道路多源交通流信息融合分析技術(shù)設(shè)計研究及應(yīng)用(編輯修改稿)
2025-07-23 05:26 本頁面
【文章內(nèi)容簡介】 ，檢測器數(shù)據(jù)采集的是固定地點的數(shù)據(jù)、范圍相對狹小，但是采集準確度高，這兩種數(shù)據(jù)各有優(yōu)缺點，如果將兩種數(shù)據(jù)進行融合，可以既提高數(shù)據(jù)采集的范圍，還可以提高數(shù)據(jù)采集的準確度。浮動車數(shù)據(jù)和檢測器數(shù)據(jù)都經(jīng)過預(yù)處理之后，其數(shù)據(jù)格式已經(jīng)基本一致，因此只需要進行同種數(shù)據(jù)的融合。融合的規(guī)則為交通流量、交通密度、占有率、排隊長度信息以檢測器數(shù)據(jù)為準，因為檢測器對這些數(shù)據(jù)的檢測準確度要高于浮動車數(shù)據(jù)；行程時間信息以浮動車數(shù)據(jù)為準，因為檢測器不能直接檢測行程時間，其行程時間信息都源于估計，而浮動車采集的行程時間都是根據(jù)實際GPS時間數(shù)據(jù)計算出來的，其準確度比較高；平均速度信息以兩者的加權(quán)平均獲取。 （7）其中，為融合數(shù)據(jù)，為檢測器數(shù)據(jù)，為浮動車數(shù)據(jù)，v為速度，q為交通流量，k為交通密度，o為占有率，N為排隊長度，為行程時間，為加權(quán)系數(shù)。四、交通流信息預(yù)測技術(shù)采用一般檢測手段檢測的交通流信息往往具有滯后性，實現(xiàn)城市交通控制和誘導(dǎo)的關(guān)鍵是道路交通狀況的預(yù)測，也就是采用相應(yīng)的技術(shù)，以有效地利用實時交通數(shù)據(jù)信息滾動預(yù)測未來幾分鐘內(nèi)的交通狀況。交通流信息預(yù)測主要包括交通流量預(yù)測、行程時間預(yù)測和行程車速預(yù)測等。交通流量是交通控制配時的重要指標，根據(jù)歷史交通流量或者上下游檢測斷面的交通流量進行預(yù)測，可以獲得未來時段內(nèi)到達停車線的交通流量，從而優(yōu)化交通控制配時，預(yù)防出現(xiàn)交通擁堵。行程車速是衡量道路通暢的重要指標，通過行程車速和占有率等數(shù)據(jù)一起可以預(yù)測交通擁堵狀況，通過預(yù)測行程車速可以預(yù)測車流的未來行程時間。路段的平均行程時間是進行交通流誘導(dǎo)的主要依據(jù)和描述交通狀態(tài)的重要指標，通過預(yù)測行程時間結(jié)合交通流量可以獲得車流到達停車線的情況，從而可以計算排隊長度等信息，為交通控制優(yōu)化目標提供參數(shù)。交通流預(yù)測方法主要有三種，第一種是根據(jù)歷史信息進行建模擬合，獲得交通流數(shù)據(jù)與時間的關(guān)系模型，從而推斷未來時間內(nèi)的交通流信息；第二種是根據(jù)歷史信息進行指數(shù)平滑預(yù)算，得出未來交通流數(shù)據(jù)與過去時段的交通流數(shù)據(jù)之間的關(guān)系模型，從而推斷未來時間內(nèi)的交通流信息；第三種是采用人工神經(jīng)網(wǎng)絡(luò)方法，這種方法不需要建立模型，只需足夠的數(shù)據(jù)和時間讓神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)，從而通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)模型預(yù)測未來的交通流參數(shù)。實踐證明前兩種方法預(yù)測的準確度不高，原因是交通模型很難獲得或者無法得到正確的交通模型。很多文獻中的研究表明，采用人工神經(jīng)網(wǎng)絡(luò)方法，不需要建立任何交通模型，其預(yù)測的交通流信息也比較準確。五、交通狀態(tài)識別技術(shù)交通狀態(tài)識別是指通過交通流信息的融合，建立交通流參數(shù)模型并結(jié)合交通專家知識進行交通擁堵狀態(tài)判別或交通事件識別的過程。交通擁堵狀態(tài)判別就是根據(jù)當前的交通流信息，結(jié)合交通知識識別出是否發(fā)生交通擁堵的過程。交通擁堵判別一般采用基于規(guī)則的判別法：l 基于交通流量的擁堵判別規(guī)則：如果交通流量大于某一閾值（最大通行能力），則可認為發(fā)生擁堵；l 基于速度的擁堵判別規(guī)則：用城市主干路上機動車的平均行程車速來描述交通擁擠程度，如果平均行程車速低于某一閾值（如10公里/小時），則
范文總結(jié)相關(guān)推薦
鄂ICP備17016276號-1