基于联网收费数据预测行程时间的实现

高速公路海量的联网收费记录汇聚了很多极具价值的交通信息,利用数据挖掘方法,实现收费数据的增值利用具有重要的理论与应用意义。行程时间是交通规划与管理中的一项重要基础数据,以往行程时间的预测方法依赖于交通调查与检测数据,数据采集成本很高。本文以决策树理论建立起利用联网收费数据预测行程时间的思路,并借助SQL2005提供的数据挖掘功能,建立起数据分析系统,实现利用联网收费数据进行OD行程时间的预测。     

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。     

VMS行程时间诱导效益分析仿真系统

利用可变情报板(VMS)发布行程时间信息是缓解交通拥挤的有效手段,提出了一种VMS行程时间诱导效益分析仿真系统,并对仿真系统进行设计与开发。运用该仿真系统对两起点两终点的路网进行建模仿真,仿真结果表明,VMS行程时间对于应对交通事件(如需求激增)引起的拥挤作用显著;驾驶员的信息关注率值越大,路网运行效益改善率越明显。研究旨在为相关部门设计、评价控制策略,优化路网运行效益提供辅助决策依据。     

一种动态路段行程时间的预测模型

动态路段行程时问的预测是ITS动态最短路线选择的关键技术之一。根据对实际交通状况的分析,将路段行程时间分为三个部分,即自由行驶时间、排队等待时间和通过交叉 口时间。模型基于路段的基本信息及实时信息分别对这三部分时间进行预测,从而实现对整段路段行程时间的动态预测,精确度明显提高。     

基于手机RFSIM与北斗GIS城市实时交通动态导航平台

目前,从智能交通系统的发展（ITS）来看,国内大多数导航系统为静态导航,缺乏根据实时交通信息进行动态导航的功能.从而提出一种基于手机RFSIM与GIS技术结合的城市实时交通动态导航平台,为出行者提供实时动态的交通信息和导航服务.该系统主要包括实时交通信息采集系统,短时交通预测系统,北斗或GPS定位以及GIS实时导航系统.在已获得的相关技术的支撑下,着力解决在此导航系统中涉及到的交通信息的获取、北斗定位和实时交通动态导航中的关键技术问题,并进行可行性分析.     

基于动态模型的公交车行程时间预测

准确以及实时的公交车行程时间信息能够帮助出行者更好地规划行程,减少出行者的等待时间。提出了一种基于SVM-Kalman滤波的公交车行程时间动态预测模型。模型中,经过良好训练的SVM模型从历史数据进行预测得到行程时间基准;Kalman滤波动态算法在基于SVM模型预测值和最新公交出行信息的基础上对结果进行调整。以深圳市223路常规公交线路为实例,将动态模型的预测精度结果与单一SVM模型、ANN模型结果进行对比,结果表明,基于SVM-Kalman滤波的公交车行程时间动态预测模型的预测精度更高、动态性能更好。     

一种基于位置服务的动态虚拟交通诱导系统

交通诱导系统将经过处理的交通状态数据发布在公共平台上,供人们作为选择路径的参考。在一定时间内用户接收过多的信息,不仅影响到所需信息的辨别率,而且分散驾驶员的注意力,从而产生安全隐患。针对该问题,采用交通路网动态规划方法,提出一种基于位置服务的动态虚拟交通诱导系统,利用用户所处环境数据以及地图匹配算法提高用户定位精度;通过交通路网动态规划,过滤多余的道路交通状态信息,精简发布信息量;运用数据交换层技术以及坐标转换算法,扩大系统在移动设备上的适用范围,提高交通状态信息的发布效率。实验结果表明,该系统定位准确率达到95%以上,平均减少了70%的信息发布量。     

安徽省引先进智能交通系统

日前，由安徽省软件工程中心从德国宇航中心引进开发的实时交通信息发布与动怎导航系统，率先在宁波成功投入使用在汽车中安装一套终端设备，输入起点和目的地，系统会根据实时的交通状况提供最优方案。而动态导航系统的最大特点是使用专门技术，采集汽车GPS运动数据，了解城市实时交通流的定量信息。     

公众出行交通信息服务系统关键技术分析

随着我国经济的发展,道路交通越来越复杂,公众对道路交通的便利性、舒适性和安全性提出了更高的要求,公众出行交通信息服务系统的构建越来越重要。本文正是以此为背景,对公众出行交通信息服务系统关键技术进行了分析,包括公众出行交通信息服务系统的需求分析、数据来源与采集、数据处理中心功能、出行服务信息发布,并且对公众出行交通信息服务系统的应用案例进行了研究。希望本文的研究能为我国的公众出行交通信息服务系统的完善构建带来一定的启示和作用。     

考虑时空相似性的动态图卷积神经网络交通流预测

高精度的交通流预测对于大型城市的交通管理和智慧出行具有重要作用,而交通流动态时空相关性的挖掘则是提高预测精度的关键.针对现有研究中存在的对交通流在不同时间尺度下呈现出的高度相似性,以及处于相似功能区的非邻近节点间交通流变化的相似性考虑不足的问题,构建考虑时空相似性的动态图卷积神经网络(dynamic graph convolution neural network considering spatio-temporal similarity,STS-DGCN).以相邻时段、日和周等多时间尺度下的数据输入张量表达交通流数据的时间相似性,以路网节点间距离度量、相似性度量、自适应嵌入、动态相关性等多属性特征的邻接矩阵表达交通流数据的时空相似性,进而基于这些邻接矩阵构建反映路网节点时空动态变化的动态图,并设计相应的时空特征挖掘算法.在公开数据集上的实验结果表明,所提出模型的预测结果优于目前较为先进的对比基线模型,具有更高的预测精度.     

