掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 基于眾包數(shù)據(jù)的路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化
作者：陳鵬//魏磊
開本：
16開
頁數(shù)：
193
本類榜單：工業(yè)技術(shù)銷量榜
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設(shè)計(下)
-
>
基于個性化設(shè)計策略的智能交通系統(tǒng)關(guān)鍵技術(shù)
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術(shù)轉(zhuǎn)移與技術(shù)創(chuàng)新歷史叢書中國高等技術(shù)教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學(xué)的問題與脈絡(luò)
基于眾包數(shù)據(jù)的路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化 版權(quán)信息
- ISBN：9787030728111
- 條形碼：9787030728111 ; 978-7-03-072811-1
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
基于眾包數(shù)據(jù)的路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化 內(nèi)容簡介
伴隨移動互聯(lián)等新興技術(shù)的發(fā)展與應(yīng)用，以移動眾包為代表的交通感知方法愈加豐富，交通信息感知的粒度愈加精細，為城市交通協(xié)同管控能力提升與技術(shù)變革帶來了新機遇。本書面向眾包環(huán)境，對基于眾包數(shù)據(jù)的城市路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化的科學(xué)規(guī)律進行了細致研究，沿著交通態(tài)勢感知和信號控制優(yōu)化兩條主線，系統(tǒng)探討了眾包軌跡重構(gòu)、溢流風(fēng)險辨識、交通瓶頸辨識、交通信號控制優(yōu)化等方法，揭示了城市路網(wǎng)擁堵傳播機理，并提出了交通信號控制優(yōu)化策略。 本書可作為高等院校交通運輸類專業(yè)研究生和高年級本科生的參考資料，同時也可作為交通控制、智能交通、智能車輛等專業(yè)領(lǐng)域科研人員的參考書。
基于眾包數(shù)據(jù)的路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化 目錄
目錄
前言
第1章 緒論 1
1.1 研究背景及意義 1
1.2 國內(nèi)外研究現(xiàn)狀 3
1.2.1 車輛軌跡重構(gòu) 3
1.2.2 基于眾包軌跡的信號交叉口排隊長度估計 5
1.2.3 基于張量分解的缺失數(shù)據(jù)填補和交通狀態(tài)估計 9
1.2.4 面向排隊溢流風(fēng)險防控的干道信號控制優(yōu)化 11
1.2.5 路網(wǎng)瓶頸辨識 14
1.2.6 路網(wǎng)瓶頸控制 18
1.3 本書內(nèi)容及章節(jié)安排 23
參考文獻 25
第2章 基于粒子濾波的眾包車輛軌跡重構(gòu) 36
2.1 粒子濾波模型 36
2.1.1 系統(tǒng)狀態(tài)預(yù)測 37
2.1.2 預(yù)測狀態(tài)修正 37
2.2 高噪聲軌跡數(shù)據(jù)修復(fù) 38
2.2.1 單交叉口初始粒子構(gòu)建 38
