基于改进Newman算法的动态控制子区划分

为了优化现有控制子区划分方法,以区域协调控制为目标,提出基于改进的Newman社团快速划分的动态子区划分方法. 综合考虑路网中相邻交叉口之间的距离、交通流量、行程时间、车流离散特性、信号周期和路段交通流密度等因素,定量分析交叉口关联性;分别计算相邻交叉口的流量关联系数、信号周期关联系数和路段交通流密度关联系数,建立相邻交叉口的总关联度模型;对传统Newman算法进行改进,引入交叉口关联度,依据不同交通特性对区域路网进行动态子区划分;选取实际区域路网,进行模型验证分析. 结果表明：Newman算法子区划分结果不能随着交通特性的改变而改变;与之相比,所提出模型的子区划分结果更加细致,更加符合实际交通流特性,且可以依据不同时段交通特性实现动态子区划分,可以为信号控制方案制定提供良好基础.     

基于Ncut的城市路网交通子区划分方法

针对大规模城市路网下区域性拥堵频发、交通难于管理的问题,提出了基于Ncut的交通子区划分方法。首先使用交通流量和路段速度信息计算交通态势,然后结合交叉口间距离得到动静态结合的关联度指标,最后应用Ncut划分算法对大规模交通路网进行划分,并以子区总关联度最大为目标调整子区边界上的交叉口,使子区内部更为紧密。在真实路网上进行仿真,并经过实验对比与分析说明了该划分方法能把距离近、交通态势相似的交叉口划分到同一子区,并保证子区规模适当、外形良好。     

过饱和状态下城市路网控制子区动态划分方法

过饱和状态下城市路网的控制子区划分是实施高效信号控制的必要基础.根据城市路网过饱和状态下交通流的特点,结合路口饱和度和车辆排队情况,提出了一种路口过饱和状态识别方法,并进一步将过饱和路口划分为三个不同的拥堵等级.在引入路段车辆容量比和路段交通需求影响度的基础上,采用模糊控制算法对相邻路口关联度大小进行计算.基于路口拥堵等级划分与相邻路口关联度提出一种子区分级动态划分策略,并给出一个完整的动态子区划分流程,最后通过算例说明了该控制子区划分方法的可行性.     

交通控制子区动态划分模型

传统的交通控制子区静态划分方法无法适应城市路网交通流的快速变化。针对该问题,研究了交叉口车队散布模型,提出了可协调度的概念以定量描述相邻交叉口间实施协调控制的必要性;在此基础之上,建立了基于超图表示的城市路网模型,并设计了相应的超图划分算法,通过对超图的分割来实现交通控制子区的动态划分。基于北京市二环内实际路网的实例验证表明,该模型在高峰时段和平峰时段下,均能给出高质量的控制子区划分结果。     

基于均衡k 划分的动态子区划分方法

针对交通路网控制子区的划分问题, 提出了基于均衡k 划分的动态子区划分方法。首先建立交叉口和路段权重模型, 将路网抽象成为带权拓扑图; 再针对拓扑图划分的NP 问题, 采用改进的禁忌搜索算法进行优化求解, 同时为降低算法的复杂度设计了一种启发式算法为禁忌搜索算法获取初始近似解; 最后利用路网实际数据与已有方法进行对比分析。结果显示: 以任意子区内节点权重之和最小与连接不同子区的边权之和最小为目标, 可以实现子区划分在宏观意义上的路网类均衡性和微观意义上的区间弱关联性, 进而验证了本文所提算法的可行性和有效性。采用的启发式方法为禁忌搜索算法提供初始近似解, 能够有效降低其复杂度, 提高计算的实时性, 并且利用所提方法划分的子区能够降低路网协调控制的难度, 避免多个高负荷交叉口聚集而影响路网运行效率。     

基于时空轨迹的热点区域提取

轨迹聚类算法可以广泛地应用在交通管理中,利用轨迹聚类算法找出车辆轨迹热点区域对交通部门规划管理交通出行有重要指导意义。目前的轨迹聚类算法多以空间相似性进行度量,不能体现不同时间段的轨迹热点区域划分情况。针对上述问题,该文结合时间因素,提出了一种时空轨迹的热点区域提取算法。首先,对传统的密度峰值聚类算法进行了改进,考虑了计算密度的线性和非线性部分,改进了密度的计算方法;同时,改进了簇类中心的选取方法,能够自动地选取簇类中心;在此基础上,提出了聚类融合算法,过滤了不合适的聚类和多余聚类;最后利用DB检验量来检测提取效果。实验结果表明,相比于传统的聚类算法,本文算法能更有效地提取时空轨迹的热点区域。     

基于马尔可夫过程的路网交通状态预测方法

针对城市道路交通管控对路网实时交通状态信息的需求,首先对交叉口的交通状态进行了界定并划分为4个状态等级,然后以15min为时间间隔,结合历史数据采用马尔可夫过程计算每个交叉口的状态转移概率,并对各个交叉口下一时刻的交通状态进行预测,进而对每个交叉口进行分类并采用综合评价法确定整个路网的交通状态.试验以MAPE为评价指标对已有算法进行对比,结果表明:该方法不仅能够实时地确定每个交叉口的交通状态,同时能够基于不同类型交叉口的预测结果确定整个路网的交通状态,且交叉口平均预测误差为7.04%.     

