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。     

基于支持向量回归的行程时间预测算法

作为交通规划、运营和通行能力评估的重要指标,行程时间的预测对出行者的路线和时间点的选择,以及交通规划部门的信号控制策略有着重要的实际意义。对于高级交通诱导系统而言,行程时间预测是一项关键的研究内容。现有行程时间预测方法较少,且预测误差较大。为此,运用浮动车和微波雷达测速数据,提出了基于支持向量机解决行程时间预测的方法,并且与历史平均法进行了比较。在杭州市高架路线上的实验结果表明,所提方法的预测精度大幅度超过了历史平均法。     

基于高速公路联网收费数据OD合成及流向数据分析的交通量预测

为了研究高速公路某断面的交通流量,通过对联网收费数据库的出入口刷卡时间、车型数据及收费站地理位置数据进行采集,提出了一种基于收费数据的道路交通流量的计算方法。首先提出了OD数据采集流程与处理,然后论述了OD合成及区域交通流向分析,最后设计了交通量预测方法与模型。该方法可对高速公路的任意断面进行较为高效准确的流量计算,可在交通规划、设计、管理、维修养护以及经济评价等方面。     

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.     

基于计算实验的城市道路行程时间预测与建模

城市道路行程时间预测对于提高交通管控效果具有重要意义. 本文综合应用平行系统、集散波、误差反馈修正、多模型自适应控制及模型库动态优 化策略等方法与技术对间断流行程时间预测问题进行了研究. 首先,介绍了平行系统理论的基本原理及计算实验的基本方法; 然后,给出了基于平行系统理论的路段行程时间的预测模型, 设计了基于集散波的行程时间计算实验方法, 提出了多模型自适应行程时间预测并给出了模型动态优化策略. 最后,通过实验证明了本方法的有效性. 结果表明, 本文方法预测精度较高, 且能够对行程时间预测值进行持续优化, 可为后续的间断流行程时间预测研究提供借鉴.     

基于数据挖掘的高速公路联网收费稽查研究

论文对联网高速公路偷逃通行费现象进行了深入的分析与研究,重点研究了相关数据挖掘算法,在此基础上,利用收费记录中特征字段和偷逃通行费现象之间的关联,分析并设计了用于辅助收费稽查的模型,并使用数据挖掘工具 Weka 实现了对所设计模型的建模与模型应用。模型应用的结果证明预测精度高,对于变档、换卡、出入口车牌不符、U 型车等偷逃通行费行为有很高的稽查性能。     

基于数据挖掘的供热用户分析与决策

对某供热公司累积的大量供热用户收费数据进行分析,通过构建数据仓库和利用数据概化方法建立供热用户数据挖掘模型,使用频繁项集方法产生关联规则,利用决策树算法得出交费时间特征,从而得出不同区域和类型用户的习惯交费时间段。对该数据挖掘模型进行评价,提出的4项收费决策建议在实际应用中取得良好效果。     

混合神经网络挖掘模型在交通流量预测中的研究

交通流量预测是交通控制与交通诱导的关键技术,然而对于实现准确流量预测的可靠知识隐藏在大量的交通数据之中,需要对海量数据进行挖掘以发现潜在流量变化规律.传统的交通流量预测主要依靠专家经验对数据进行类别标记,其预测结果受到专家知识限制的影响较大.为了减轻人为因素的影响,提出一种混合智能数据挖掘的交通流量预测模型.首先利用自组织神经网络(SOM)的无监督学习方式实现海量数据类型特性的自动标识,降低对专家经验的依赖度;其次采用改进遗传算法(GA)优化模糊神经网络(FNN),对标识数据进行学习,建立交通流量预测模型.通过对智能交通系统(ITS)的实际数据进行分析,结果表明本文所提出的数据挖掘方法准确有效,预测精度达到95%,比不使用遗传算法优化提高了近8%.     