2.2.2 連續(xù)交叉口初始粒子構(gòu)建 43
2.2.3 測量準則設(shè)計 44
2.2.4 重構(gòu)軌跡輸出 46
2.3 數(shù)據(jù)采集與實驗分析 47
2.3.1 數(shù)據(jù)描述 47
2.3.2 測試場景一：單交叉口 47
2.3.3 測試場景二：連續(xù)交叉口 51
參考文獻 55
第3章 基于卡爾曼濾波與變分理論的交通流軌跡重構(gòu) 58
3.1 卡爾曼濾波與變分理論整合模型 58
3.1.1 標準離散卡爾曼濾波 58
3.1.2 基于卡爾曼濾波與變分理論整合的車輛軌跡重構(gòu)模型 59
3.2 交通流全樣本軌跡重構(gòu) 60
3.2.1 提取關(guān)鍵點信息 60
3.2.2 車輛運動狀態(tài)分類 60
3.2.3 估計排隊消散波 61
3.2.4 建立時間離散的排隊狀態(tài)空間模型 61
3.2.5 基于卡爾曼濾波估計排隊邊界曲線 62
3.2.6 車輛運行軌跡重構(gòu)模型 63
3.3 數(shù)據(jù)采集與實驗分析 64
3.3.1 NGSIM數(shù)據(jù)預(yù)處理 66
3.3.2 路段車輛運行軌跡重構(gòu)模型基本參數(shù) 66
3.3.3 模型評價準則 67
3.3.4 路段車輛運行軌跡重構(gòu)模型測試與分析結(jié)果 67
3.3.5 敏感性分析 69
參考文獻 70
第4章 基于眾包軌跡的信號交叉口周期排隊長度估計 71
4.1 交通波理論 72
4.2 周期到達場景分類 73
4.3 未飽和交通狀態(tài)下周期到達流率估計 77
4.4 飽和交通狀態(tài)下周期到達流率估計 78
4.5 基于參數(shù)估計的排隊長度估計 80
4.5.1 初始排隊長度估計 80
4.5.2 *大排隊長度估計 81
4.6 基于非參數(shù)估計的排隊長度估計 83
4.6.1 車輛排隊位置估計 83
4.6.2 排隊長度分布估計 84
4.7 數(shù)據(jù)采集與實驗分析 85
4.7.1 仿真分析 85
4.7.2 實證分析 101
參考文獻 103
第5章 基于迭代張量分解的卡口數(shù)據(jù)修復(fù) 105
5.1 張量分解方法基礎(chǔ) 105
5.2 交通流數(shù)據(jù)張量特征 107
5.2.1 交通數(shù)據(jù)相關(guān)性介紹 108
5.2.2 交通流數(shù)據(jù)低秩性介紹 108
5.3 周期到達流率動態(tài)張量建模 109
5.4 迭代張量分解算法 111
5.4.1 截斷奇異值分解方法 112
5.4.2 結(jié)合截斷奇異值分解的張量分解算法 114
5.4.3 迭代張量分解算法 115
5.5 數(shù)據(jù)采集與實驗分析 117
5.5.1 實驗設(shè)計 117
5.5.2 隨機缺失條件下算法性能分析 120
5.5.3 極端缺失條件下算法性能分析 122
5.5.4 非常發(fā)交通事件下算法性能分析 123
5.5.5 算法對比結(jié)果 124
參考文獻 125
第6章 基于溢流風(fēng)險平衡的干道信號控制優(yōu)化 127
6.1 基于周期排隊長度的干道分割方法 127
6.1.1 交叉口排隊溢流現(xiàn)象分析 127
6.1.2 周期排隊清空區(qū)域計算 129
6.1.3 溢流風(fēng)險區(qū)域的計算 130
6.1.4 基于溢流風(fēng)險辨識的干道分割方法 130
6.2 基于溢流風(fēng)險平衡的信號控制優(yōu)化算法 132
6.2.1 交通信號控制概述 132
6.2.2 干道直行相位信號控制優(yōu)化方法 134
6.2.3 干道左轉(zhuǎn)相位信號控制優(yōu)化方法 135
6.2.4 支路相位信號控制優(yōu)化方法 136