基于分层控制结构的迭代学习城市交通信号控制

分层控制是大规模城市路网实施高效信号控制的有效手段。根据城市路网规模庞大且结构复杂的特点,提出了一种基于分层控制结构、协调各子区交通状态的迭代学习城市交通信号控制策略。上层利用交通数据,刻画路网内各子区的宏观基本图(Macroscopic fundamental diagram,MFD),基于MFD分析得到子区车辆累积数与流量的关系,并以道路占有率均衡为目标,设计各子区理想的道路占有率;下层基于道路交通流模型,通过迭代学习获得各路口的信号配时方案,使子区内的道路占有率达到上层的要求。提出的分层控制策略使路网内交通流分布均衡,提高路网整体通行能力。Matlab和Vissim的仿真结果与Webster固定配时信号控制的对比显示了该控制策略的有效性和优越性.     

考虑多特性因素的路网交叉口群动态划分方法

基于原有的路径关联性模型,综合考虑车辆离散性、阻滞性和局部路网交通流空间特征规律,建立了相邻交叉口间的路径关联性模型,弥补了初始模型仅考虑单一指标的不足;根据路径关联度模型的计算结果,利用聚类分析对信号控制交叉口群进行了动态划分。案例分析和仿真结果表明:协同考虑多重特性因素的路径关联度模型动态划分交叉口群,可以提高区域信号协调控制效果和车辆通行效率。     

基于改进NJW算法的交通控制时段划分

为了克服人为地对交通控制进行时段划分的随意性和K-means方法本身的缺陷,使用谱聚类算法得到最优的时段划分结果.选择道路交叉口各相位的流量作为聚类数据,以尽可能代表交叉口的状态,识别出动态交通中的不同交通模式.对谱聚类中的经典NJW(Ng-Jordan-Weiss)算法进行改进,得到初始时段划分结果,再进行离群点的修正后,得到给定聚类数目下的时段划分结果.通过Synchro软件为每个时段建立最佳信号配时方案,使用SimTraffic对不同聚类数目下的时段划分结果进行仿真评价,以选择最佳的聚类数目.与K-means方法仿真对比结果表明:提出的方法使得总延误减少了6.8%、停车次数降低了5.4%.     

基于路径旅行时间分析的交通异常检测方法

为了综合考虑连续路段通行能力波动对旅行时间的影响,避免由单一路段通行能力的常规性波动所导致的交通异常误判,提出了一种基于路径旅行时间分析的交通异常检测算法。该算法将深圳市路网网格化为若干个地理子区,以地理子区为单位,使用ST-matching地图匹配算法将深圳市出租车GPS坐标记录点匹配到相应路段,采用基于密度的DBSCAN聚类算法计算路径旅行时间的时变异常阈值,来判定旅行时间的异常。该方法成本低廉,实施难度小,能精确灵敏地检测交通网络异常。     

基于共享邻域的密度峰值聚类算法

针对密度峰值聚类算法在处理分布不均匀数据集时聚类性能不佳且不能自动确定聚类中心的问题，提出基于共享邻域的密度峰值聚类算法(DPC-SN)。首先，考虑数据点的局部邻域信息和数据点间的相关性，根据共享邻域重新定义局部密度；其次，给出了新的决策阈值作为区分聚类中心和非聚类中心的临界值，自动获取聚类中心；最后，在不同分布特征的合成数据集和UCI数据集进行实验验证。结果表明，该算法聚类精度和总体性能优于基于K近邻的密度峰值聚类(DPC-KNN)、原始密度峰值聚类(DPC)、K均值聚类(K-means)和基于密度的聚类(DBSCAN)4种算法。     

