多分类器组合的交通拥堵预测模型研究

交通拥堵已成为制约城市经济和社会发展的"瓶颈",针对影响交通拥堵因素多的特点,在分析单分类器与Bagging类算法的基础上,提出一种基于多分类器组合的交通拥堵判别方法.通过分析交通流参数,同时充分考虑与城市路况相关的环境因素,得出城市道路的拥堵预测模型.仿真结果表明,它能够有效地判别道路拥堵的状态变化,比不考虑环境因素影响时能够获得更高的识别率和较低的误报率.     

基于粒子群的模糊神经网络交通信号控制

针对城市交通流的特点,提出了一种单交叉口多相位模糊神经网络交通信号控制模型,并采用全局优化的粒子群算法优化模糊神经网络参数.仿真结果表明该算法能够有效减少交叉口车辆平均延误时间,提高道路通行能力.     

城市交通拥堵自动判别方法研究

利用检测器所提供的车流量、车速和占有率等相关信息，本文提出了基于LVQ神经网络的交通拥挤自动判别方法．该方法能够在确认交通拥挤出现的同时，根据拥挤状态下交通流特性的差异，判别交通拥挤的类型，为交通拥挤的疋时疏散提供准确的道路信息。仿真结果表明，该算法比传统的检测方法具有更高的检测率和较低的误报率，能够对道路交通状况进行自动检测．具有一定的现实意义。     

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。     

基于粒子群优化的神经网络短时交通流量预测

基于短时交通量的不确定特性,对城市相邻交叉口路段的交通流建模方法进行了研究.提出了基于粒子群优化的BP神经网络的信号交叉口交通量预测模型.该模型以BP神经网络为基础,用PSO算法对BP神经网络权值和阚值进行优化,从而提高了网络的预测精度.实时预测时,不只考虑本路口前几个时段交通量,同时也考虑了上下游路段的交通量的影响.仿真结果表明,粒子群-BP神经网络预测模型可以成为交通量预测的一种有效手段.     

基于YOLOv3的城市公路交叉口车道拥堵实时判别算法实现

针对城市道路交叉口拥堵场景中,传统路面传感器难以准确判别拥堵路况、无法准确设置红绿灯配灯时间、导致交通堵塞情况无法缓解的问题,提出基于YOLOv3算法的城市公路交叉口车道拥堵实时判别算法。对比传统基于图像背景差分的交通拥堵检测方法,基于YOLOv3的深度学习车辆目标检测方式具备检测准、速度快优势,在此基础上结合车道区域内交通特征参数,实现了一种新的车道拥堵实时判别算法。实验结果表明:提出的车道拥堵实时判别算法能准确判别车道拥堵,判别率高、速度快,与仅采用传统图像背景差分法提取车辆目标进行拥堵判别方法相比优势明显。     

基于概率神经网络的高速公路事件检测

针对高速公路事件检测这一非线性分类问题,提出一种基于概率神经网络的事件检测方法。阐述了概率神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了概率神经网络的输入量,用高速公路管理部门提供的样本数据进行了仿真研究。仿真实验表明,基于概率神经网络的事件检测方法具有学习速度快、泛化能力好、检测准确率高等优点,具有良好的应用前景。     

考虑边界交叉口交通拥堵的反馈阀门控制

基于路网宏观基本图(macroscopic fundamental diagram, MFD)实施城市区域交通控制时,为了防止边界交叉口受阻方向的车辆排队长度过长,同时提高路网内车辆完成率,提出了考虑受控区域边界交叉口交通拥堵状况的交通流反馈阀门控制方法,通过对边界控制阀门处路段存放车辆富余空间的分析,提出了阀门交叉口位置和数量选择模型;针对可能造成的阀门交叉口交通拥堵,提出了受控区域边界拥堵交通流分配算法,也即通过提前调节阀门上游交叉口的绿灯时间,把部分交通流提前控制在其它相邻上游交叉口.通过实际路网仿真,结果表明该方法可以有效控制阀门交叉口的车辆排队长度,降低阀门交叉口车辆平均延误时间和平均停车次数.     

