基于组合模型的短时交通流预测

为了提高预测精度,利用每周同一天交通流变化相似的特点,提出了一种短时交通流组合预测模型,采集每周同一天的交通流数据进行预测。组合模型包括两个子模型:BP神经网络模型、GM(1,1)模型。BP神经网络模型具有强大的非线性逼近能力,对于庞大无序的交通流数据信息具有良好的处理能力。GM(1,1)模型能够反映交通流时间序列的总体变化趋势,相对误差小。通过计算两种子模型在上一时间段的预测误差比值,确定出在下一时间段的预测中两种子模型预测结果所占的权重,然后将这两个子模型在下一时间段的预测结果进行加权求和,作为组合模型的最终预测值。实验结果表明,组合模型发挥了两种子模型各自的阶段性预测优势,是短时交通流预测的一种有效方法。     

Continuum Traffic Simulation

We present a novel method for the synthesis and animation of realistic traffic flows on large‐scale road networks. Our technique is based on a continuum model of traffic flow we extend to correctly handle lane changes and merges, as well as traffic behaviors due to changes in speed limit. We demonstrate how our method can be applied to the animation of many vehicles in a large‐scale traffic network at interactive rates and show that our method can simulate believable traffic flows on publicly‐available, real‐world road data. We furthermore demonstrate the scalability of this technique on many‐core systems.     

基于高斯混合模型的多车道车流量检测算法

研究视频的城市交通路口车流量检测准确率的问题,由于车速过慢,有效性差.针对目前的车流量检测算法仅限于单车道车流量检测及准确率低的问题,提出了基于高斯混合模型的多车道车流量检测算法,在交通路口的视频中设定所要检测多个车道的检测带并根据车道线划分车道,运用高斯混合模型对检测带进行背景建模,结合背景差法提取运动车辆,通过垂直投影方法解决车辆断层引起误检的问题,对车身宽度与阈值的比较判断车辆是否通过检测带,实现了多车道车流量检测.实验证明,多车道算法能有效克服断层引起误检的问题,检测车辆准确率高,实时性好,鲁棒性高,为智能交通灯控制提供准确参数.     

城市微观交通流模型综述

车辆跟驰模型和换车道模型是微观交通流模型研究的基础。对GM模型、线性模型、安全距离模型、AP模型、模糊推理模型和神经网络的车辆跟驰模型进行了详细的评述,并提出了现有的车辆跟驰模型存在的问题。并且对判断性换车道模型和强制性换车道模型进行了详细地论述,同时对其进行了评价。     

基于加权组合模型的短时交通流预测研究

为了改善城市路网中短时交通流预测效果,提高预测精度,设计了一种基于改进的K近邻非参数回归和小波神经网络加权组合的短时交通流预测方法.针对K近邻非参数回归预测方法搜索量大、相似性差等问题,采用基于交叉口相关系数加权的欧氏距离选择K近邻值.小波变换与神经网络有机结合形成的前馈型网络,对非平稳的输入信号能够呈现出良好的时频特性和变焦能力,对短时交通流预测效果有着明显的提升.通过算例分析,说明所设计的预测方法能够获得比较精确的短时交通流预测结果.     

高速公路车流量的预测新模型

利用泊松分布,在不考虑随机因素对车流量影响的理想情况下,分别构建出低、高负荷两种状态车流量的数学模型。分析影响高速公路车流量的四个主要随机因素：车速、天气恶劣程度、突发事件、驾驶员对动态视野的感知程度,并设计出更符合实际的高速公路车流量预测模型,为高速公路管理部门合理预测车流量并做好应对准备提供有效的依据。     

Variational Bounds and Sensitivity Analysis of Traffic Processes in Continuous Flow Models

This paper is concerned withfunctional variations in processes associated with ContinuousFlow Models (CFMs). The considered CFMs are characterized (defined)by their inflow-rate process, service-rate process, and buffersize, and have associated with them various derived processessuch as the workload (buffer contents), outflow and overflowprocesses. The paper's main result is comprised of Lipchitz continuityof the mappings between the defining processes and the derivedprocesses. This result is extended from single-flow CFMs to multi-flowCFMs, where it is used to establish the unbiasedness of IPA forworkload-related and loss-related performance functions.     

Feature Fusion Models for Deep Autoencoders: Application to Traffic Flow Prediction

ABSTRACT

Due to reduction in dimensionality and extraction of the definitive features of input data, deep architectures have achieved significant success in various machine learning applications. Considering their successful applications in speech recognition and image classification, the main goal of this research is to investigate the performance of the sparse autoencoders utilized in regression analysis. To this end, deep sparse autoencoders with the standard method of training, cascaded, and partially cascaded architectures, fed with the fusion of low- and high-level features, are proposed and implemented. The regression task is to forecast the vehicular flow rate of a location on an arterial highway using different traffic variables of several locations ahead in the Twin Cities Metro area of Minneapolis. The results demonstrate that the partially cascaded model exhibits advancements in yielding more accurate results than the other two architectures fed with the features that correlate the most to the traffic flow rate.     

