【摘 要】
：
为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控.首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积.长短时记忆神经网络(Directed Graph Convolution-LSTM,DGC-LSTM)模型
【机 构】
：
同济大学道路与交通工程教育部重点实验室,上海201804;同济大学交通运输工程学院,上海201804
论文部分内容阅读
为解决城市快速路正面临的日益严重的交通拥堵问题,提出了一种针对城市快速路的基于有向图卷积神经网络的交通预测与拥堵管控方法,该方法能够有效利用海量交通数据进行交通预测,实现拥堵的主动管控.首先,基于交通路网的空间有向性和交通流的时空特性,定义了有向的距离影响矩阵、修正欧式距离矩阵和自由流可达矩阵,构建出有向的图卷积算子,并将其应用于长短时记忆神经网络模型中,提出了能学习交通路网时空双重特性的有向图卷积.长短时记忆神经网络(Directed Graph Convolution-LSTM,DGC-LSTM)模型;其次,基于DGC-LSTM的交通预测结果识别出拥堵产生点并将其作为拥堵管控的对象;再次,采用控制进口匝道车辆输入快速路主线的手段,针对管控对象的时空特征,设计了全圈层分时段阶梯式拥堵管控策略;最后,基于上海市快速路网上布设的2712个检测器在122个工作日每间隔5 min记录的速度、流量和占有率信息,开展实例分析,测试了DGC-LSTM模型的预测精度以及全圈层分时段阶梯式拥堵管控策略的有效性.结果 表明:与传统的循环神经网络、长短时记忆神经网络相比,DGC-LSTM模型具有更高的预测精度,能将速度预测的平均绝对误差和误差标准差分别降低38％和20％以上;基于预测结果采用的全圈层分时段阶梯式拥堵管控策略能令拥堵产生点的速度提升14 km·h-1以上,并能使拥堵的持续时长缩短40％,可阻止拥堵从产生点开始发生大范围的蔓延,降低整个路网的拥塞程度.
其他文献
基于传统扩展卡尔曼滤波方法(EKF)的损伤识别过程是一个典型的反问题求解,反问题的不适定性使EKF识别结果容易受噪声干扰,导致EKF算法收敛困难、识别精度下降.基于l1正则化的EKF算法在一定程度上可以缓解此问题,但其不能获得足够准确的稀疏解.为此,提出了一种改进稀疏正则化的EKF方法.该方法采用Arctangent罚函数代替l1范数以施加损伤稀疏性约束;通过伪测量技术将稀疏性约束嵌入到EKF中,获得施加约束方程后的递推解.采用3层剪切结构和悬臂梁2个试验算例验证了该方法的有效性.研究结果表明:即使在噪声
为了提高桥梁结构有限元模型修正的效率和效果,提出基于加权Kendall相关系数和序贯代理模型的有限元模型修正方法.首先,建立基于目标响应误差和待修正设计参数灵敏度的加权Kendall相关系数指标,并采用凝聚层次聚类算法,合理确定待修正设计参数的数量和位置,保证待修正设计参数对目标响应具有合适的解耦能力;其次,为解决传统一次性代理模型法在构造代理模型过程中产生的欠采样或者过采样的问题,采用基于FLOLA-Voronoi通用序贯设计策略的序贯代理模型法,提高构造代理模型过程中试验设计样本的利用率和模型修正效率
城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究.但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制.为了取长补短,首先对路段传输模型(Link Transmission Model.LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-driven Link Transmission Model,D2LTM)