基于手机定位的动态行程时间探测

动态交通信息的发布与预测是ITS的关键所在。然而由于在各种外部因素下,道路交通状态呈现出随机变化的特性使得动态交通信息的发布与预测成为一大难点。行程时间和车速的发布与预测是实时动态交通发布与预测的重要指标,也是交通流诱导系统理论研究项目的一个重要环节。所以,这就使动态行程时间的探测这一课题显得尤为重要。结合某城市的实际情况,文中探讨并实践了一种全新的基于手机定位的动态行程时间探测方法,并对其技术路线、关键问题以及难点问题进行一一论述。该方法的最大优势:城市范围内除需要安装几块探测卡以外,几乎无需任何其他投入,从而省去了利用其他技术所需要的巨额安装与维护费用,这一点对像我国这样的发展中国家具有重大的意义。另外,该技术还有安装快、报告的信息遍及整个路网,而不是仅限于预定地点的特点。     

基于行程时间多步预测的实时路径导航算法

针对现有车辆导航算法仅考虑单一数据,使所得路径实际行程时间比预期更长的问题,首先建立了基于卡尔曼滤波理论的行程时间多步预测模型;其次,提出了综合利用实时数据、行程时间多步预测数据及历史数据的实时路径导航算法,并改进了其实现的核心算法Dijkstra_pred.实验结果表明,基于三类数据的实时路径导航算法所得路径的实际行程时间从整体上优于仅采用实时数据的导航算法,且路径变化较少.     

基于稀疏理论的DAE在公路事故伤亡预测应用

准确实现公路事故伤亡人数预测,对于把握我国未来交通安全形势、实现运输系统优化具有重要意义。将基于稀疏理论的深度自动编码器（Deep Auto-encoder）引入公路事故伤亡人数预测,利用公路事故伤亡人数2000-2015年历史数据构建伤亡人数预测模型,得到死亡及受伤人数平均误差率分别为1.69%、1.53%;采用伤亡人数的影响指标汽车保有量、国内生产总值、公路总里程、人均道路面积的同时段历史数据构建预测模型,得到死伤人数平均误差率分别为1.76%、2.13%;对比发现将DAE运用到公路事故伤亡人数预测精度较高,且采用伤亡人数时间序列数据较影响指标预测精度更高,故使用前者对2016-2020年数据进行预测,得出未来我国公路事故死亡人数将在一定时间内保持平稳,而受伤人数将会明显下降。     

基于收费数据的交通拥堵初发点计算

目前,在高速公路发生拥堵后,如何利用海量收费数据快速准确地得到高速公路交通拥堵初发点,仍然缺少满意的解决方案。经过对湖南省高速公路收费数据检索,提取出车辆出入站时刻、行车时间和车型等相关交通特征参数,依据这些参数特点,提出了一种计算相邻两收费站之间的交通拥堵初发点的计算方法。该方法通过选取同路段上的快、慢2种车型建立方程组,然后根据分析收费数据提取相应的变量代入方程组中,从而计算得出拥堵初发点信息。结果表明,该方法可以有效地计算得出相邻两个收费站之间路段上的拥堵初发点位置和初发时刻。对今后出行服务,运行效率评估和交通组织管理等具有重要的现实意义。     

基于Hadoop的高速公路OD数据存储模型和计算方法

高速公路OD数据是高速公路运营管理和状况分析的一类重要数据,如何利用海量的收费数据快速生成并有效管理高速公路OD数据是当前高速公路智能化建设中的一个重要问题.针对高速公路OD数据的种类多、周期长等问题,提出一种基于Hadoop的高速公路OD矩阵存储模型和相应的计算方法.建立统计高速公路车辆旅行时间、统计高速公路车流量两类OD矩阵作为存储模型.通过基于海量真实的高速公路收费数据的实验和传统的存储高速公路收费数据对比表明本文的存储方法相对于传统的关系数据存储,拥有更高效的存储效率并节省了存储空间.     