6.3 實驗分析 137
6.3.1 交通信號控制評價指標 138
6.3.2 信號控制優(yōu)化算法仿真結(jié)果分析 138
6.3.3 排隊長度估計誤差對信號控制優(yōu)化算法性能影響分析 142
參考文獻 145
第7章 基于擁堵有向關(guān)聯(lián)挖掘的路網(wǎng)交通瓶頸辨識 146
7.1 基于重構(gòu)軌跡的眾包車輛行駛方向識別 146
7.1.1 行駛方向識別與橫向定位誤差過濾 146
7.1.2 交叉口空間轉(zhuǎn)向識別 148
7.2 基于擁堵關(guān)聯(lián)性挖掘的路網(wǎng)擁堵傳播圖構(gòu)建 149
7.2.1 擁堵路段檢測 149
7.2.2 擁堵關(guān)聯(lián)性判定 150
7.2.3 路網(wǎng)擁堵關(guān)聯(lián)圖構(gòu)建 152
7.2.4 擁堵傳播圖構(gòu)建 155
7.2.5 擁堵傳播概率估計 156
7.3 流向級路網(wǎng)瓶頸辨識 158
7.3.1 擁堵持續(xù)時長估計 158
7.3.2 延誤估計 159
7.3.3 路段擁堵傳播費用估計 160
7.4 實驗分析 161
7.4.1 實驗路網(wǎng) 161
7.4.2 擁堵路段關(guān)聯(lián)性分析 162
7.4.3 路網(wǎng)交通瓶頸辨識 164
參考文獻 166
第8章 基于交通瓶頸辨識的區(qū)域信號控制優(yōu)化 169
8.1 基于交通瓶頸辨識的路網(wǎng)分層 169
8.1.1 瓶頸車流上游路網(wǎng)分層 169
8.1.2 瓶頸車流下游路網(wǎng)分層 169
8.2 基于軌跡溯源與追蹤的瓶頸關(guān)聯(lián)區(qū)動態(tài)劃分 170
8.2.1 瓶頸眾包軌跡分層溯源 171
8.2.2 瓶頸眾包軌跡分層追蹤 171
8.2.3 瓶頸關(guān)聯(lián)區(qū)動態(tài)劃分 172
8.3 瓶頸關(guān)聯(lián)區(qū)外層邊界智能控制 173
8.3.1 路網(wǎng)時空狀態(tài)表示 174
8.3.2 邊界智能體動作空間構(gòu)建 175
8.3.3 邊界智能體獎勵函數(shù)構(gòu)建 176
8.3.4 邊界智能體深度強化學(xué)習(xí)機制設(shè)計 177
8.4 瓶頸關(guān)聯(lián)區(qū)內(nèi)層信號交叉口動態(tài)協(xié)調(diào)控制 180
8.4.1 內(nèi)層關(guān)聯(lián)交叉口動態(tài)協(xié)調(diào)控制基本思想 180
8.4.2 考慮路段時變?nèi)萘康钠款i車流加放控制 181
8.4.3 考慮動態(tài)消散量的瓶頸關(guān)聯(lián)交叉口截流控制 184
8.5 仿真實驗分析 185
8.5.1 瓶頸眾包軌跡溯源與追蹤 185
8.5.2 關(guān)聯(lián)區(qū)外層邊界智能控制 186
8.5.3 關(guān)聯(lián)區(qū)內(nèi)層信號交叉口動態(tài)協(xié)調(diào)控制 189
參考文獻 192
彩圖
展開全部
基于眾包數(shù)據(jù)的路網(wǎng)交通態(tài)勢感知與信號控制優(yōu)化 節(jié)選
