基于模糊推理的无检测器路口短时交通流预测

短时交通流预测是交通诱导与控制的关键技术之一.针对目前无检测器路口交通流预测研究相对较少的情况,提出了一种基于模糊推理的无检测器路口交通流预测方法,即在研究交叉口相关性的基础上,确定关键路口,通过模糊化交通流数据得到无检测器路口与关键路口的模糊关系,接着用模糊推理法得到关键路口对无检测器路口的流量查询表,无检测器路口的流量预测直接由流星查询表得出.采用该方法对合肥市实际路口的交通流量进行预测,实验结果证明了该方法的有效性、可行性.     

基于多特征融合的视频交通数据采集方法

提出了一种基于多特征融合的视频交通数据采集方法, 核心思想是: 在图像中设置虚拟线圈, 假设车辆从虚拟线圈上驶过时引起像素变化, 通过识别这种像素变化来检测车辆并估计车速. 与现有技术相比, 本文的贡献在于: 1) 综合利用虚拟线圈内的前景面积、纹理变化、像素运动等特征来检测车辆, 提出了有效的多特征融合方法, 显著提高了车辆检测精度; 2) 根据单个虚拟线圈内的像素运动向量来估计车速, 避免了双线圈测速法的错误匹配问题. 算法测试结果表明本文算法能够在复杂多样的交通场景和天气条件下, 准确地检测车辆和估计车速. 在算法研究的基础上, 研制了一款嵌入式交通视频检测器, 在路口长期采集交通数据, 为交通信号控制和交通规律分析提供决策依据.     

基于流量的交通信号智能控制算法与仿真

交通信号控制系统是城市交通的基本组成.文章针对交通路口信号控制中的时间分配算法进行研究.根据交通路口抽象模型,综合多种路口流量因素,引入了综合流量指标来对交通流量进行量化描述.并且以该综合指标为中心设计了具备自适应能力的信号控制算法.实现了能够依据交通流量状况进行路口时间调整的交通信号控制系统模型.通过NetLogo平台进行仿真实验,证明该系统模型可以很好的适应路口交通流量变化和差异,一定程度上可以作到对交通压力的缓解.     

基于单线圈的速度估计混合模型

实时准确预测出交通速度对于成功的快速路管理系统来说足至关重要的。然而,交通速度并不能直接从单线圈检测器测量出来。该文提出了一种基于单线圈输出量进行速度估计的混合模型方法。该方法分别考虑自由流和拥挤两种不同状态下分别采用不同的模型进行交通速度的估计。模型系数的计算采用已知的单线圈输出量信息和交通流模型进行估计。整个算法采用matlab仿真软件仿真检验,结果表明利用该方法估计出来的速度非常接近于双线圈测量的速度观测值。与以往的算法相比,该方法简单实用并且明显地改善了速度估计。     

基于时空分析的路口相似度计算方法

在交通领域中,传统的交通时空数据分析方法存在拥堵路口的时空数据相似性检索效率低、可靠性差的问题,从空间场景相似度和动态数据相似度等角度出发,提出一种基于时空分析的交通路口相似度计算方法.该方法由交通路口静态数据模型和动态数据模型构成,路口静态数据模型将交通路口作为空间场景,计算目标路口与数据库路口的空间场景相似度,路口动态数据模型根据路口检测器数据的时间属性,创建时序数据库,在时间维度上对路口动态数据进行切片,计算目标路口与数据库路口在相同时段内的相似度,在此基础上构建路口相似度计算模型,对满足相似检索的路口进行排序,以增强检索结果的可靠性.实验结果表明,与时空索引检索算法相比,该方法能够有效提高交通路口检索的准确性,且具有较强的实用性.     

一种新型感应式车辆检测卡的设计与应用研究

基于环形线圈车辆检测器基本的工作原理,针对传统的采用倍频技术的检测产品灵敏度不高的缺点,提出全新的采用周期整定技术的感应式车辆检测器设计原理,在确保检测精度的情况下,提高了系统的稳定性。完成了车辆检测卡的软硬件设计,并详细描述了该检测卡的构成及软硬件实现。设计了一种基于车辆检测器提供的车辆等待长度信息的,相序可变的单路口多相位交通信号灯全感应控制策略,实际应用表明该全感应控制算法十分有效。     

一种基于单线圈速度估计的简单模型方法

实时准确的交通速度对于成功的快速路管理系统来说是至关重要的。然而,交通速度并不能直接从单线圈检测器测量出来。论文提出了一种基于单线圈输出量进行速度估计的简单模型方法。该方法考虑自由流和拥挤状态下分别采用不同的模型进行速度估计。利用该方法估计出来的速度非常接近于双线圈测量的速度观测值。与以往的算法相比,该方法简单实用并且明显地改善了速度估计。     