采用Hough变换的道路边界检测算法

基于计算机视觉的路况信息识别是当前智能交通领域的热点课题,对道路边界的检测能够有效去除路况图像中与路况特征无关的大面积区域,是提高路况信息获取实时性的关键技术之一,提出一种适用于一般场景中直线道路和弯曲道路的边界检测算法.该算法采用直方图均衡和Otsu二值分割增强道路边界特征,使用均值滤波降噪和二值形态学方法获取特征边界,最终利用分空间的Hough变换方法实现道路边界检测.实验结果表明,该方法能够准确地检测道路边界线并进行道路区域分割,为后续的路况分类工作提供了有效保障.     

一种基于序贯Monte Carlo算法的交通事件重构方法

为了能准确地重构出当前道路场景中的交通流事件,需要合适的模型与方法以及能够代表交通流状态的实时数据。基于交通流非线性非高斯的特点,提出了一种基于序贯Monte Carlo方法的交通流堵塞事件重构模型。提出的模型能够不断的同化真实道路上实时的传感器数据使仿真中的交通流状态与真实路况不断接近。通过分析仿真数据推测出当前真实道路上的堵塞事件及其相关属性,并据此在仿真环境中模拟堵塞,进而实现对真实道路上堵塞事件的重构。理论研究和实验结果表明该模型能够根据重构结果评估当前的道路状况,合理推测引起拥堵的位置与堵塞范围。     

面向实际道路网络的浮动车采样间隔优化方法

目前基于浮动车的城市交通信息采集通常采用等间距进行采样,无法根据道路网络几何条件和状态的差异进行合理的采样间隔优化.针对现有采样算法的不足,本文提出了一种面向实际道路网络的浮动车采样间隔优化方法.首先通过构建四叉树模型对城市道路网络进行划分,确定空间采样分辨率,然后利用历史轨迹对浮动车的速度进行短时预测,最后在不影响空间采样分辨率的基础上实时动态优化采样间隔,在交通信息的精度与信息的采集成本之间取得平衡.通过仿真试验的定性定量分析,新算法能够在不同复杂程度的道路网络情况下动态调整采样间隔,不仅确保了采样数据的精度,而且降低了采样数据容量.     

基于粒子群K均值聚类算法的电梯交通模式识别

针对传统方法存在的缺点,提出一种基于粒子群K均值聚类算法的电梯交通模式识别方法.该方法通过对此前一周的原始客流数据进行聚类分析,得到相应交通模式的聚类中心坐标.针对实时变化的交通流数据,采集5min时段客流数据,根据最近邻原则划分其归属的聚类中心,从而识别出当前的交通模式.仿真实验表明,该方法能对电梯交通模式进行有效识别,实时性较好.     

离群点挖掘技术在交通事件检测中的应用

交通事件的检测与确认是交通事件管理中的首要问题。基于线圈和视频数据的检测方法由于成本高,检测效果不明显,在实际应用中受到限制。提出了一种基于离群点挖掘的交通事件检测算法。该算法通过使用浮动车（floatingcardata,FcD）技术得到路况信息,并提取交通事件特征,建立特征向量。算法简单、高效、易于部署。实验结果表明,同模式识别方法相比,该算法具有较高的准确度,能有效区分常规拥堵与交通事件。     

浮动车信息处理系统关键技术的研究

本文介绍了智能交通领域中一种先进的交通信息采集发布系统-浮动车信息系统。浮动车使用GPS车载装置采集车辆的行驶参数(如时间、速度、坐标、方向等),并将这些数据通过GPRS网络传送到浮动车信息中心,经过汇总、处理后生成实时的路况交通信息,并通过互联网和GPRS、CDMA网络向公众发布。本文提出了浮动车信息处理的核心算法模型,主要包括地图匹配、路径推测和道路路况计算三部分,并分别对这些算法进行了详细描述。     