第1章 緒論 1.1 研究背景及意義 隨著我國經(jīng)濟的飛速發(fā)展、人均 GDP逐年穩(wěn)步提升，城鎮(zhèn)化進程也在不斷加快。自“七九一八”工程實施以來，我國道路基礎(chǔ)設(shè)施建設(shè)取得了顯著成效，截至2017年年底，我國公路總里程數(shù)突破477萬公里，其中高速公路里程13.65萬公里[1]。與此同時我國機動車保有量也在逐年攀升，據(jù)公安部統(tǒng)計，截至2017年年底，我國機動車保有量突破3億輛，其中汽車2.17億輛。交通需求的快速增長遠大于交通供給的增加，由此帶來的交通擁堵、交通事故頻發(fā)、環(huán)境污染(霧霾、碳排放超標等)、能源短缺等問題嚴重制約了城市的深度發(fā)展。高德導(dǎo)航發(fā)布的《2019年度中國主要城市交通分析報告》顯示，全國交通暢通城市占比僅為39%，19%的城市交通擁堵仍在加劇。美國交通信息服務(wù)公司 INRIX發(fā)布的報告顯示，美國2019年由交通擁堵直接或間接導(dǎo)致的經(jīng)濟損失高達880億美元。中國交通運輸部統(tǒng)計的數(shù)據(jù)顯示，交通擁堵每年造成我國經(jīng)濟損失更是高達2500億人民幣。由此可見，防治交通擁堵的緊迫性日益凸顯。考慮到城市交通路網(wǎng)自身固有的復(fù)雜性和時變特征，建立科學(xué)有效的交通態(tài)勢感知方法將對今后評判交通擁堵的治理效果、交通規(guī)劃以及制定交通政策法規(guī)提供有力支持和保障。 大數(shù)據(jù)和萬物互聯(lián)時代的到來為眾多科學(xué)和工程領(lǐng)域帶來了革新，交通領(lǐng)域也不例外。隨著移動互聯(lián)網(wǎng)、物聯(lián)網(wǎng)( Internet of Things，IOT)、云計算等技術(shù)的迅速崛起，智慧城市( Smart City)、智能交通系統(tǒng)( Intelligent Transportation Systems，ITS)等應(yīng)用逐步推廣，“互聯(lián)網(wǎng)+”和大數(shù)據(jù)時代的智慧交通應(yīng)運而生。大數(shù)據(jù)技術(shù)為智能交通系統(tǒng)的發(fā)展提供了技術(shù)支撐，也為交通管理與決策的范式革新帶來了機遇和挑戰(zhàn)。在大數(shù)據(jù)和萬物互聯(lián)的時代背景下，傳統(tǒng)的管理決策逐漸從以管理流程為主的線性范式向以數(shù)據(jù)為中心的扁平化范式進行轉(zhuǎn)變。作為 ITS的一個子系統(tǒng)，交通信息采集系統(tǒng)是其中的一個重要組成部分[2]，交通信息的采集是進行交通管理和交通規(guī)劃的重要基礎(chǔ)。現(xiàn)有的信息采集設(shè)備主要分為兩類：傳統(tǒng)的固定型檢測器和基于移動傳感的移動型檢測器。傳統(tǒng)的固定型檢測器如環(huán)形線圈、紅外線、雷達、超聲波和視頻檢測器，在過去的幾十年中得到了廣泛的應(yīng)用。固定型檢測器能夠連續(xù)地提供某一固定地點在一定時間間隔內(nèi)的交通流信息(速度、流量、占有率等交通特征參數(shù))，但是不能提供完整的空間檢測信息。此外，由于我國多數(shù)城市路網(wǎng)密度較大，固定檢測器不能完全覆蓋全部路網(wǎng)節(jié)點，這也在某種程度上限制了交通信息的獲取。據(jù)《中國交通信號控制系統(tǒng)及設(shè)備應(yīng)用調(diào)查報告》[2]顯示，國內(nèi)一線城市控制系統(tǒng)檢測器設(shè)備完好率不足50%，眾多二三線城市甚至低于30%。不僅如此，由于種種原因(施工損壞、線路故障、處理失誤等)，部分道路的交通數(shù)據(jù)存在大量缺失現(xiàn)象。 伴隨移動互聯(lián)等新一代信息技術(shù)的發(fā)展，交通信息的獲取、交互與融合催生出新的業(yè)態(tài)[3]。由出行者通過智能終端設(shè)備(如車載導(dǎo)航、智能手機)以眾包方式反饋時空位置信息，即高頻時空連續(xù)位置數(shù)據(jù)(軌跡)，正成為一種新的交通信息獲取手段。眾包軌跡從時間和空間兩個維度突破了定點檢測數(shù)據(jù)采集的瓶頸，并且具有廣域、持續(xù)、可靠、低成本等特點。