CN107293115A - 一种用于微观仿真的交通流量预测方法 - Google Patents
一种用于微观仿真的交通流量预测方法 Download PDFInfo
- Publication number
- CN107293115A CN107293115A CN201710323353.9A CN201710323353A CN107293115A CN 107293115 A CN107293115 A CN 107293115A CN 201710323353 A CN201710323353 A CN 201710323353A CN 107293115 A CN107293115 A CN 107293115A
- Authority
- CN
- China
- Prior art keywords
- mrow
- value
- msubsup
- particle
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明涉及一种用于微观交通仿真的交通流量预测方法,其特征在于,包括以下步骤:构建路网模型,利用实际数据进行微观仿真模型标定。同时,采集实际流量,基于粒子群优化BP神经网络算法的交通流量预测获得预测流量数据,输出预测流量进行仿真运算、输出该时间段内仿真结果,得到各路段的流量值。仿真流量值作为输入,结合实际采集流量再次通过预测算法进行预测,直至仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求,而后进行预测流量在微观仿真软件中进行评价,以研究预测结果对未来交通产生的影响,使分析更科学、合理。
Description
技术领域
本发明涉及一种用于微观交通仿真的交通流量预测方法,属于交通预测分析技术领域。
背景技术
对于交通流预测,国内外很多学者做过大量的研究,得到了很多预测方法,比如历史数据平均值法、卡尔曼滤波理论、人工神经网络法等,不同方法各有优缺点。本发明采用改进粒子群优化的BP神经网络。
由于近年来数据采集手段的发展,人工神经网络重新成为了一个研究热点。在预测方面,相较于其它方法,人工神经网络具有很强的鲁棒性、自适应非线性的特点以及分布式信息存储、并行信息处理的能力,非常适合用于预测交通流这种异常复杂的开放性系统。BP神经网络是目前应用最广泛的人工神经网络模型之一,但是单纯的BP神经网络具有易陷入局部极小值以及实时性不强等问题,需要进一步利用优化算法对其进行收敛速度和全局寻优能力的优化。
粒子群优化算法被中国科学院文献情报中心与汤森路透旗下的知识产权与科技事业部联合发布的《2015研究前沿》评为数学与计算机领域的十大研究热点,相较于模拟退火、遗传算法等优化算法,其具有复杂度低、计算量小、适用性强、收敛速度快等优点。但是由于粒子种群的快速趋同效应,容易发生早熟收敛的现象。
发明内容
本发明的目的是利用粒子群优化算法对BP神经网络算法和微观仿真模型进行优化,提高交通流量预测的实用性。
为了达到上述目的,本发明的技术方案是提供了一种用于微观交通仿真的交通流量预测方法,其特征在于,包括以下步骤:
步骤1、根据研究范围内得实际路网情况,建立交通仿真模型;
步骤2、利用历史数据对交通仿真模型中的参数进行调整标定;
步骤3、在每一个预测周期内,通过布设在道路上的检测器,采集每个检测器的实际交通流量,将实际交通流量作为输入值;
步骤4、将输入值输入预测算法,从而得到每个检测器的预测流量,所述预测算法包括以下步骤:
步骤4.1、确定BP神经网络算法的拓扑结构,初始化网络权值和阈值,单独运算BP神经网络算法得到误差值;
同时,初始化粒子群优化算法粒子和速度,对其赋予随机值;
步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法;
步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值,初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找;
步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新,每次粒子更新之后,以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性,更新后重新训练BP神经网络得到新的适应度值;
步骤4.5、判断是否满足预设的迭代次数或精度要求,若满足,则进入步骤4.6,若不满足,则返回步骤4.2;
步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练,网络训练包括以下步骤:
步骤4.6.1、计算隐含层输出及输出层输出;
步骤4.6.2、计算预测输出和期望输出之间的误差;
