面向间断流行程时间预测的浮动车数据挖掘

间断流行程时间预测是交通流诱导系统和交通控制系统研究的一项重要内容。指出传统浮动车行程时间预测模型的局限性,提出一个模糊回归模型,该模型克服了传统预测模型的局限性,考虑了相邻路段交通状态（行程时间）的连续性,仅需要少量数据就可以对间断流行程时间进行较准确的预测。利用杭州市的实测数据对行程时间进行了预测分析,结果证明该模型是有效的。     

基于AF-SVR的城市快速路多源交通信息融合研究

针对单一检测器所得到的交通数据不能够全面准确地反映实际的交通状态,提出一种基于AF-SVR模型的城市快速路多源交通信息融合的方法。首先通过将相同路段中不同检测器的速度数据作为学习样本输入到支持向量机回归模型(Support Vector Regression,SVR)中进行训练。然后利用鱼群算法(Artificial Fish,AF)对支持向量机回归模型中的参数进行优化,获得最优的信息融合模型,用于多源交通信息的融合,输出为能准确反映真实交通状态的速度数据,并用人工采集的速度数据作为真值进行验证。最后将此方法应用于成都市三环快速路路段上的多源交通信息融合,取得了令人满意的结果。     

.基于GIS的城市道路交通流信息发布系统应用研究*

根据基于GPRS/GPS/GSM浮动车交通流信息采集系统实时采集的交通流瞬时速度、路段速度、车辆定位等信息,借助面向对象技术、GIS技术、数据库技术设计、开发了基于GIS的城市交通流信息发布系统,系统采用数据库中的存储过程技术处理海量交通流信息与GIS信息等数据表的多表连接,实现了高效率信息查询,并融合GIS专题地图技术和数据库技术实现浮动车辆历史轨迹动态回放、交通流路段速度查询、可视化显示。开发的系统在天津市部分路段进行试验,系统能稳定、可靠地实现交通流信息发布,并能快速有效查询城市道路交通流信息及识别城市道路网络路况瓶颈,可以辅助交通管理者进行交通管理决策。     

微博客蕴含交通信息的提取

微博客消息中可能蕴含大量描述城市道路的交通信息,如交通状况、交通事件、交通管制等,提取这些交通信息能够为传统的固定式传感器和浮动车采集交通信息手段提供有效补充.然而,微博客消息描述的模糊性、差异性及非结构化特征,使得从海量微博客消息中快速准确地提取和甄别交通信息成为难题.提出一种从微博客消息中快速提取和融合交通信息的技术方法,首先对采集到的微博客消息进行分词解析和路网匹配,然后采用基于神经网络的模糊C聚类方法对描述路段交通状态的微博客消息定量化结果进行分析,获取各路段置信度最高的交通状态描述,最后得到各路段的交通畅通度水平.基于新浪微博客和北京路网的实验过程验证了本文技术方法的有效性.     

混合浮动车交通状态估计的样本数量研究

在保证GPS浮动车获取的交通信息准确可靠的前提下,如何确定浮动车数量是浮动车信息采集技术应用中的一个重要问题。在考虑数据有效性、浮动车运行速度和采样时间间隔等因素的基础上,重点考虑了浮动车样本的混合情况,分析了混合比例系数对样本数量的影响,通过对不同种类浮动车的计算模型进行融合,建立了面向道路网的浮动车样本数量计算模型。仿真实验表明：与前人模型相比,该模型更具合理性,并极大地提高了模型的实际应用能力。     

浮动车车速处理分析系统中的数据融合技术

利用浮动车技术可以方便地获取路网车速,但由于采集的原始数据存在误差等原因,使得处理后的车速不能反映路网实际车速,利用数据融合技术可以解决这些问题。结合数据融合的三个级别,提出利用关联检验的方法过滤误差数据,利用统计车速与历史库车速的融合解决由于浮动车少造成车速代表性差的问题,利用浮动车同固定检测器的融合解决复杂路网下车速的处理问题。     

基于浮动车数据的快速交通拥堵监控

浮动车技术是近年来智能交通系统中所采用的、获取道路交通信息的先进技术手段之一,可作为大规模实时交通监控的数据源.由于浮动车数据规模庞大,从大量移动对象中有效处理流数据是其中一大难点.采用相似轨迹聚类的思想,结合与拥堵特征相关的交通参数,提出了拥堵同伴发现算法.该算法能从浮动车轨迹流数据中筛选出可能发生拥堵的浮动车数据,从而对拥堵区域变化趋势进行概化预测,由预测结果决定负载处理方式.此外,设计基于预测的多优先级调度算法用以实现整个监控流程.提出的方法可有效降低处理浮动车数据的代价,实现快速交通拥堵监控.通过在城市路网中大规模出租车轨迹数据上的实测,验证了这种算法的有效性和优势.     