如何充分挖掘眾包軌跡數(shù)據(jù)、提取有效的交通信息，使其服務(wù)于城市道路交通管理與控制已成為目前智能交通領(lǐng)域研究的國際前沿科學(xué)問題[4]。眾包軌跡數(shù)據(jù)不僅可以體現(xiàn)車輛在路網(wǎng)上的起訖點與行駛路徑，而且可以反映瞬時速度隨時間和空間的變化特征，蘊含豐富的交通流信息，是對交通運行狀態(tài)的直觀表達。相比定點檢測數(shù)據(jù)，眾包數(shù)據(jù)能否為交通管控提供決策支持，很大程度上取決于眾包用戶數(shù)量在整體交通流中的占比，即滲透率(Penetration Rate)。面向未來全息車聯(lián)網(wǎng)環(huán)境的仿真研究顯示，不同應(yīng)用場景下基于眾包軌跡數(shù)據(jù)的交通工程實踐均對滲透率有較高要求：車道級速度估計(>20%)[5]、交通運行狀態(tài)評價(20%～50%)[6]、交通信號控制(>20%)[7-9]。而據(jù)統(tǒng)計，以滴滴出行、高德導(dǎo)航為代表的互聯(lián)網(wǎng)公司通過手機 APP采集的海量眾包數(shù)據(jù)在城市干道的滲透率一般低于10%[10，11]。由于智能網(wǎng)聯(lián)車輛及車車、車路協(xié)同基礎(chǔ)設(shè)施的部署需要較長的時間周期，同時受隱私保護等條件限制，在未來相當(dāng)長的一段時間內(nèi)，眾包用戶滲透率仍將維持在較低的水平。因此，能否在低滲透率環(huán)境下精準評估、深度診斷交通運行狀態(tài)，是現(xiàn)階段基于眾包軌跡數(shù)據(jù)優(yōu)化交通控制策略的關(guān)鍵，亦是面向未來車聯(lián)網(wǎng)環(huán)境探索和開發(fā)下一代交通控制系統(tǒng)的重要支撐。 時下，“互聯(lián)網(wǎng)+信號燈”成為研究熱點。阿里發(fā)布“城市大腦1.0”接管杭州市128個信號燈的配時優(yōu)化；滴滴出行利用出租車、專快車等眾包軌跡數(shù)據(jù)，構(gòu)建“感知-評估-優(yōu)化-實施”閉環(huán)的交通信號監(jiān)控與優(yōu)化系統(tǒng)，并在濟南、武漢等城市落地1200多套路口配時優(yōu)化方案，一定程度上緩解了交通擁堵問題。然而，以上實踐僅實現(xiàn)了不分車道、不分流向的“粗粒度”交通狀態(tài)評估與針對 TOD(Time-of-Day)劃分的“多時段”定周期信號配時優(yōu)化。優(yōu)化控制大多被動響應(yīng)交通需求變化，對排隊從正常狀態(tài)向溢流狀態(tài)的演變過程及控制策略缺乏深入分析。此外，現(xiàn)階段城市路網(wǎng)交通需求持續(xù)增長，交叉口、干道常處于發(fā)生排隊溢流的高風(fēng)險和高頻率狀態(tài)。因此，在當(dāng)前交通環(huán)境下，基于低滲透率眾包軌跡數(shù)據(jù)，分周期、分流向地“細粒度”評估交通狀態(tài)，及時、準確地預(yù)測排隊溢流風(fēng)險，并對大規(guī)模路網(wǎng)交通瓶頸進行辨識，科學(xué)診斷擁堵致因，建立區(qū)域路網(wǎng)信號控制優(yōu)化理論與方法體系，是交通控制領(lǐng)域亟待解決的關(guān)鍵理論問題。 1.2 國內(nèi)外研究現(xiàn)狀 1.2.1 車輛軌跡重構(gòu) 在交通工程領(lǐng)域，車輛軌跡主要涉及兩個層面：①車輛在路網(wǎng)行駛走過的完整路徑，包含 OD(Origin Destination)信息；②車輛在某一路段上運行對應(yīng)的時空物理軌跡，包含車輛的瞬時速度。