步骤4.6.3、更新权值和阈值;
步骤4.6.4、判断终止条件是否满足,如果不满足,则返回步骤4.6.1,若满足,则输出每个检测器的预测流量;
步骤5、交通仿真模型根据预测算法输出的每个检测器的预测流量进行仿真运算,输出当前时间段内的仿真结果,得到仿真流量值,判断仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求,如果达到要求,结束运算,如果没有达到要求,则将仿真得到的仿真流量值作为输入值,重复步骤4及步骤5。
优选地,在所述步骤2中,将历史数据输入交通仿真模型得到仿真结果,通过比对仿真结果和历史的实际检测数据,得到交通仿真模型的模拟精度,从而对交通仿真模型中的参数进行调整标定。
优选地,步骤4.4中,所述粒子群算法的更新公式为:
式中,表示第k+1次迭代时第i个粒子的速度,w表示惯性权重系数,c1、c2表示加速因子,r1、r2表示0-1之间的随机数,表示第k次迭代时第i个粒子的个体极值的位置,表示第k次迭代时第i个粒子的位置,表示第k次迭代时群体极值的位置,表示第k+1次迭代时第i个粒子的位置。
本发明在优化算法中引入了自适应变异算子,即在粒子每次更新后以一定概率重新初始化粒子,使其能够跳出之前搜索到的最优位置,提高寻找到更优值的可能性。
通过本发明可以得到一系列交通评价指标,同时能够直观的展现出未来一段时间内路段的交通情况;并且使用者可以根据预测流量值,在仿真系统内对计划采用的疏导措施进行模拟推演并分析其预期效果,从而对决策的制定和实施提供重要参考价值。
附图说明
图1为一种用于微观交通仿真的交通流量预测方法示意图;
图2为BP神经网络拓扑结构。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
结合图1,本发明提供的一种用于微观交通仿真的交通流量预测方法,包括以下步骤:
步骤S-1:路网模型建立
在仿真软件中,根据研究范围内的实际路网情况,建立路网模型,包括道路、路面标志标线、以及交通信号灯、车检器等交通设施。
步骤S-2:利用实际数据进行模型标定
根据仿真模型的具体需求,采用合适的历史数据输入仿真软件中。通过比对仿真结果和实际检测数据,可以得到仿真模型的模拟精度,从而对模型中的参数进行调整标定。在微观仿真模型中,通常通过调整车速分布等参数提高仿真模型的精度。
微观仿真模型为交通影响分析的模块,将预测得到的流量值作为输入值输入微观仿真模型中,从而得到预测的交通状态以及相关交通评价指标。
微观仿真模型主要由三部分组成,第一部分是路网模型,用于精确描述路网的拓扑结构,包括交通信号灯、车检器等交通设施;第二部分是交通生成模块,用于对交通仿真模型进行交通数据输入和生成;第三部分是车辆行为模型,微观仿真模型的模拟对象是单一车辆,因此其车辆行为模型主要用于模拟车辆的跟驰、变道等精确行为。其中路网模型及车辆行为模型都采用仿真软件中现有的成熟模型,而交通生成模型则需要通过算法获得预测路网上的车流量、车辆分布等信息,将预测值作为仿真模型的输入值。
步骤S-3:采集实际流量,输入预测算法
在每一个预测周期内,通过布设在道路上的检测器(通常为线圈),采集实际的交通流量。将实测得到的流量值作为输入值输入预测算法。
步骤S-3-1-1:确定网络拓扑结构
在BP神经网络算法中,需要首先确定网络的拓扑结构。
步骤S-3-1-2:初始化网络权值和阈值
确定输入层节点数n,隐含层节点数l,输出层节点数m,并初始化输入层、隐含层和输出层之间的权值wij和wjk以及隐含层阈值a和输出层阈值b。初次单独运算BP神经网络算法得到误差值。
步骤S-3-2-1:粒子和速度初始化
粒子群算法首先在可行解空间中初始化一群粒子,每个粒子都代表极值优化问题的一个潜在最优解,用位置、速度和适应度值三项指标表示该粒子特征。
粒子在解空间中运动,通过跟踪个体极值Pbest和群体极值Gbest更新个体位置,个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置,群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。
粒子每更新一次位置,就计算一次适应度值,并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值Pbest和群体极值Gbest位置。
粒子群优化算法首先需要初始化粒子和速度,对其赋予随机值。
步骤S-3-2-2:BP神经网络训练得到的误差作为适应度值
将步骤S-3-1-2中通过网络训练得到的误差值的倒数作为适应度值输入粒子优化算法,此算法中适应度值越大越优(误差值越小越优)。
步骤S-3-2-3:寻找个体极值和群体极值
根据输入的适应度值确定每个粒子个体的极值和群体的极值。初次的个体极值和群体极值在步骤S-3-2-1中所赋予的随机值中寻找。