用于网络流量异常检测的数据采集方法的研究

网络带给人们自由开放的同时,也带来不可忽视的安全风险,网络安全越来越成为人们关注的重点。作为网络安全研究领域中重要组成部分的网络流量异常检测技术研究也逐渐得到重视。在网络流量异常检测技术的研究中首先要进行网络流量的采集,然后对所采集的流量进行分析。网络流量的采集主要有两种比较流行的方法：一是基于包的采集方法,另一种是基于流的采集方法。在此主要将这两种数据采集方法进行对比研究,并得出了实验的结果。     

Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks

The provision of long-distance travel time information has been a major factor facilitating the intelligent transportation system to become more successful. Previous studies have pointed out that non-recurrent congestion is the major cause of freeway delay. The long travel distance complicates the characteristics of traffic flow. Hence, how to improve the prediction capability of long-distance travel time in the case of non-recurrent congestion is an important issue that must be overcome in the field of travel time prediction. This study constructs the travel time prediction model for a segment of 36.1 kms (including eight interchanges) in the National Freeway No. 1, Taiwan, by using the multilayer perceptron. To improve the prediction capability of the model in the case of non-recurrent congestion, this study collects data of average spot speed and heavy vehicle volume gathered by dual-loop vehicle detectors, in addition to rainfall and temporal feature. Furthermore, the historical travel time inferred from the original data of electronic toll collection (ETC) system is also used as the input variable, and the actual travel time inferred from ETC is used as the training target to establish a robust prediction model. As suggested by the results of 168 experimental combinations, the most appropriate prediction model established in this study is a highly accurate forecasting model with MAPE of 6.47 %.     

基于旅行时间检测系统的交通应用研究

由于旅行时间的采集日趋精确,在交通领域被广泛地应用。首先介绍了一种基于精确车牌识别技术的旅行时间检测系统,然后重点阐述了检测数据的决策信息分析和处理,最后提出了一种以旅行时间为目标参数,以元胞自动机模型为基础的短时交通预测模型,并对其关键技术和难点进行了讨论和分析。     

基于时空依赖性和注意力机制的交通速度预测

交通流精准预测对保障公共安全和解决交通拥堵具有重要的意义,在城市交通规划、交通管理、交通控制等起着重要的作用.交通预测由于其受限制于城市路网并且随着时间动态变化,其中存在着空间依赖与时间依赖,是近些年来具有挑战性的课题之一.为了同时捕获到空间和时间上的依赖,提出了一个新的神经网络:基于注意力机制的时空图卷积网络(A-TGCN).TGCN网络模型用于捕获交通数据中的动态时空特性与相关性,采用注意力机制来增强每个A-TGCN层中关键节点的信息.通过在两组数据上的实验结果表明,A-TGCN在精度以及可解释性方面都有很好的表现.     

一种基于车流量的司乘推荐模型

作为城市交通的基础设施,出租车在日常交通中起着重要作用。随着城市规模的扩大,人们的出行需求不断增加,然而出租车的分布与叫车需求分布之间难以匹配,从而导致打车困难问题的出现,这一现象在大型城市尤其明显。造成打车难的主要原因在于司乘之间信息不能互通,GPS、车联网等技术能够提供车辆位置、运行轨迹等信息,通过对这些信息数据进行处理,可以获得有价值的信息,将其提供至司乘双方能够提升出租车运营效率。现有信息处理方法较为简单,忽略了较多关键影响因素,难以达到理想的效果。因此,本文提出了一种基于出租车轨迹和路网数据来衡量打车难度的出租车流量模型,并通过综合时间、天气等因素对模型进行优化,提升了模型的实用性。基于该模型利用数据挖掘算法抽取有用信息,提供给出租车司机和乘客。最后,本文基于实际出租车数据对模型进行实验验证,结果证明了模型的有效性及实用性。     

面向高速公路通行时间分布预测的时空混合密度神经网络

准确的通行时间分布预测可以全面地反映高速公路路网中各个路段在未来的通行状况,辅助实现高速公路中的路径规划,事故事件预警等精细化管理目标.为此,本文提出一种面向高速公路通行时间分布预测的时空混合密度神经网络.具体地,本文利用自适应图卷积通过数据驱动的方式提取路网中的空间特征,有效解决了基于预定义图难以捕获路网信息中完整空间相关性的问题.在时间维度上,不同时间的路网信息存在显著的相关性,因此,本文基于注意力机制自适应建模路网信息的时间相关性,并通过卷积层进一步聚合相邻时间步之间的信息.最后,基于自适应时空相关性建模得到的路段嵌入表示,通过混合密度网络建模通行时间的分布,以实现高速公路中各个路段的通行时间分布预测.