随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道...随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.展开更多
文摘为研究多机场终端区交通流微观时空特性与演变规律,考虑终端区内单股、汇聚和交叉交通流具有基于目标点运行的基本特征,依据先到先服务原则,利用刺激-反射跟驰理论,建立了空中交通流局域排序模型、跟驰模型和机动模型.在此基础上,采用多智能体仿真工具Net Logo,构建了多机场终端区交通流仿真平台,仿真分析了进场交通流特征参数之间的关系和灵敏性,以及进离场交通流之间的相互影响.研究结果表明:多机场终端区进场交通流存在明显的相变与迟滞特征,形成自由相、畅行相、伪拥塞相和同步拥塞相等基本相态;流量与速度密度乘积之间存在线性关系;管制间隔对交通流的影响较大且存在最优管制间隔,进场交叉点的最优管制间隔为8 km.
文摘随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.