基于小样本浮动车系统的平均行程时间估计

针对浮动车技术的特性以及低浮动车采样率条件下信号交叉口给行程时间估计造成的影响,提出了一种新的浮动车路段行程时间估计方法。利用感应线圈的流量数据计算出周期内的动态排队长度,根据信号周期内的最长排队长度确定受交叉口影响区域,剔除该区域内的浮动车数据,计算浮动车在区域外的正常行程时间以及区域内的延误时间,最终求得浮动车的路段平均行程时间。仿真结果表明了本算法的可用性,为浮动车行程时间设计提供了参考。     

基于Elman神经网络的交通数据融合模型

介绍了交通数据的概念、采集方法和特性,简单概括了的特点和作用,结合现代交通数据采集手段多样化的特点和交通数据的特性,选取融合参数并提出一种基于Elman神经网络的浮动车和WSN交通检测数据融合模型。详细介绍了模型的组成、功能和基于BP神经网络交通数据融合方法进行了对比分析,并以大连中山路星海街路段为对象,通过实际检测数据和VISSM模拟数据相结合的方法进行了实验分析。     

面向复杂路网低频GPS采样数据新型地图匹配算法

大数据时代低频采样交通轨迹数据呈指数级增长,准确、高效地对复杂路网中产生的海量低频浮动车数据进行地图匹配对出租车载客热点和路线推荐具有重要意义。基于上述考虑,提出了一种基于曲线拟合的改进算法,对缺失的轨迹数据和路网数据分别使用插值和均值化的方法进行补全,利用Geohash技术对路网和轨迹数据进行存储和搜索,充分考虑车辆速度和道路限速因素,使用轨迹点后向向量和路段向量对路候选段进行分析,设计综合评价函数得到最优匹配结果。实验结果表明,与传统垂直投影算法和曲线拟合算法进行对比,所提曲线拟合算法准确率较高,时间效率得到显著提升。     

基于MapObjects的浮动车中心地图匹配综合算法开发

浮动车技术是一种新型交通流信息采集技术。以杭州市浮动车中心地图匹配算法开发为例,对地图匹配算法的实现步骤、组成进行了分析,基于MapObects组件技术,给出了部分功能的具体实现方法。     

基于网络受限移动对象数据库的交通流统计分析模型

网络动态交通流的统计分析技术是目前移动计算及智能运输系统领域的一个重要研究方向.然而,现有的交通流统计分析方法(如基于固定传感器的方法、高空交通流监视方法、浮动车法等)存在着信息量少、数据处理复杂、精确度及效率低下、通信代价高昂等缺陷.为了有效地提高交通流统计分析的效率与精度,提出了一种基于网络受限移动对象数据库的交通流统计分析方法(network-constrained moving objects database based traffic flow statistical analysis,NMOD-TFSA).通过对移动对象所提交的位置更新信息进行联机统计,NMOD-TFSA能够实时地获取交通网络各部分的动态交通参数.由于在数据采集时考虑了道路网络的拓扑结构,NMOD-TFSA有效地降低了通信及计算的代价;此外,NMOD-TFSA所采集的数据能够反映移动对象完整的时空轨迹,因此为数据分析提供了更为丰富的信息,提高了数据处理的精度.实验结果表明,与目前通行的浮动车法相比,NMOD-TFSA有效地降低了通信及计算代价,提高了交通流统计分析的精度与灵活性.     

大型客车影响的双车道多速混合交通流CA模型研究

在对现有经典交通流元胞自动机模型进行总体分析的基础上,结合我国高速公路特点,通过重新标定元胞长度、运行车速、随机慢化机制,制定车道转换规则,构建了周期边界条件下考虑大型客车影响的双车道多速混合交通流元胞自动机模型,并通过计算机模拟分析了速度、密度、流量三参数之间关系,寻找出了大型客车占有率、大型客车随机慢化概率、变换车道车辆数等因素对交通流的影响规律,为合理的组织高速公路交通管理提供了理论依据。     

环状交通流Washout控制及其稳定性分析

针对环状交通流中因车辆加减速度控制不当引起的交通不畅问题,提出基于Washout控制的拥堵抑制方案。利用最优速度函数,建立了环状车流非线性动态数学模型,为降低将驾驶员操作灵敏程度作为依赖变量的不合理因素,采用Washout控制实现系统在其速度平衡点的稳定运行,并通过小增益方法分析了实现系统稳定的控制参数范围。以20辆车组成的环状车流为对象进行了仿真分析,实验结果表明:所提方案能在100s内完全抑制环状交通流的拥堵现象。     

城市快速路实时交通状态估计器的构建

根据城市智能交通系统的实际需要,构建能够实时估计城市快速路上交通状态的估计器。其基本思想是将扩展卡尔曼滤波理论引入宏观流体力学模型,结合快速路上的固定检测设备,实时估计快速路上的交通状态。实例分析结果表明,该模型的适用性和精度都令人满意,可为城市快速路交通控制和诱导提供决策参考。     

new electrosensitive traffic light using fuzzy neural network

In the past, when there were few vehicles on the roads, the time-of-day (TOD) traffic signal worked very well. The TOD signal operates on a preset signal-cycling scheme independent of traffic conditions. It cycles on the basis of the number of average passenger cars to the memory device of an electric signal unit. Today, with the increasing traffic and congested roads, the conventional traffic light creates start-up delay time and end-lag time. A 30 to 45% efficiency in traffic handling is lost, as well as added fuel costs, since it is not optimized for today's traffic condition. To solve this problem, an electrosensitive traffic light using neural fuzzy logic is investigated. This scheme uses an electrosensitive traffic light control, which changes signal based on the passing vehicle's weight, length, and passing area. Through computer simulation, this method has been proven to be much more efficient than fixed time interval signal since the average waiting time, average vehicle speed, and fuel consumption will be improved     

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.