一种基于网络业务流的流量监测分析算法

基于业务流的统计信息直接反映用户行为，最繁忙业务流获取与分析，对于网络流量分析和故障定位有指导作用。文章通过分析数据帧到来对哈希表的影响，借助一个记录表，对哈希表中的业务流进行排序，大大减少排序中的比较次数，提高监控系统处理性能．     

基于交通数据挖掘的交通流预测模型构建

我国是一个汽车大国,在人均汽车保有量逐年增加的情况下,道路交通拥堵的问题越来越突出.新形势下的交通运输管理工作应当充分发挥数学模型的作用,将数学模型与计算机、互联网等硬件资源有机结合起来,有针对性地制定交通管理方案.因此,本文设计了一套基于交通数据挖掘的交通流预测模型,旨在提升交通流预测的准确性,优化流通管理工作路径.     

基于车流量的交通信号灯实时控制的研究

道路交通信号灯控制与道路交通标志线的设置共同组成了对道路交通控制和管理的一个完整部分。交通信号灯控制在整个道路交通工程中起到了重要的作用,它主要应用于交通量较大、交通流冲突较多和复杂的交叉路口,以及某些道路路段上需要对交通流方向控制的地方。针对现有的交通信号灯控制中的一些缺陷,本文提出一种利用交通路口中车辆数量为引导因素,利用VC++编写信号灯实时控制程序,以达到对交通信号灯的实时控制。     

Expressway Traffic Flow Model Study Based on Different Traffic Rules

In this paper, two cellular automata traffic models are proposed to simulate the operation of an expressway. The results show that the flow rate and the average velocity are generally equal in the same density which is different among the lanes. The analysis of lane changing times and the velocity total deviation show some characteristics which are difficult to explain phase transitions under fundamental diagram theory. Therefore, the concept of lane changing probability is introduced, and it is concluded that the speed-limit rule can reduce the motivation of lane changing effectively.      

一种基于优化的RBF神经网络交通流预测新算法

提出了一种基于遗传算法优化的RBF神经网络交通流预测新方法,该方法把遗传算法应用于RBF神经网络的参数确定中,实现了RBF神经网络隐层高斯函数的中心矢量和基宽向量以及隐层与输出层之间的权值的优化,提高了RBF神经网络的泛化能力。仿真结果表明：改进的RBF网络用于交通流预测中具有可靠的精度和较好的收敛速度,具有广阔的应用推广前景。     

交通流数据清洗规则研究

交通检测器获得的数据存在无效、冗余、错误、时间点漂移及丢失等质量问题。为此,在分析影响数据质量问题原因的基础上,给出交通流数据清洗的概念,研究“脏数据”的清洗规则与清洗步骤,并对环形线圈检测器检测到的数据进行验证。结果表明,该清洗规则对错误、丢失、冗余等“脏数据”的识别率均在90%以上。     

The Special Issue on Traffic Flow Theory

Networks and Spatial Economics -     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

基于多Agent的交通流仿真平台

采用多Agent方法设计并实现交通流仿真平台,仿真钟等步长推进,由调度Agent协调仿真的运行。以MaSE方法对多Agent系统建模,用自动机描述人车单元Agent和路段Agent之间的交互。人车单元Agent采用刺激-反应混合结构,路网采用分层结构分解为路网、路段(交叉口)、车道,信号控制方案分解为入口车道-流向灯色组合,用分叉树表示信号灯组的状态。用Visual C++实现该仿真平台,证明其能有效再现交通流特征。     

城市交通路口短时流量预测

为了能够提升短时交通流量预测的性能及精度,在支持向量回归机算法基础上引入了经改进的粒子群算法做参数寻优。同时,针对短时交通流量具有不确定性和弱规律性等特点,本文通过对交通数据进行挖掘,得出相邻路口交通流量的时空关联性,构建出通过历史数据预测及结合时空关联性的预测模型。利用BP神经网络在线修正两者权值,让两者优势互补、实时更新。通过仿真实验表明:提出的预测模型可以达到预期结果,对短时流量的预测精度和性能都有所提高。     

基于微观变量的交通流算法研究

中国城镇化发展迅速,伴随而来的城市交通状况也日益恶化,早日建成现代化的交通运输系统和交通信息管理系统成为了城市交通战略的首要任务.寻找能够正确描述交通流基本规律的交通流算法,更好地指导局部交通的优化管理和控制,是交通流研究的期望目标.基于微观变量和元胞自动机理论提出交通流算法模型.通过对微观交通流算法的设计及数值模拟,预测理想的交通流及出行分布情况,从而加深了对交通流中各种现象内在机理的认识,使其可以预测出最接近实际情况的交通流,为交通流的仿真和实时交通控制做了基础性的工作.     

基于SOA-LSSVM的短时交通流量预测

针对短时交通流量存在的非线性与不确定性的问题,结合搜索者算法收敛精度高和最小二乘支持向量机计算速度快的优点,提出基于搜索者-最小二乘支持向量机( SOA-LSSVM)的流量预测模型,将该模型应用于短时交通流量预测,并与人工神经网络进行对比分析,结果表明,该模型具有较高的预测精度和泛化能力,适合于短时交通流量的预测,具有良好的推广应用价值。