步骤S-3-2-4:速度、位置和粒子适应度更新
根据粒子群算法的更新公式对粒子的速度和位置进行更新,更新后重新训练BP神经网络得到更新后的适应度值。
粒子群算法的更新公式为:
式中,表示第k+1次迭代时第i个粒子的速度,w表示惯性权重系数,c1、c2表示加速因子,r1、r2表示0-1之间的随机数,表示第k次迭代时第i个粒子的个体极值的位置,表示第k次迭代时第i个粒子的位置,表示第k次迭代时群体极值的位置,表示第k+1次迭代时第i个粒子的位置。
步骤S-3-2-5:个体极值和群体极值更新
根据新的适应度值来更新每个粒子个体的极值和群体的极值。
步骤S-3-2-6:以一定概率重新初始化粒子
每次粒子更新之后,以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性。
步骤S-3-2-7:判定是否满足终止条件
如果不满足预设的迭代次数或精度要求,则重复步骤S-3-5到步骤S-3-7,直至满足终止条件。
步骤S-3-1-3:获得最优权值和阈值
将粒子群算法的结果(即最优群体极值)作为最优的权值和阈值输入BP神经网络进行网络训练。
步骤S-3-1-4:网络训练
隐含层输出计算:
Hj表示隐含层输出,f表示隐含层激励函数(根据需求有多种表示式),n表示输入层节点数,xi表示神经网络输入值,aj表示隐含层阈值。
输出层输出计算:
Ok表示预测输出,bk表示输出层阈值。
步骤S-3-1-5:计算误差
计算预测输出Ok和期望输出Yk之间的误差ek:
ek=Yk-Ok k=1,2,...,m
m表示输出层节点数。
步骤S-3-1-6:权值和阈值更新
权值更新公式为:
wjk=wjk+ηHjek j=1,2,...,l;k=1,2,...,m
阈值更新公式为:
bk=bk+ek
式中,η表示网络学习率,x(i)表示神经网络输入值,bk表示输出层阈值。
步骤S-3-1-7判断是否终止迭代
判断终止条件是否满足,如果不满足,则返回步骤S-3-1-4,直至满足终止条件,输出预测流量值。
步骤S-4:获得预测线圈流量数据,生成车辆:
每一个预测时间段内,微观仿真软件可以通过接口从预测算法中获得此时间段内,研究路段内每个线圈的流量,从而得到预测时间段内车辆的分布状态。
通过预测算法得到的流量值为线圈流量,而两个线圈之间的车辆数通过下列公式计算:
(1)自由流的情况下,对于道路上第i个线圈和它的下一个线圈之间的路段,计算出所需的时间t,那么从现在向前的t时间内通过第i个线圈的车辆数就是这两个线圈之间路段上的车辆数,车辆数可以从数据库中取得。时间t的计算可通过下面的公式:
式中,Li,i+1为第i个和第i+1个线圈之间的距离;Vi和Vi+1分别为车辆到达上下两个线圈时的速度。
(2)交通拥堵的情况下,利用M3分布模型。假设车辆处于两种行驶状态:一部分是车队状态行驶;另一部分车辆按自由流状态行驶。分布函数F(t)为:
式中:为采集点在不同时刻采集到此路段的车头时距,表示车辆处于车队状态行驶时,车辆之间保持的最小车头时距;为参数,其中tf为车头时距大于t的样本观测值的均值;为按自由流状态行驶车辆所占的比例,n、m分别为采集点的次数和采集点的车头时距不大于给定值λ0的个数。
设此路段路长为L2,则得到此路段上的车辆为
步骤S-5:根据预测的车流量进行仿真运算
仿真模型根据预测算法得到的流量数据进行仿真运算,输出平均车速、延误等交通指标。
步骤S-6:
输出该时间段内仿真结果,得到各路段的流量值。
步骤S-7:仿真流量值和预测算法得到的流量值拟合
判断是否满足终止条件,即仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求。如果达到误差要求,结束运算;如果没有,则将仿真得到的流量数据输入预测算法中,重复步骤S-3到S-7,直到预测得到的流量与仿真得到的流量误差达到要求,运算结束。
Claims (3)
1.一种用于微观交通仿真的交通流量预测方法,其特征在于,包括以下步骤:
步骤1、根据研究范围内得实际路网情况,建立交通仿真模型;
步骤2、利用历史数据对交通仿真模型中的参数进行调整标定;
步骤3、在每一个预测周期内,通过布设在道路上的检测器,采集每个检测器的实际交通流量,将实际交通流量作为输入值;
步骤4、将输入值输入预测算法,从而得到每个检测器的预测流量,所述预测算法包括以下步骤:
步骤4.1、确定BP神经网络算法的拓扑结构,初始化网络权值和阈值,单独运算BP神经网络算法得到误差值;
同时,初始化粒子群优化算法粒子和速度,对其赋予随机值;
步骤4.2、将上一步得到的误差值的倒数作为适应度值输入粒子群优化算法;
步骤4.3、根据输入的适应度值确定每个粒子个体的极值和群体的极值,初次的个体极值和群体极值在步骤4.1中所赋予的随机值中寻找;