为掌握大跨度斜拉桥结构参数变异对结构状态的影响规律,确保斜拉桥的施工安全和工程质量,针对该类型桥梁施工控制参数敏感性分析的实际需求,考虑不同结构参数和不同结构部位相同结构参数的变异性,实现了大跨度斜拉桥施工过程控制中的多元统计敏感性分析.从统计学角度明确了参数敏感性分析为边缘分布问题后,将试验设计方法引入统计多参数敏感性分析,结合参数显著性检验评价参数的敏感性.将同一批次或类似条件制造、施工的构件归为同一子结构,子结构内的相同参数视为一个随机变量,在减少随机变量个数的同时,提升了计算效率.采用分组试验设计
路径选择建模的主要任务是基于合理假设,定量分析交通参与者的路径选择行为,并估计和预测交通参与者对交通网络的使用情况.基于此,全面总结路径选择建模的研究现状,介绍各种出行数据的特点,阐释常见的选择集生成方法,对文献中提出的众多离散选择模型进行归类和讨论,对比模型估计的2类主要方法,并展望机器学习在路径选择建模中的广阔前景.研究结果表明:随着交通感知技术的全息化发展,在海量车辆轨迹数据的支撑下,路径选择研究取得了全方位的进步;路径选择模型可分为基于路径和基于路段的模型,前者以路径为基本选项,从通过确定性或随机
交通大数据可为揭示交通主体显性出行行为背后的深层规律(即移动模式)提供重要基础.精确掌握大数据驱动下交通主体的移动模式,可为需求预测、客流组织、土地利用、事件管理等应用提供理论依据.交通大数据主体繁多、时空多态、关联性复杂的特性迫使小数据时代下的移动模式分析方法转型和升级,但仍可能遇到移动模式一致性表达难、异常类型检测难、复杂关联性表达难、时空多态性建模难、一体可视化分析难等普遍问题.针对这些问题,利用科学知识图谱,对2010～2020年期间3747篇文献的热点关键词分布、发表趋势分布、出版刊物分布等特点
外部环境因素对城市交通预测有较大影响,尤其在交通事件发生时,由于交通流的随机性和非线性特征,交通异常情况下的预测精度往往较低.为此,基于深度学习理论,提出一种以序列到序列模型(Sequence-to-sequence,Seq2Seq)为主体,融合外部因素特征的城市道路行程时间预测方法.利用时间序列分解算法(Seasonal and Trend Decomposition Using Loess,STL)挖掘交通历史数据的时序周期规律,结合交通事件数据深入分析交通异常产生的原因,并建立堆叠降噪自编码器模型(
信息技术的快速发展,为交通研究和城市交通管理提供了大规模、多样化的数据资源,并为城市交通状态估计和交通流预测方法的研究提供了有力支持.将城市交叉口视为一个微观交通系统,采用数据驱动与领域知识结合的方式,建立微观层次的交通因子状态网络模型(Traffic Factor State Network,TFSN),考察交通因素之间的相互关联,并考虑环境因素的影响.该模型结合交通因子和环境影响因子的影响,通过对交通流数据进行聚类分析,估算出对应于环境影响因子的交通状态,并通过实际案例验证其物理意义以及与交通流实际状
现有的无人机(UAV)交通状态感知方法,主要针对宏观交通状态参数的获取,同时尚未克服UAV自运动对交通参数检测精度的影响,难以满足智能交通系统对于高精度微观交通参数的应用需求.为此,提出一种基于地空信息融合的UAV交通状态感知方法,该方法包括:地空信息融合模型、道路关键点(IKP)检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计.其中,地空信息融合模型利用地基信息(IKP世界坐标)与空基信息(IKP像素坐标)进行最优化融合,并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数
为改善电动自行车带来的交通安全问题,研究逆行风险行为与其影响因素间的相关关系.基于长沙市芙蓉区共享电动自行车GPS轨迹数据,实现逆行行为的精准识别,采用机器学习Cat-Boost模型与SHAP可解释机器学习框架,从道路条件、交通状态、土地利用性质等方面开展逆行行为影响要素挖掘及作用解析.研究结果表明:CatBoost模型能够有效预测路段逆行频次并提取逆行行为的重要影响因素,主要包括出行时段、公共交通设施、土地利用性质、道路条件及交通状态等;从出行时段来看,工作日、早晚高峰时段更容易发生逆行;从公共交通设施