基于组合赋权和灰色聚类的一级公路平交口安全评价

公路平面交叉口是公路网交通流的重要转换节点,同时也是交通事故多发的"黑点",及时掌握交叉口的安全状况对预防交通事故,减少交通伤害十分必要。通过对平交口安全影响因素梳理,提出基于道路和环境特性的公路平交口安全评价指标体系,并给出了各指标的模型表达式。利用熵理论和序关系分析方法,组合赋权确定了各指标权重;运用灰色聚类评估方法,对指标体系进行聚类分析,根据灰类将交叉口安全水平划分为5个等级(A-E级)。结合公路平面交叉口的实际调查数据进行实例应用,并与传统的主观评价方法进行对比,结果表明,基于综合赋权灰色聚类评价的交叉口安全等级与传统评价方法有较好的一致性,能反映其实际安全状况。     

基于车牌识别数据的机动车出行轨迹提取算法

为了提取城市路网上所有运行车辆的出行轨迹,系统科学地再现所有车辆的运行场景,进而为分析城市交通需求的结构和时空分布特性提供数据支撑,提出基于车牌识别数据的机动车出行轨迹提取算法.通过车牌及时间戳排序提取出行链;利用相邻节点间的速度,结合交叉口邻接矩阵完成行链的分离;基于K则最短路径算法（KSP算法）及灰色关联法（GRA算法）,对出行轨迹进行补全重构.对贵阳市南明区的实际车牌识别数据进行算法测试.结果表明,提出的基于车牌识别数据的机动车出行轨迹提取算法在测试区域的综合准确率大于92%.     

相邻信号交叉口临界协调间距计算方法

为了计算相邻两交叉口可以划入同一控制子区的最大临界间距,在进口道停车线前布设线圈检测器获取车流驶离图式;基于罗伯逊车队离散模型,建立了下游交叉口车队到达图式与交叉口间距的关系函数;根据HCM2000中对协调控制效益等级的划分,以下游协调相位每周期绿灯期间到达车辆数占到达总车辆数的40%作为临界条件,分别研究了单向协调与双向协调情况下临界间距指标的动态计算方法,该指标与车队流量、信号配时等动态要素密切相关;最后以算例形式对所建算法的应用情况进行了分析.     

基于共享单车骑行轨迹的骑行质量识别方法

基于共享单车骑行轨迹数据,提出了路网匹配以及骑行质量快速识别的方法。首先,以隐马尔科夫模型（HMM）的匹配算法为基础,提出了改进的骑行轨迹数据匹配方法。然后,基于密度聚类算法识别轨迹停驻点集,利用停驻点集的特征以及定位数据规律实现了关键参数的计算,给出了轨迹数据路网匹配的算法流程。最后,利用匹配后的轨迹数据,提出了基于离群检验的路段骑行质量快速识别方法。以北京市某区域为对象进行了案例分析,并通过沉浸式骑行体验和骑行环境调查相结合方式,验证了本文方法的准确性为87.7%。     

考虑能源消耗的城市路网信号优化研究

通过对信号交叉口和路段车辆能源消耗的研究,提出了城市路网能耗计算公式。将路网能源消耗以及最优交通信号设置问题结合起来研究,以路网能源消耗最小为目标,用双层规划方法综合优化信号配时方案,进而得到能源消耗最优平衡网络信号优化模型,以达到最大程度地降低路网交通能耗的目的。在此基础上,给出了描述上述问题的基于免疫选择的自适应繁殖的混沌粒子群求解算法。最后,结合路网各项指标对信号控制优化方法进行分析,通过算例应用证明了方法的有效性。     

基于模糊神经网络交通控制子区动态划分

提出将模糊神经网络方法应用于交通控制子区动态划分,利用神经网络的学习能力自动寻找模糊推理规则,根据实时的交通流量、距离和最佳信号周期,预测输出城市相邻道路交叉口之间的协调系数,根据协调系数大小划分交通控制子区.用MATLAB进行仿真实验,实验结果证实该方法可行,比用BP神经网络方法实现更加快速、有效.     

基于轨迹数据的干线绿波协调控制效果评价

由于干线绿波协调控制方案实施路段的物理与交通特性差异, 在实际交通场景中不同干线协调控制效果难以量化比较。从绿波协调特性出发, 提出了一种基于车辆轨迹数据的城市干线绿波协调控制效果评价方法, 以实现对不同绿波控制方案的评价。首先利用轨迹数据进行方案评价所需的车辆OD 矩阵统计;在考虑协调干线路段内未协调车辆数对干线绿波协调影响下, 利用车辆实际与理想连续通过交叉口数构建干线绿波协调控制评价方法; 最后用VISSIM 进行了仿真验证。结果表明: 该评价方法能够对不同干线绿波协调控制方案进行准确评价, 且在较低轨迹统计车辆渗透率下仍具备可行性。 本文方法有助于绿波协调控制算法的优化与实际应用。     

基于点距离和密度峰值聚类的社区发现方法

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。