車輛軌跡數(shù)據(jù)的采集方式主要包括視頻檢測、航拍、探測車等，存在以下缺陷：①依賴定點檢測(如視頻、航拍)采集的軌跡只能覆蓋較小范圍并且安裝維護成本高，需要花費大量人力、物力；②移動檢測設(shè)備的滲透率較低，基于移動檢測(如探測車)采集的軌跡往往時空稀疏，并且包含大量誤差。鑒于此，眾多研究者提出軌跡重構(gòu)方法，根據(jù)選取交通數(shù)據(jù)的類別，現(xiàn)有的軌跡重構(gòu)方法可分為三大類，其研究脈絡(luò)如圖1-1所示。 圖1-1 車輛軌跡重構(gòu)研究脈絡(luò)圖 1)基于定點檢測數(shù)據(jù)的車輛軌跡重構(gòu) 2002年，Coifman等[12]基于交通流理論和基本圖假設(shè)提出一種快速路旅行時間和車輛軌跡估計方法，利用某一位置的單個線圈檢測器數(shù)據(jù)估計道路局部交通參數(shù)，之后將局部參數(shù)外推拓展至整個路段。但是，僅利用道路局部單個檢測器數(shù)據(jù)并不夠全面。2010年，Lint等[13]基于連續(xù)多個線圈檢測器數(shù)據(jù)，提取車輛在上下游的位置信息重構(gòu)車輛完整軌跡，該方法重構(gòu)的實際上是一種理想化的分段平滑軌跡。隨后，Lint等[14]融合快速路其他檢測器數(shù)據(jù)估計旅行時間和車輛軌跡，避免對車輛速度進行平滑處理，提高了軌跡重構(gòu)方法的魯棒性。但由于線圈檢測器覆蓋率低、完好性差，檢測數(shù)據(jù)自身包含大量原始誤差，據(jù)此重構(gòu)出的軌跡精確性較低。 車輛自動識別系統(tǒng)( Automatic Vehicle Identification，AVI)的廣泛應(yīng)用，為軌跡重構(gòu)提供了另外的定點檢測數(shù)據(jù)源。2015年，Yang等[15]使用 AVI數(shù)據(jù)構(gòu)建軌跡重構(gòu)綜合框架，基于粒子濾波在微觀層面確定單個車輛的路徑選擇，并將隨機用戶均衡原理與宏觀層面的路徑流量估計器相結(jié)合，生成更準確的車輛路徑估計，并提出粒子濾波的三個測量準則標準，即路徑一致性、 AVI可測性和路徑吸引，通過更新狀態(tài)空間模型修正流量估計結(jié)果，估計結(jié)果表明粒子濾波方法可以準確估計車輛路徑。在此基礎(chǔ)上，2018年，Rao等[16]進一步利用自動車牌識別( Automatic License Plate Recognition，ALPR)數(shù)據(jù)識別不同車輛，基于粒子濾波算法提出一種離線方法重構(gòu)路網(wǎng)中的車輛路徑。根據(jù)路徑重構(gòu)結(jié)果，進一步估計歷史 OD模式，并在城市路網(wǎng)中進行了測試和驗證。該方法在 ALPR檢測器高覆蓋率和高識別率的情況下，可以準確重構(gòu)車輛路徑，但當(dāng) ALPR檢測器覆蓋率和識別率較低的情況下，估計誤差較大。 2)基于移動檢測數(shù)據(jù)的車輛軌跡重構(gòu) 2016年，Wan等[17]利用探測稀疏的歷史更新數(shù)據(jù)估計交叉口的旅行時間和排隊模式。根據(jù)排隊和信號配時統(tǒng)計數(shù)據(jù)，將車輛軌跡劃分為不同的類別，包括不停止軌跡、單次停車軌跡和多次停車軌跡。基于極大似然估計重構(gòu)探測車 GPS稀疏更新之間*大可能性的缺失軌跡。2017年，Hao等[18]提出一種估計車輛 GPS稀疏更新點之間車輛行駛模式(加速、減速、巡航和空轉(zhuǎn))所有可能序列的概率模型。利用歷史軌跡數(shù)據(jù)的先驗分布校準模型，通過匹配行駛模式的*優(yōu)序列，重構(gòu)稀疏更新之間的軌跡缺失部分。2015年，Lint等[19]將研究道路區(qū)域離散為節(jié)點和連邊組成的時空網(wǎng)格，采用一階交通流理論和變分公式( Variational Formulation，VF)將節(jié)點間的速度(軌跡斜率)設(shè)置為離散時空網(wǎng)格中的分段常數(shù)(無加速度)，重構(gòu)分段線性的全樣本車輛軌跡。