时段来看,预测的准确度都在90%以上。最后总结了基于精确传感器网络的智能交通系统在实际交通应用中的重大价值。     

基于直线型反λ基本图的交通流分配模型及算法

针对现有交通流分配理论难以处理路段拥挤状态的问题,以直线型反λ交通流量、密度和速度基本关系图为基础,提出了给定路段交通状态下的静态交通流分配新方法。首先通过分析基本关系图,得到两阶段的路段行程时间函数;其次,通过引入路段交通状态指标量,构建节点流量守恒方程,建立了系统最优和用户均衡交通流分配模型;最后,针对非凸的用户均衡模型,通过线性化目标函数中的非凸项,设计了一种有效的分支定界求解算法。数值算例验证了新模型和算法的有效性;新理论扩展了现有路段行程时间函数过于片面的单调递增特征假设,可有效处理路段拥挤状态,提高现有理论的实用性。     

智能交通信息物理融合云控制系统

针对现代智能交通信息物理融合路网建设中的对象种类复杂、采集数据量大、传输及计算需求高以及实时调度控制能力弱等问题，基于云控制系统理论，以现代智能交通控制网络为研究对象，设计了智能交通信息物理融合云控制系统方案，包括智能交通边缘控制技术和智能交通网络虚拟化技术.基于智能交通流大数据，在云控制管理中心服务器上利用深度学习和超限学习机等智能学习方法对采集的交通流数据进行训练预测计算，能够预测城市道路的短时交通流和拥堵状况.进一步在云端利用智能优化调度算法得到实时的交通流调控策略，用于解决拥堵路段交通流分配难题，提高智能交通控制系统动态运行性能.仿真结果表明了本文方法的有效性.     

基于信号控制的城市路网旅行时间计算模型

交通控制信号对交通流的影响是干扰实时交通数据计算准确性的重要因素。为此,提出一种基于信号控制的城市路网旅行时间计算模型。将城市道路的旅行时间分为2个部分,即路链有效旅行时间和路口延误时间,设计改进的信号控制延误模型用于计算路口延误时长,并给出路链合并算法。实验结果表明,该模型起点到终点的旅行时间误差率能降低5%~15%。     

基于O-D矩阵估计的路网交通流量仿真模型

为了将交通出行需求对路网交通流量的影响进行动态的量化分析,提出了一个基于O-D矩阵估计的路网交通流量仿真模型。利用O-D矩阵估计的重力模型计算方法、复杂网络理论和路段阻抗模型,构建了路网模型;在人们出行总是选择路段阻抗最小路径的假定下,设计了出行需求的路网流量映射算法;基于离散事件仿真,在PC系统上实现了路网流量仿真系统。仿真结果表明：该仿真系统可以根据各交通子区域出行需求的变化,精确模拟路网流量和交通状态的动态演进。     

动态网络环境下的实时路径评估模型

针对现有研究工作在处理动态网络环境下车辆路径问题时的缺陷,设计了一个动态网络模型,并在此基础上提出了一个实时路径评估模型。该评估模型利用道路条件和实时获得的交通信息对网络中的各条道路进行动态评估,并根据评估结果对未走的路径进行动态调整,已用于解决动态车辆路径问题。仿真实验对3种不同的路径评估模型进行了比较,结果表明,所设计的实时路径评估模型能有效地求得动态网络下车辆路径问题的优化解,是求解该问题的一个好的方案。     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于蚁群算法的动态用户均衡配流

在路网中,为了使用户的出行时间降到最低,提出一个适用于多OD对的路网的动态用户均衡离散模型,并应用蚁群算法求解动态用户均衡问题.通过设计一个算例,利用仿真得出路网中的流量分配数据,并和二次规划Frank-Wolfe算法求解的流量分配数据进行比较,最后得出蚁群算法在求解动态交通用户均衡问题时具有一定的优势.     

基于层次颜色Petri网的交通紧急调度算法与建模

针对城市交通网络中紧急车辆在行驶区段中如何较快地到达终点的问题,提出了一种基于Petri网的交通紧急控制策略模型。利用Davidson函数中行驶时间与交通流之间的对应关系,得出紧急车辆在道路上的最短行驶时间,并将其作为权重,运用Dijkstrsa算法进行最短路径寻优;采用紧急信号灯控制策略对最短路径上的交叉口信号灯进行了调整,减少紧急车辆在交叉口的延滞时间,并运用Petri网理论,建立紧急车辆在交叉口的紧急信号灯控制模型。为了描述紧急信号灯控制策略的动态行为特性,将其各部分关键要素分别设计为相应的Petri网子模型。通过模型的一个仿真实例,进行了紧急控制策略与普通策略的实验对比,实验结果表明前者可以对紧急车辆的到达时间进行优化。     

信号控制下的动态路段行程时间模型

通过对车辆在路段上所处的状态不同,将路段行程时间划分成多个组成部分,并分别研究各部分的计算模型,提出一种新的动态路段行程时间模型。这种新的模型计算简单,能够适用于实际交通网络中对动态路段行程时间进行预测计算。通过算例的分析表明,在信号灯的控制下,车辆的动态行程时间是一个间断函数,其不仅仅与路段流量有关,还与该车辆进入路段的时刻以及控制信号设置有很大关系。      

视频检测技术的交通时间预测实证研究

为了实现利用视频车辆检测器数据计算和预测路段行程时间,将排队长度数据应用到路段行程时间的计算中,采用改进粒子群的BP神经网络算法和时间序列分析对路段进行实证研究.将排队长度加入计算得到的决定系数为93.36%,比只有流量数据的BP神经网络算法改善了41.03%,比BPR（bureau of public roads）路阻函数算法改善了23.37%.利用实时的路段行程时间对后续行程时间预测通过时间序列分析得到相对误差为0.06,预测下个时段和下个周期的路段行程时间平均相对误差分别为0.14、0.15.结果表明排队长度对于路段行程时间的计算具有较高的准确性,可以用于城市道路交通时间的预测,并能有效为智能交通算法的其他指数计算提供思路,为改善交通状况提供决策支持.     

基于简化路网模型的城市实时路况监控方法

在城市实时路况监控中, 因交叉路口延误时间的采集困难、计算模型复杂, 导致路况判别失准。针对该问题, 提出了一种基于简化路网模型的实时路况判别方法。该方法通过在道路通行数据采集时将各种类型的交叉口都抽象为一个节点, 并将在交叉口的延误时间计入相连道路的通行时间, 然后在监控时针对不同类型节点进行反推计算, 获得普通道路、环道以及立交桥的路况状态, 实现实时监控。最后通过对城市实时路况监控的仿真实验验证了方法的有效性。