基于统计预测算法的新型网络性能预警系统

随着计算机网络的迅速发展,网络的规模越来越大和复杂,相应对网络有效管理的要求也越来越高.通过对CHINANET上某个端口网络流量数据的统计分析,提出了一种针对网络流量状态某一时刻的历史信息,利用统计预测相关算法对网络性能进行预警的新方法.能根据不同网络运行状态更及时更准确地预测出网络不同时间段的各种异常情况,有效分析网络运行效率并及时发现瓶颈,为优化网络性能提供了有力依据.     

一种自适应的新型网络性能预警系统

文中提出了一种针对网络流量状态某一时刻的历史信息，利用统计预测相关算法对网络性能进行预警的新方法。该系统能根据不同网络运行状态更及时更准确的预测出网络不同时间段的各种异常情况，有效分析网络运行效率并及时发现瓶颈，为优化网络性能提供了有力依据。     

面向高速公路大数据的短时流量预测方法

针对高速公路传统的短时交通流预测方法适用数据规模小、全网预测效率较低、数据的时空关系被忽视等问题，提出一种结合了K近邻（KNN）模型且面向高速大数据的短时交通流预测方法。首先，对模型的K值和距离度量进行调优，利用交叉验证进行模型参数的对比实验；然后，考虑数据内在的业务时空关联，建模基于时空特性的特征向量；最后，在大数据环境下建立回归预测模型，以最优参数的模型实现预测。实验结果表明，与传统时间序列模型相比，所提方法一次可预测出全站点的流量，单次运行速度快，效率提高了77%，平均绝对百分比误差（MAPE）和绝对百分比误差中位数（MDAPE）均有明显减低，且具有良好的水平扩展性。     

公路联网收费系统网络故障诊断与解决措施探讨

随着社会经济的蓬勃发展,我国的公路系统也越来越发达。网络给公路收费系统带来便利的同时,也带来了危机。本文对公路联网收费系统常见网络故障进行了分析,并提出了相关解决措施。     

车牌识别中的颜色分析

车牌识别在交通系统中有着许多应用。用计算机和CCD摄像头识别出汽车牌照号码的车牌识别系统,已经广泛应用到高速公路不停车收费,车辆检测,停车场监控与管理,路面行驶车辆监控等犤1犦应用中。文章提出了一种在车牌识别中进行颜色分析的方法。这种颜色分析方法可以高效地去除错误的候选车牌区域。     

基于GEP的高速公路通行费预测方法研究

高速公路通行费未来收入状况的预测对于高速公路运营管理、建设规划有着重要的指导意义。然而,通行费收入水平的变化受到多方面因素的影响,具有较强的非线性和复杂性,传统预测模型无法准确表达通行费收入的发展规律。本文针对复杂的高速公路通行费预测问题,建立了基于基因表达式编程算法(GEP)的高速公路通行费预测模型。该模型利用GEP算法建立通行费当前收入与历史数据之间复杂的函数关系,准确地刻画通行费收入随时间的发展规律。此外,针对节假日期间通行费减免政策的影响,提出了有效的修正模型。最后,本文采集了浙江沪杭甬高速公路股份有限公司等12家公司通行费收入的历史数据进行仿真实验,对比传统的ARIMA以及神经网络预测模型,结果充分验证了本文算法的有效性和准确性。     

TollSim: Simulation and evaluation of toll stations

This work presents a stochastic simulation model and experimentation for a toll system developed for a highly concurred highway toll in Venezuela, followed by a discussion of performance and economic indicators. Although mathematical models for resource problems have been developed, their use is not widespread, particularly in developing countries were toll systems are manually operated. The main objective of TollSim is to start building an infrastructure and infostructure to be used in a decision support system for management of traffic related issues in a technologically excluded region. The model was developed using an object‐oriented approach and implemented in MODSIM‐III, SIMGRAPHICSII and SIMDRAW.