2015年，Sun等[20]發(fā)現(xiàn)當(dāng)分段線性軌跡被用來評估車輛的能源消耗和排放時會產(chǎn)生較大誤差。2016年，Shan等[21]考慮車輛的加\減速度行為，根據(jù)采集的部分軌跡數(shù)據(jù)，將車輛駕駛模式劃分為不同的狀態(tài)，并提出估計不同狀態(tài)的概率模型，同時基于極大似然估計重構(gòu)探測車連續(xù)采樣位置之間缺失的軌跡。2018年， Li等[22]提出一種基于 k近鄰算法的軌跡重構(gòu)方法，根據(jù)不完整軌跡旅行時間估計完整軌跡，擴大樣本數(shù)量。2021年，蔣陽升等[23]利用部分探測車數(shù)據(jù)基于智能駕駛跟馳模型(Intelligent Diver Model，IDM)對缺失車輛位置信息進行估計，據(jù)此實現(xiàn)快速路車輛軌跡重構(gòu)。然而，單一類型檢測器只能提供有限的交通信息，考慮到道路檢測設(shè)備的多樣性，另外一些學(xué)者融合多源數(shù)據(jù)進行車輛軌跡重構(gòu)[24-26]。 3)基于多源數(shù)據(jù)融合的車輛軌跡重構(gòu) 2011年，Mehran等[27]將出租車作為探測車，通過融合探測車數(shù)據(jù)、交叉口信號配時數(shù)據(jù)和 AVI數(shù)據(jù)，提出一種適用于城市信號控制交叉口的車輛軌跡重構(gòu)方法。并以日本東京的道路交叉口為例，進行數(shù)據(jù)采集和方法驗證，發(fā)現(xiàn)當(dāng)探測車滲透率高于7%時，該方法可以準確重構(gòu)大部分車輛軌跡。2012年，Habu等[28]在此基礎(chǔ)上進一步融合定點線圈檢測器數(shù)據(jù)，對道路上的車輛短時軌跡進行預(yù)測。隨后， Sun等[29]同樣基于探測車數(shù)據(jù)，融合上游 AVI數(shù)據(jù)和交叉口信號配時數(shù)據(jù)，構(gòu)建適用于單點交叉口的車輛軌跡重構(gòu)模型，并采集實際數(shù)據(jù)進行參數(shù)標定和方法驗證。2016年，唐克雙等[30]在缺少高質(zhì)量探測車數(shù)據(jù)的情況下，對交通信號數(shù)據(jù)、定點線圈檢測器數(shù)據(jù)和視頻檢測器數(shù)據(jù)進行融合，提出一種交通流全樣本車輛軌跡重構(gòu)方法。 以上方法均是針對交叉口車輛短時軌跡重構(gòu)，并未拓展至連續(xù)干道層面。2019年，Jabari等[31]整合車輛跟馳模型和條件隨機場算法( Conditional Random Fields Algorithm)，基于車輛 GPS數(shù)據(jù)和信號配時數(shù)據(jù)重構(gòu)車輛軌跡。該方法屬于數(shù)據(jù)驅(qū)動算法，研究過程需要采集大量檢測數(shù)據(jù)，隨著道路幾何面積的增加，所需樣本量將迅速增加，無法保證算法效率。2018年，Xie等[32]考慮到定點線圈檢測器采集的數(shù)據(jù)存在大量漏檢和錯檢，故利用信號配時數(shù)據(jù)、車輛通過時間和車輛旅行時間觀測數(shù)據(jù)修正測量誤差，將定點檢測器數(shù)據(jù)與觀測數(shù)據(jù)融合，并集成于同一微觀交通仿真框架中，利用粒子濾波重構(gòu)信號控制干道車輛軌跡，結(jié)果表明粒子濾波方法可以有效修正測量誤
書友推薦
- >
上帝之肋:男人的真實旅程
- >
巴金－再思錄
- >
自卑與超越
- >
回憶愛瑪儂
- >
小考拉的故事-套裝共3冊
- >
唐代進士錄
- >
經(jīng)典常談
- >
名家?guī)阕x魯迅:故事新編
本類暢銷