基于时空分析的地图匹配算法研究

地图匹配技术被广泛用于GPS导航、城市道路交通状态分析等领域。针对目前城市浮动车数据量日益庞大,地图匹配算法实时性差、匹配率不高的缺点,提出了一种基于时空分析的地图匹配算法。算法在对城市路网建立网格索引的基础上,综合考虑了空间几何、路网拓扑信息及上下文因素对选取GPS投影点的影响,大大提高了匹配效率和匹配精度。实验结果表明,算法能够满足工程应用中浮动车地图匹配的实时性和准确性。     

Urban traffic congestion estimation and prediction based on floating car trajectory data

Traffic flow prediction is an important precondition to alleviate traffic congestion in large-scale urban areas. Recently, some estimation and prediction methods have been proposed to predict the traffic congestion with respect to different metrics such as accuracy, instantaneity and stability. Nevertheless, there is a lack of unified method to address the three performance aspects systematically. In this paper, we propose a novel approach to estimate and predict the urban traffic congestion using floating car trajectory data efficiently. In this method, floating cars are regarded as mobile sensors, which can probe a large scale of urban traffic flows in real time. In order to estimate the traffic congestion, we make use of a new fuzzy comprehensive evaluation method in which the weights of multi-indexes are assigned according to the traffic flows. To predict the traffic congestion, an innovative traffic flow prediction method using particle swarm optimization algorithm is responsible for calculating the traffic flow parameters. Then, a congestion state fuzzy division module is applied to convert the predicted flow parameters to citizens’ cognitive congestion state. Experimental results show that our proposed method has advantage in terms of accuracy, instantaneity and stability.     

基于路网相似性的路段行程时间估计

虽然浮动车GPS数据量很大,但是在某些时段,仍然有一些路段缺少实时浮动车数据,从而难以对行程时间进行估计。针对实时浮动车实时数据在估计路段行程时间时存在数据缺失的问题,本文提出了利用路网间属性和空间结构的相似性,从浮动车历史大数据中提取相似路段之间的时空关联特征,以目标路段与相似路段间的时空关联关系为输入,目标路段行程时间为输出,利用构建的三层神经网络模型进行数据缺失路段的行程时间估计。实验结果表明,路段行程时间估计值的平均绝对百分比误差可达到30%,与Naive Model相比具有较好的估计精度,验证了从路网相似角度解决实时数据缺失的可行性。     

结合Isomap与K均值聚类算法的交通时段划分研究

为避免在城市交通多时段定时控制中人工时段划分方法所带来的主观性、片面性,以提高工作效率,结合流形学习算法中的等距映射算法和K均值聚类算法,提出了一种时段划分新方法。给出一组实测数据,假设它是一个存在于高维数据空间中的低维流形;利用等距映射算法,找出它的内在维数,将数据约简;根据约简后的样本点分布情况,利用K均值聚类算法聚类,划分交通时段。实验结果表明,此方法划分交通时段准确高效,并有效地避免了人工划分方法的主观性。     

使用层次型结构模板和神经网络方法进行汽车牌照识别

汽车牌照自动识别是一个具有重大实际意义的课题。广泛应用于道路交通流量监测、交通违章自动记录、高速公路自动收费系统、车库自动收费管理等方面，本文以宁波北仑港保税区的车辆管理系统作为研究背景，在研究过去的车辆汽车牌照自动识别算法的基础上，开发了基于层次型结构模板和神经网络方法的图像汽车牌照识别方法，有效地提高了识别率。     

动态路径优化交通流控制及其仿真实现

依托分布式数据库,实时采集GPS浮动车数据,通过聚类分析等算法实现数据优化及异常筛选,从而降低数据传输、存储和计算消耗。结合GIS系统及实例,探索动态特征交通流等优化交通构造的新模型,并仿真实现基于改进平均速度加权算法的交通流状态判定,以及基于改进图论路径选择算法的实时城市道路通行分析,最终通过信息反馈指引车辆在路网中的分布以减轻交通压力。