基于环形线圈检测器的复杂交叉路口多相位模糊控制

利用环形线圈检测器获得复杂交叉路口的实时交通数据,设计了一个三路交叉复杂路口交通信号灯的多相位模糊控制。通过多相位设计对交叉口的复杂交通流进行了规划组织,模糊控制策略可以对绿灯配时进行适当的调整以适应交通状况的实时变化。仿真结果表明,多相位模糊控制效果在减少车辆延误时间指标上优于传统的定时控制。     

基于单线圈输出量的速度估计算法综述

先进的交通管理系统和旅行者信息系统的迅速发展,引起对交通速度估计测量一种需要。然而对于铺设大量单线圈的快速路网来说,交通速度并不能直接从单线圈检测器测量出来。因此许多研究学者针对如何从单线圈的输出量估计出交通速度展开了研究。该文结合国内外的研究情况给出了算法的分类,并总结了算法存在的问题和可能开展的研究方向。     

基于样本优化的PPO算法在单路口信号控制的应用

优化交通信号的控制策略可以提高道路车辆通行效率, 缓解交通拥堵. 针对基于值函数的深度强化学习算法难以高效优化单路口信号控制策略的问题, 构建了一种基于样本优化的近端策略优化(MPPO)算法的单路口信号控制方法, 通过对传统PPO算法中代理目标函数进行最大化提取, 有效提高了模型选择样本的质量, 采用多维交通状态向量作为模型观测值的输入方法, 以及时跟踪并利用道路交通状态的动态变化过程. 为了验证MPPO算法模型的准确性和有效性, 在城市交通微观模拟软件(SUMO)上与值函数强化学习控制方法进行对比. 仿真实验表明, 相比于值函数强化学习控制方法, 该方法更贴近真实的交通场景, 显著加快了车辆累计等待时间的收敛速度, 车辆的平均队列长度和平均等待时间明显缩短, 有效提高了单路口车辆的通行效率.     

基于检测器优化选择的短时交通流预测

针对交通流短期预测未考虑交通检测器配置的不足,提出了一种基于检测器优化选择的短时交通流预测算法。以预测的均方误差最小为目标函数,通过遗传算法优化选择合适的检测器,以小波神经网络作为预测算法进行短时交通流预测。美国I-84高速公路实测数据的测试结果表明该算法与传统预测方法相比具有更高的预测精度,是一种有效的短时交通流预测方法。     

基于多尺度联合权重分配的目标检测算法

针对SSD(single shot multibox detector)算法在复杂交通场景下对交通标志小目标识别效果不佳的问题,提出一种基于多尺度特征互补和重点特征信息挖掘（multi-scale feature complementary fusion and key feature information mining SSD,MK-SSD）的目标检测改进算法。利用跨阶段局部网络设计多尺度特征互补模块,同时构建多路径特征融合网络,有效提升浅层网络对小目标的特征提取能力。设计联合权重分配模块,将感知域与重点信息挖掘相结合,更高效地利用重点特征信息并抑制对非重点信息的关注度。利用轻量化残差块对预测网络进行改进,提升目标检测能力。经实验分析,改进后的算法在自制交通标志数据集上平均准确率达到89.64%,在保证实时性的同时,相较于YOLO系列和SSD系列算法拥有更高的检测精度,能检测出大部分SSD网络漏检的小目标。     

改进SSD算法在交通标志检测中的应用

针对交通标志检测存在误检率高、鲁棒性差等问题,提出了一种改进SSD(single shot multibox detector)的交通标志检测方法。首先从不同维度提取交通标志的位置和方向感知信息,改善目标在浅层特征图上的感受野区域。其次使用特例化的卷积内核对深层特征图进行条件参数卷积,增强交通标志的特征表达能力。最后对通道注意力机制进行改进,在特征通道中融入目标空间信息,提升交通标志目标的显著性。实验结果表明,提出的方法相较于原始SSD在CCTSDB数据集上的检测精度提升了7.6个百分点,检测速度达到87.5 FPS;在LISA数据集上的平均准确率为94.6%,检测速率为85.0 FPS。相比于其他的检测方法,改进后的SSD算法在复杂的自然场景中对交通标志具有更好的鲁棒性。     

A real-time vehicle detection and a novel vehicle tracking systems for estimating and monitoring traffic flow on highways