步骤4.4、根据粒子群算法的更新公式对粒子的速度和位置进行更新,每次粒子更新之后,以一定概率重新初始化粒子来扩大搜索空间并保持种群的多样性,更新后重新训练BP神经网络得到新的适应度值;
步骤4.5、判断是否满足预设的迭代次数或精度要求,若满足,则进入步骤4.6,若不满足,则返回步骤4.2;
步骤4.6、将粒子群优化算法输出的最优群体极值作为最优的权值和阈值输入BP神经网络算法进行网络训练,网络训练包括以下步骤:
步骤4.6.1、计算隐含层输出及输出层输出;
步骤4.6.2、计算预测输出和期望输出之间的误差;
步骤4.6.3、更新权值和阈值;
步骤4.6.4、判断终止条件是否满足,如果不满足,则返回步骤4.6.1,若满足,则输出每个检测器的预测流量;
步骤5、交通仿真模型根据预测算法输出的每个检测器的预测流量进行仿真运算,输出当前时间段内的仿真结果,得到仿真流量值,判断仿真得到的流量值和预测算法得到的流量值误差是否达到预先设定的要求,如果达到要求,结束运算,如果没有达到要求,则将仿真得到的仿真流量值作为输入值,重复步骤4及步骤5。
2.如权利要求1所述的一种用于微观交通仿真的交通流量预测方法,其特征在于,在所述步骤2中,将历史数据输入交通仿真模型得到仿真结果,通过比对仿真结果和历史的实际检测数据,得到交通仿真模型的模拟精度,从而对交通仿真模型中的参数进行调整标定。
3.如权利要求1所述的一种用于微观交通仿真的交通流量预测方法,其特征在于,步骤4.4中,所述粒子群算法的更新公式为:
<mrow>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>wV</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msub>
<mi>r</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>V</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
式中,表示第k+1次迭代时第i个粒子的速度,w表示惯性权重系数,c1、c2表示加速因子,r1、r2表示0-1之间的随机数,表示第k次迭代时第i个粒子的个体极值的位置,表示第k次迭代时第i个粒子的位置,表示第k次迭代时群体极值的位置,表示第k+1次迭代时第i个粒子的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710323353.9A CN107293115B (zh) | 2017-05-09 | 2017-05-09 | 一种用于微观仿真的交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710323353.9A CN107293115B (zh) | 2017-05-09 | 2017-05-09 | 一种用于微观仿真的交通流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107293115A true CN107293115A (zh) | 2017-10-24 |
CN107293115B CN107293115B (zh) | 2020-09-08 |
Family
ID=60094984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710323353.9A Active CN107293115B (zh) | 2017-05-09 | 2017-05-09 | 一种用于微观仿真的交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107293115B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945534A (zh) * | 2017-12-13 | 2018-04-20 | 浙江大学城市学院 | 一种基于gmdh神经网络的交通车流量预测方法 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN109508631A (zh) * | 2018-09-12 | 2019-03-22 | 上海电科智能系统股份有限公司 | 一种基于分布式光纤传感技术的交通流模型构建方法 |
CN109635495A (zh) * | 2018-12-29 | 2019-04-16 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
CN109949577A (zh) * | 2019-04-25 | 2019-06-28 | 贵州大学 | 一种道路交通流量预测方法 |
