短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalou...短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。展开更多
为克服单一赋权法的局限性,结合山区干线公路交通特征及交通安全评价指标的选取原则,从社会因素、驾驶因素、环境因素、管理因素和道路因素五个维度出发,选取18个综合评价指标,运用序关系分析法(Order Relation Analysis Method,G1)-指...为克服单一赋权法的局限性,结合山区干线公路交通特征及交通安全评价指标的选取原则,从社会因素、驾驶因素、环境因素、管理因素和道路因素五个维度出发,选取18个综合评价指标,运用序关系分析法(Order Relation Analysis Method,G1)-指标相关性权重确定法(Criteria Importance Through Intercriteria Correlation,CRITIC)确定各评价指标的权重,并结合折中妥协多属性决策法(VlseKriterijumska Optimizacija I Kompromisno Resenje,VIKOR)对山区干线公路交通安全进行综合评价,提出了基于G1-CRITIC-VIKOR模型的山区干线公路交通安全综合评价及比选方法。以中国西部6条山区干线公路为例进行实证研究,结果表明,G1-CRITIC-VIKOR模型的评价效果与传统的秩和比(Rank-Sum Ratio,RSR)综合评价法及加权逼近理想解排序法(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)的评价结果基本一致,且评价效果明显优于后者,具有更好的辨识性,验证了该模型的可行性和科学性。展开更多
在异质交通流背景下,针对交通信号调度与车辆轨迹规划协同问题,本文提出集信号和轨迹于一体的融合控制模型。该模型采用竞争双深度Q网络算法(Dueling Double Deep Q Network, D3QN),通过深度强化学习技术对交通信号和车辆轨迹进行同步优...在异质交通流背景下,针对交通信号调度与车辆轨迹规划协同问题,本文提出集信号和轨迹于一体的融合控制模型。该模型采用竞争双深度Q网络算法(Dueling Double Deep Q Network, D3QN),通过深度强化学习技术对交通信号和车辆轨迹进行同步优化,旨在实现交通效率与生态驾驶的双重目标,并基于SUMO(Simulation of Urban Mobility)仿真平台对模型进行全面验证。仿真结果表明:与基准模型相比,单一优化策略虽然能在一定程度上改善交叉口性能,但存在整体效率提升受限的问题;本文提出的融合控制模型结合了宏观交通流与微观车辆行为的优化,使车均延误降低66.99%,燃油消耗减少11.26%,同时CO_(2)等污染物排放量也显著减少。进一步的敏感性分析揭示了系统性能随网联自动驾驶汽车(Connected and Autonomous Vehicles, CAV)渗透率的变化规律修正:当渗透率达到一定水平后,性能提升幅度逐渐减小,且模型在不同交通流量条件下均展现出稳定的优化效果,这一结果证实了该控制方法在城市交叉口环境中的适应性和鲁棒性。展开更多
文摘短时交通流预测在智能交通系统中扮演重要的角色。针对交通流复杂多变的时空特征、非平稳性及外部因素引发的数据异常,提出考虑异常因素的混合深度神经网络预测模型(hybrid deep neural network forecasting model considering anomalous factors,HDNNF-CAF)。该模型将邻接矩阵、交通流量矩阵及交通流其他参数矩阵结合异常数据处理理论,进行数据预处理和异常数据识别。建立异常数据时空特征提取理论,捕获异常数据时空信息;利用变分模态分解(VMD)降低交通流数据非平稳性,并提出图卷积网络(GCN)优化Informer理论分别对各个子序列进行特征提取,以组合生成交通流时空信息。最终结合异常数据与交通流数据的时空信息生成预测结果。在真实数据集PeMS04上进行验证,实验结果表明,HDNNF-CAF能够有效识别交通流异常数据,提高预测精度,优于一些现有方法。
文摘为克服单一赋权法的局限性,结合山区干线公路交通特征及交通安全评价指标的选取原则,从社会因素、驾驶因素、环境因素、管理因素和道路因素五个维度出发,选取18个综合评价指标,运用序关系分析法(Order Relation Analysis Method,G1)-指标相关性权重确定法(Criteria Importance Through Intercriteria Correlation,CRITIC)确定各评价指标的权重,并结合折中妥协多属性决策法(VlseKriterijumska Optimizacija I Kompromisno Resenje,VIKOR)对山区干线公路交通安全进行综合评价,提出了基于G1-CRITIC-VIKOR模型的山区干线公路交通安全综合评价及比选方法。以中国西部6条山区干线公路为例进行实证研究,结果表明,G1-CRITIC-VIKOR模型的评价效果与传统的秩和比(Rank-Sum Ratio,RSR)综合评价法及加权逼近理想解排序法(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)的评价结果基本一致,且评价效果明显优于后者,具有更好的辨识性,验证了该模型的可行性和科学性。
文摘在异质交通流背景下,针对交通信号调度与车辆轨迹规划协同问题,本文提出集信号和轨迹于一体的融合控制模型。该模型采用竞争双深度Q网络算法(Dueling Double Deep Q Network, D3QN),通过深度强化学习技术对交通信号和车辆轨迹进行同步优化,旨在实现交通效率与生态驾驶的双重目标,并基于SUMO(Simulation of Urban Mobility)仿真平台对模型进行全面验证。仿真结果表明:与基准模型相比,单一优化策略虽然能在一定程度上改善交叉口性能,但存在整体效率提升受限的问题;本文提出的融合控制模型结合了宏观交通流与微观车辆行为的优化,使车均延误降低66.99%,燃油消耗减少11.26%,同时CO_(2)等污染物排放量也显著减少。进一步的敏感性分析揭示了系统性能随网联自动驾驶汽车(Connected and Autonomous Vehicles, CAV)渗透率的变化规律修正:当渗透率达到一定水平后,性能提升幅度逐渐减小,且模型在不同交通流量条件下均展现出稳定的优化效果,这一结果证实了该控制方法在城市交叉口环境中的适应性和鲁棒性。