Real-time highway traffic monitoring systems play a vital role in road traffic management, planning, and preventing frequent traffic jams, traffic rule violations, and fatal road accidents. These systems rely entirely on online traffic flow info estimated from time-dependent vehicle trajectories. Vehicle trajectories are extracted from vehicle detection and tracking data obtained by processing road-side camera images. General-purpose object detectors including Yolo, SSD, EfficientNet have been utilized extensively for real-time object detection task, but, in principle, Yolo is preferred because it provides a high frame per second (FPS) performance and robust object localization functionality. However, this algorithm’s average vehicle classification accuracy is below 57%, which is insufficient for traffic flow monitoring. This study proposes improving the vehicle classification accuracy of Yolo, and developing a novel bounding box (Bbox)-based vehicle tracking algorithm. For this purpose, a new vehicle dataset is prepared by annotating 7216 images with 123831 object patterns collected from highway videos. Nine machine learning-based classifiers and a CNN-based classifier were selected. Next, the classifiers were trained via the dataset. One out of ten classifiers with the highest accuracy was selected to combine to Yolo. This way, the classification accuracy of the Yolo-based vehicle detector was increased from 57% to 95.45%. Vehicle detector 1 (Yolo) and vehicle detector 2 (Yolo + best classifier), and the Kalman filter-based tracking as vehicle tracker 1 and the Bbox-based tracking as vehicle tracker 2 were applied to the categorical/total vehicle counting tasks on 4 highway videos. The vehicle counting results show that the vehicle counting accuracy of the developed approach (vehicle detector 2 + vehicle tracker 2) was improved by 13.25% and this method performed better than the other 3 vehicle counting systems implemented in this study.     

基于多目标跟踪的车流量统计算法研究

作为智能交通系统的重要数据来源,实时准确的车流量数据统计一直以来都是一个重要的课题。大多数现有的基于视频的车流量统计算法在复杂光照条件下,算法准确率难以保证。以道路监控视频为数据,选择了多目标跟踪作为问题的解决思路,以DeepSORT算法思路为基础,并进一步改进,平衡了检测精度与速度,针对交通监控视频实现了对车流量的准确计数。实验表明该方案在各类光照条件下均有相对良好的统计准确率。     

基于FWADE-ELM的短时交通流预测方法

受道路环境和人为因素影响,实际交通系统可视为一个复杂的非线性动力系统,交通流数据具有较强的非线性、时变性和易受随机噪声影响等特征.针对复杂环境下的短时交通流预测问题,提出一种基于烟花差分进化混合算法-极限学习机的短时交通流预测方法.采用奇异谱分析方法滤除原始交通流数据中包含的噪声成分,降噪后的交通流数据用于训练极限学习机(ELM)网络预测模型.进行相空间重构,利用C-C算法确定ELM网络的结构和关键参数.通过融合烟花算法和差分进化算法提出一种烟花差分进化混合算法,可有效提高基本算法的整体优化性能.将改进的混合优化算法用于优化ELM网络的权阈值(结构为9-11-1,维数为110),建立短时交通流预测模型.测试与应用结果表明,所构建的短时交通流预测模型具有较高的预测精度和较强的泛化能力(均方误差为7.75,平均绝对百分比误差为0.086 7),预测值与实际值的拟合程度较好.     

基于高速公路事故黑点的检测器优化布设

交通数据的采集是智慧高速公路建设的基础,而检测器是交通数据采集的主要手段,如何合理布设交通流检测器,使其快速发现交通事故、提高高速公路通行效率,是需要研究的问题.针对高速公路事故多发点,在VISSIM仿真的基础上,结合路段实测交通数据,通过实验得出检测器布设间距、事故检测时间和道路交通量三者之间的关系.在此研究基础上,...     

结合深度学习的短时车流量预测优化方法

随着交通流检测技术的发展,海量的交通流信息可以更容易高效地获取,针对短时车流量预测的准确性要求,提出了一种结合深度学习的短时车流量预测优化方法,采用神经网络Long Short-Term Memory算法,用多因素分析的思想对数据进行处理。通过对短时交通流数据进行多因素分析,如天气因素、节假日等,将短时交通流数据划分为多种数据集,将划分的不同数据集作为训练集去预测与训练集因素相同的未来时刻车流量情况。通过这种方法,使得获取的数据更为纯净,有效解决了多种因素对车流量预测影响问题。结果表明,该优化方法克服了车流量数据集影响因素不单一的缺点,能够更为准确地反映道路交通流的变化特征。     

改进YOLOv5s+DeepSORT的监控视频车流量统计

针对监控视频中车流量统计准确率低的问题,提出一种改进YOLOv5s检测结合Deep SORT跟踪的车流量统计方法.为了提升检测器识别效果,将注意力模块CBAM与YOLOv5s网络的Neck部分融合,提高网络的特征提取能力;将CIoU Loss代替GIoU Loss作为目标边界框回归损失函数,加快边界框回归速率的同时提高...     

一种基于K—Means分类的状态机车辆检测算法

地磁车辆检测器是一种基于车辆对地球磁场的扰动效应实现的交通信息采集设备。目前基于地磁传感器的车辆检测算法主要有状态机检测算法及自适应阑值算法,但是基线漂移、阅值选取等因素对算法的检测精度有很大影响。结合车辆地磁响应信号的具体特征,提出一种基于K—Means分类的状态机车辆检测算法,将车辆地磁响应信号先进行K—Means分类,解决了现有算法阈值选取困难的问题,将分类后的信号输入状态机判别,解决了慢速车和长型车易被误判的问题。实验结果表明,该算法具有很高的检测准确率,且鲁棒性好。