CN110444022A (zh) * | 2019-08-15 | 2019-11-12 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN110619393A (zh) * | 2019-09-27 | 2019-12-27 | 上海交通大学 | 基于学习算法的交通仿真软件参数标定方法、系统及介质 |
CN111274727A (zh) * | 2020-01-17 | 2020-06-12 | 南京星火技术有限公司 | 电子设备、微波产品模型设计装置和计算机可读介质 |
CN111412959A (zh) * | 2020-04-29 | 2020-07-14 | 长江水利委员会水文局 | 流量在线监测计算方法、监测仪以及监测系统 |
CN113177320A (zh) * | 2021-05-07 | 2021-07-27 | 中南大学 | 一种道路动态拥挤收费的分布式鲁棒仿真优化方法、系统、设备及介质 |
CN114241756A (zh) * | 2021-12-07 | 2022-03-25 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路施工期间硬路肩动态使用方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
CN104408518A (zh) * | 2014-11-12 | 2015-03-11 | 山东地纬数码科技有限公司 | 基于粒子群优化算法的神经网络学习优化方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
-
2017
- 2017-05-09 CN CN201710323353.9A patent/CN107293115B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496284A (zh) * | 2011-12-24 | 2012-06-13 | 重庆大学 | 一种道路交通流量采集及预测方法 |
CN104408518A (zh) * | 2014-11-12 | 2015-03-11 | 山东地纬数码科技有限公司 | 基于粒子群优化算法的神经网络学习优化方法 |
KR101638368B1 (ko) * | 2015-01-02 | 2016-07-11 | 경희대학교 산학협력단 | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 |
Non-Patent Citations (5)
Title |
---|
余国强: ""基于小波神经网络的短时交通流预测算法的研究"", 《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》 * |
傅贵: ""城市智能交通动态预测模型的研究及应用"", 《中国博士学位论文全文数据库·工程科技Ⅱ辑》 * |
李奎等: ""基于微观仿真的快速路短时交通流预测"", 《安徽理工大学学报(自然科学版)》 * |
杨嘉等: ""微观交通仿真流程及其应用"", 《城市交通》 * |
王书灵等: ""基于微观交通仿真的交通影响评价研究"", 《交通运输系统工程与信息》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945534A (zh) * | 2017-12-13 | 2018-04-20 | 浙江大学城市学院 | 一种基于gmdh神经网络的交通车流量预测方法 |
CN108335485A (zh) * | 2018-01-31 | 2018-07-27 | 夏莹杰 | 基于车牌识别数据的大事件交通动态仿真拥堵预测的方法 |
CN109508631A (zh) * | 2018-09-12 | 2019-03-22 | 上海电科智能系统股份有限公司 | 一种基于分布式光纤传感技术的交通流模型构建方法 |
CN109635495A (zh) * | 2018-12-29 | 2019-04-16 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
CN109635495B (zh) * | 2018-12-29 | 2023-08-22 | 西南交通大学 | 基于神经网络和遗传算法的干道相位差仿真优化方法 |
CN109949577B (zh) * | 2019-04-25 | 2021-07-27 | 贵州大学 | 一种道路交通流量预测方法 |
CN109949577A (zh) * | 2019-04-25 | 2019-06-28 | 贵州大学 | 一种道路交通流量预测方法 |
CN110444022A (zh) * | 2019-08-15 | 2019-11-12 | 平安科技(深圳)有限公司 | 交通流数据分析模型的构建方法和装置 |
CN110619393A (zh) * | 2019-09-27 | 2019-12-27 | 上海交通大学 | 基于学习算法的交通仿真软件参数标定方法、系统及介质 |
CN111274727A (zh) * | 2020-01-17 | 2020-06-12 | 南京星火技术有限公司 | 电子设备、微波产品模型设计装置和计算机可读介质 |
CN111412959A (zh) * | 2020-04-29 | 2020-07-14 | 长江水利委员会水文局 | 流量在线监测计算方法、监测仪以及监测系统 |
CN113177320A (zh) * | 2021-05-07 | 2021-07-27 | 中南大学 | 一种道路动态拥挤收费的分布式鲁棒仿真优化方法、系统、设备及介质 |
CN113177320B (zh) * | 2021-05-07 | 2022-06-14 | 中南大学 | 道路动态拥挤收费的仿真优化方法、系统、设备及介质 |
CN114241756A (zh) * | 2021-12-07 | 2022-03-25 | 中交第一公路勘察设计研究院有限公司 | 一种高速公路施工期间硬路肩动态使用方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107293115B (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107293115A (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN103761138B (zh) | 一种交通仿真软件的参数校正方法 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN111158401B (zh) | 一种分布式鼓励时空数据探索的无人机路径规划系统及方法 | |
CN108062595B (zh) | 基于wrf/cfd/sahde-rvm耦合的复杂地貌区域短时风能预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN105260786A (zh) | 一种电力推进系统仿真可信度评估模型综合优化方法 | |
CN104778508A (zh) | 一种基于多源数据融合的公共自行车租借预测方法 | |
CN104282149B (zh) | 一种基于交通状态精度指标评价的路网浮动车配置方法 | |
CN109214581A (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
Renfrew et al. | Traffic signal optimization using ant colony algorithm | |
CN106504535A (zh) | 一种结合重力模型与Fratar模型的交通分布预测方法 | |
Abdalhaq et al. | Using meta heuristic algorithms to improve traffic simulation | |
CN107066723A (zh) | 一种基于社会力模型的公交乘客上下车行为仿真方法 | |
CN104731853B (zh) | 一种基于个体活动链的公交客流时空分布仿真方法及仿真系统 | |
CN106370198A (zh) | 一种考虑出行异质性的路径选择方法 | |
CN110220527A (zh) | 一种基于公众活动预测的路径规划方法和装置 | |
CN107092988A (zh) | 一种专用道公交车辆驻站时间预测方法 | |
CN117313931B (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
CN106530702A (zh) | 一种基于交通指数的随机动态网络交通规划方法 | |
Jalel et al. | Continuous time markov chain traffic model for urban environments | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
CN111578961A (zh) | 基于领导者海豚群求解不确定条件车辆路径优化算法 | |
Stolfi et al. | An evolutionary algorithm to generate real urban traffic flows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |