交通流时间序列

交通流时间序列（精选8篇）

交通流时间序列 第1篇

交通流预测是实现交通诱导和控制的关键,是实现智能交通的重要组成部分,交通流预测的精确度又是交通流预测的关键所在。在以前所研究的交通流预测方法中,大多都是通过改进预测模型来优化预测结果,但是这种改进毕竟是有限的,因为影响预测结果的因素不仅包括预测模型的拟合度,而且包括采用样本的准确度。交通流系统本身就具有很多不确定性,所采集的数据受到各种污染使得数据的准确性大大降低,因此对原始数据的正确处理也是提高预测精度的重要手段。1995年,D.L.Dohono在小波变换的基础上提出了阈值消噪的概念,他提出的非线性小波分析方法从噪声中提取信号效果较为明显。因此先将原始数据进行小波阈值消噪法进行消噪,再将消噪后的数据作为样本选取有效的预测模型进行短时交通流预测。

交通流预测的方法很多,主要有时间序列法,历史均值法,回归分析法,神经元网络法,Kalman滤波法[1]等,但是能应用到实际中的方法却比较少且都不太尽人意。由于交通系统本身是一个不确定的系统,各种因素交织在一起使得系统变得非常复杂,具有混沌的特性。而基于混沌时间序列的预测方法直接从交通流的非线性特征入手进行预测,并且混沌现象所固有的确定性使得混沌系统在短期内的预测是可行的,因此混沌时间序列预测法比传统的线性预测法能够获得更精确的预测结果[2]。将消噪后和消噪前的预测结果进行比较,结果显示,消噪后的交通流预测结果更优。

1 小波阈值去噪

1.1 小波阈值消噪的原理

传统的消噪方法是将被噪声污染的信号通过一个滤波器,消除噪声频率成分,但对于非平稳的信号,采用传统的方法有一定的局限性。通过小波分解,就可得到信号和噪声在不同尺度下的一些不同的传递特征和特征表现,从而使信噪分离成为可能。本文基于小波分析理论,结合交通流的特点采用阈值法对观测的交通流量进行消噪。

一个含噪声信号的模型可以表示成如下形式[3]:

其中t是等时间间隔的;ft为含噪声的信号;yt为真实信号;σ为噪声数的标准偏差;et为高斯白噪声N(0,1);噪声级为1。

实际工程中,真实信号表现为低频信号或较平稳的信号,噪声信号表现为高频信号。消噪的目的是对信号ft中的噪声部分et进行抑制,从而在ft中恢复出真实信号yt。

1.2 小波阈值消噪的步骤

小波阈值消噪法的做法是:将含噪信号进行小波分解并设置适当的小波基和阈值。其中,硬阈值消噪是把信号的绝对值与指定的阈值进行比较,小于或等于阈值的点变为零;大于阈值的点保持不变;而软阈值消噪,即把信号的绝对值与指定的阈值进行比较,小于或等于阈值的点变为零;大于阈值的点变为该点值与阈值的差。结合交通流特性,现采用软阈值的方法进行消噪[4]。

1.2.1 一维信号的小波分解

选择一个小波并确定分解层数N,对含噪声信号进行小波分解,噪声部分包含在高频中。采用Mallat塔式算法进行小波分解和重构,信号可由下式进行分解:

其中,ql(N)与pl(N)是信号在分解水平N下的离散细节系数与离散逼近系数;h0(λ)和h1(λ)分别是低通滤波器系数与高通滤波器系数,λ为波长,l为表示尺度,且有

其中,M是滤波器的长度。

1.2.2 小波高频系数阈值化处理

对第l到第N层的小波系数,选择一个软阈值,采用软限幅函数对每一级的小波系数进行阈值量化处理。软限幅函数为:

其中,a代表经过阈值处理后的小波系数;代表软限幅函数的阈值;σ为噪声方差;M为被噪声污染的信号序列长度。

1.2.3 一维小波重构

根据小波分解的第N层的系数和经过量化处理后的第1—N层的高频系数,进行重构。

信号重构的算法是

利用软件包内小波分析工具箱函数生成信号的默认阈值进行小波的分解和重构,达到消除交通流量噪声的目的。

2 混沌时间序列

2.1 重构相空间

一般来说,非线性系统的相空间可能维数很高,甚至无穷,但在大多数情况下维数并不可知。在实际问题中,对于给定的时间序列x1,x2,x3,…,xn-1,xn,…,通常将其扩展到三维甚至更高维的空间中去,以便把时间序列中蕴藏的信息充分显露出来,这就是延迟坐标状态空间重构法。Takens证明了可以找到一个合适的嵌入维,即如果延迟坐标的维数m≥2d+1,d是时间序列的关联维,在这个嵌入维空间里可以把有规律的轨迹(吸引子)恢复出来[5]。

重构相空间可以表述为:假设有一单变量时间序列x1,x2,x3,…,xn-1,xn,…,得到重构相空间为

其中M为重构相空间点的个数,M=N-(m-1)τ;N表示数据组的大小;τ是延迟时间;m是嵌入维数。

2.2 混沌判断并求取关联维数和延迟时间

一个系统是否具有混沌的特性的分析是使用混沌时间序列分析方法的前提,只有在具有混沌特性的系统中使用该预测方法才能得到精确的预测结果,一般从定性、定量两个途径来进行混沌时间序列性质的鉴别。对城市交通流预测选用关联维数法(G-P算法)来进行混沌判断并用此方法求取关联维数,步骤如下[6]。

(1)基于节2.1中的重构的相空间来计算关联函数

其中:θ(z)是Heaviside函数;Y(ti)-Y(tj)表示相点Y(ti)和Y(tj)之间的距离;C(r)是一个累计分布函数;表示相空间中吸引子上两点之间距离小于r的概率。

(2)对于r的某个适当范围,吸引子的维数d与累积分布函数C(r)应满足d(m)=ln C(r)/l n(r)。从而拟合求出对应于m0的关联维数估计值d(m0)。

(3)增加嵌入维数m1>m0,重复计算步骤(1)和步骤(2),直到相应的维数估计值d(m)不再随m的增长而在一定误差范围内不变为止。此时得到的d即为吸引子的关联维数。如果d(m)随m的增长而增长,收敛于一个稳定的值,则表明所考虑的系统是一个混沌系统。

延迟时间的选取也是保证预测精度的重要环节。如果延迟时间的取值太小,则其所有坐标几乎是一致的,轨线在相空间中龟缩在同一条直线上;如果延迟时间的值取得太大,轨线在相空间中会出现间断现象,这样一来有可能导致比较简单的几何图线在相空间中看起来非常复杂,即系统的相图失真。本文采用自相关法进行延迟时间的确定[5]。自相关系数定义为

一般取自相关系数衰减到一个较小的值时对应的τ值作为延迟时间。而这个较小值一般不能选择得太小,否则对应的时间延迟会很大。根据经验一般取值为1/e,约为0.4[7]。

2.3 预测方法模型

城市交通系统作为混沌系统,相位空间的一些流点由于离预测的时间点比较远,已经很难反映现在这个时刻后交通量的变化情况,而相位空间的最后一点一般最能反映下一点的走向,因此,全域法等不太适合用于交通流的预测。而局域法是利用“历史上相似的数据来预测”,比较适合交通量的预测,因此选择效果较好的加权一阶局域法[7]。

(1)在节2.1中所重构的相空间基础上寻找邻近点

设中心点Yk的邻近点为Yki,i=1,2,…,q,并且到Yk的距离为di,设dm是di中的最小值,定义Yk的权值为

a为参数,一般取a=1。

(2)进行计算预测。一阶加权局域线性拟合为

式(2)即是

其中e=(1,1,…,1)T

就m=1的情况进行讨论,m>1的情况类似,即

应用加权最小二乘法有

将式(5)看成关于未知数a,b的二元函数,两边求偏导得到

即化简得到关于未知数a,b的方程组为

解方程组(7)得到a,b,然后代入式(4)得到预测公式。

(3)根据预测公式进行预测。显然,参考向量集为Yki,i=1,2,…,q的一步预测为Yki+1,i=1,2,…,q。

3 应用案例

采用2008年6月4日北京市四环一段道路的0:04—23:54间以6 min为间隔的240个数据来进行预测判断。其中前210个数据作为初始样本,预测第211个数据,然后将第211个实测值合并到初始样本数据中作为第二次预测的新样本进行下一次预测,以次类推,得到从第211到240间的共30个预测值并将此值与实测值进行比较。

首先将初始样本进行小波分析,在MATLAB中使用小波阈值消噪法对初始数据进行消噪,得出信噪比为11.083,消噪前后流量对比如图1所示。

本文使用自相关法确定延迟时间为10,采用G—P算法确定关联维数,当嵌入维数为7时,曲线的直线部分的斜率接近不变,所以确定交通流系统的饱和嵌入为数大概是7,得出关联维数约为2.7。

使用加权一阶局域法分别对小波消噪前后的数据进行预测,预测结果与实测数据的对比如图2所示。

从图2中可以看得出来,消噪后的预测值的趋势更接近于实测值,对数据进行误差分析可得消噪后的相对误差为3%,远远低于不进行消噪所得到的相对误差8%,误差分析如图3所示。

4 结论

交通流的预测方法很多,选取合适的方法是精确预测的前提。交通流是复杂多变的,非线性的系统,具有混沌性,所以选取基于非线性的混沌时间序列方法来进行预测,并采用基于历史相似数据的加权一阶局域法,这样有针对性的预测效果自然更好。此外随着智能交通的发展,对交通流预测的精确性要求也是越来越高,精确的样本数据是保证预测精确的重要前提,所以在进行预测之前采用小波阈值消噪法对原始数据进行消噪处理,所得预测结果比不进行消噪处理的结果更优。

摘要：基于实际交通流变化的不确定性和交通系统时变复杂的特征,应用小波分析理论,对原始交通流数据进行消噪处理,使消噪后的数据更能反映交通流的本质及变化规律。再针对交通流的非线性特征及其短期可预测性,应用混沌时间序列预测模型来预测短时交通量。结果表明:先进行小波消噪再进行预测所得的结果与实测值有更高的拟合度,可以用于短时交通流的预测。

关键词：小波消噪,混沌,时间序列,交通流,预测

参考文献

[1]史其信,郑为中.道路网短期交通流预测方法比较.交通运输工程学报,2004;4(4):68—71

[2]薛洁妮,史忠科.基于混沌时间序列分析法的短时交通流预测研究.交通运输系统工程与信息,2008;8(5):68—72

[3]谭满春,李英俊,徐建闽.基于小波消噪的ARIMA与SVM组合交通流预测.公路交通科技,2009;26(7):127—138

[4]飞思科技产品研发中心.小波分析理论与MATLAB7实现.北京:电子工业出版社,2005

[5]吕金虎,路君安,陈士华.混沌时间序列分析及其应用.武汉:武汉大学出版社,2005

[6]陈敏,叶小舟.混沌时间序列的判定方法研究.信息技术,2008;(6):23—25

金鹰节交通管制安排时间 第2篇

金鹰节开幕式10月14日20时至22时30分举行。现场停车管理为：(1)持D类橘黄色通行证的车辆，经广电跨线桥、公交公用道、欢城路停放至中心南广场;(2)持E类橘黄色通行证，经会展路停放至48米平台;(3)所有公安、武警执勤车辆经广电跨线桥停放至广电金鹰停车场;(4)广电职工内部车辆驾驶人持广电核发的内部通行证，经万家丽路、宏旺超市入口、广电宿舍北侧通道进入广电住宅区。月14日至16日金鹰节交通管制

金鹰节闭幕式10月16日19时30分至22时30分举行。现场停车管理为：(1)持F类绿色通行证的车辆，经广电跨线桥、公交专用道、会展中心东通道停放至会展中心60米平台;(2)持D类绿色通行证的车辆，经广电跨线桥、公交公用道、欢城路停放至会展中心南广场;(3)持E类绿色通行证，经会展路停放至48米平台;(4)持闭幕式门票的观众车辆经广电跨线桥、公交专用道停放至金鹰停车场西侧区域;(5)广电职工内部车辆持广电核发的内部通行证，经万家丽路、宏旺超市入口、广电宿舍北侧通道进入广电各住宅小区。

金鹰节简介

中国金鹰电视艺术节，简称金鹰节，即原“中国电视金鹰奖”评选活动，以中国电视金鹰奖的评选颁奖为主要活动内容，是唯一以机器投票为主选方式产生的全国性电视艺术综合大奖，也是中国第一个以国产电视艺术作品作为评奖和交流对象的电视艺术节庆活动。

首届电视金鹰奖评选活动于1983年在云南省昆明市举行。第十五届开始，“大众电视金鹰奖”改由中国文联和视协主办，成为了中国电视界唯一的，并经中宣部批准的由观众投票评选的全国性电视艺术大奖，名称也改为了“中国电视金鹰奖”。

“金鹰节”10月14日长沙开幕 将实行交通管控

10月14日至16日，第11届中国金鹰电视艺术节(以下称“金鹰节”)将在长沙举行，公安交警部门将根据实际情况实施临时交通管制。

10月14日20:00至22:30，金鹰节开幕，现场停车管理为：(1)持D类橘黄色通行证的车辆，经广电跨线桥、公交公用道、欢城路停放至中心南广场。(2)持E类橘黄色通行证车辆，经会展路停放至48米平台。(3)所有公安、武警执勤车辆经广电跨线桥停放至广电金鹰停车场。(4)广电职工内部车辆持广电核发的内部通行证，经万家丽路、宏旺超市入口、广电宿舍北侧通道进入广电各住宅小区。

长沙交警将重点加强三一大道、公交专用道、安康路(原马栏山路)、广电大楼东通道、南通道的指挥疏导，确保通行安全、畅通;广电大楼南通道、东通道作为疏散通道，除允许持证车辆即停即走，禁止其他任何车辆停放。广电大楼南通道因围挡施工路幅变窄，活动期间在此路段实施东往西单向交通组织措施。公安交警部门将分别在广电大楼南通道东西两端设置卡口，禁止除持红色指挥车证、红色嘉宾车证、红色接待车证以外的车辆驶入。

金鹰节闭幕式将于10月16日19:3022:30举行，现场停车管理为：(1)持F类绿色通行证的车辆，经广电跨线桥、公交专用道、会展中心东通道停放至会展中心60米平台。(2)持D类绿色通行证的车辆，经广电跨线桥、公交公用道、欢城路停放至会展中心南广场。(3)持E类绿色通行证，经会展路停放至48米平台。(4)持闭幕式门票的观众车辆经广电跨线桥、公交专用道停放至金鹰停车场西侧区域。(5)广电职工内部车辆持广电核发的内部通行证，经万家丽路、宏旺超市入口、广电宿舍北侧通道进入广电各住宅小区。(6)所有公安、武警执勤车辆经广电跨线桥停放至广电金鹰停车场。

金鹰艺术节14日至16日举行 将实施临时交通管制

第十届中国金鹰电视艺术节(以下称为金鹰节)将于10月14日至16日在湖南广播电视台、汉语桥基地、湖南国际会展中心举行，届时，长沙公安交警部门将根据现场实际情况对活动现场周边道路实施临时交通管制。请驾驶员朋友尽量绕行。

金鹰节开幕式10月14日20时至22时30分举行。现场停车管理为：(1)持D类橘黄色通行证的车辆，经广电跨线桥、公交公用道、欢城路停放至中心南广场;(2)持E类橘黄色通行证，经会展路停放至48米平台;(3)所有公安、武警执勤车辆经广电跨线桥停放至广电金鹰停车场;(4)广电职工内部车辆驾驶人持广电核发的内部通行证，经万家丽路、宏旺超市入口、广电宿舍北侧通道进入广电住宅区。

交通流时间序列 第3篇

摘要：针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题，构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好，表明该模型是有效的和可靠的.

关键词：数据融合；行程时间；预测模型；小波神经网络；遗传算法

中图分类号：U121 文献标识码：A

在交通运营与管理中，高效的出行信息与路径诱导系统将发挥越来越重要的作用[1].行程时间作为其中的关键参数，能够为交通状态估计和城市路网拥堵情况的发布提供数据参考[2].同时，行程时间是衡量路段通行效率和延误的重要依据，是反映路段交通状态的直接指标，在智能交通系统中有着广泛应用[3].目前，行程时间的预测研究大都局限于单一交通数据源，由于单源交通数据受采集仪器的精度、采集方法、样本量、人为误差等影响，因而预测精度不稳定.而多源交通数据的融合，可以弥补单源数据的诸多不足，提高预测精度.本文提出利用GPS浮动车数据与微波检测器交通数据进行融合，建立行程时间数据融合模型.

目前，数据融合方法主要有以下几种[4]：加权平均法、卡尔曼滤波、Bayes方法、统计决策理论、选举决策法、模糊集理论、神经网络等.其中，神经网络具有较强的学习能力，其内部结构本质上是并行的，与数据融合的结构一致，因此具有较大的优势.

本文拟采用小波神经网络建立数据融合预测模型，同BP神经网络相比，小波神经网络具有更强的信息提取、非线性逼近和容错能力[5]，但它存在初始参数随机选取的盲目性、易形成局部极小值而得不到整体最优值等问题[6].遗传算法可以用来优化小波神经网络的初始网络参数，弥补小波神经网络自身的不足.遗传算法与神经网络的有机结合[7]，将其用于数据融合可以提高模型的收敛速度与泛化能力.

3）视频数据

视频数据调查时，将两台摄像机分别置于实验路段起迄点，同时开始拍摄.调查后同时在计算机上播放两测点的录像，从起点视频中记下车型、车牌、外廓、颜色等特征及车辆通过起点断面的时间，然后在终点视频中寻找该车，并同时记录车辆通过终点断面的播放时间，前后时间差即为该车通过调查路段的行程时间.

1.2数据的时空匹配及方法

1）时间匹配

本文采集的出租车GPS数据、微波数据及视频数据虽是同一天的交通流数据，但微波检测与视频数据采集的是早晚高峰时间段内的数据，而出租车GPS数据都是全天候的交通流数据，所以有必要依据微波与视频数据的调查时间挑选出对应时段的出租车GPS数据，这样多源数据反映的就是同一时间段的交通流信息.由于每条GPS数据记录都有接收的时间，通过excel筛选可以很方便进行时间匹配.

2）空间匹配

空间匹配是指多源交通流数据必须反映的是同一地点的交通流信息，这样进行融合才有意义.空间匹配原则是以视频与微波数据的采集现场来筛选相应道路的出租车GPS数据.首先确定视频与微波数据的采集路段的经纬度范围，如图1所示，然后用excel筛选出与采集路段相匹配的出租车GPS数据.

从图5中可以看出，GPS出租车得到的行程时间与视频观测值相比偏低，误差超过了目标阈值15%的范围.原因在于出租车频繁超车，车速高于路段车流.而微波检测器得到的行程时间大于视频观测值，误差超过15%的范围.究其原因在于实验路段大客车、大货车较多，遮挡了车流中部分小汽车，造成小汽车数据漏检.而融合后的行程时间与视频观测数据吻合性良好，误差在8%以内，满足目标阈值15%的要求.相比GPS出租车数据或微波检测器数据，融合后的行程时间在准确度和稳定性方面都有了很大提高.

4结语

本文提出了基于交通数据融合技术的行程时间预测模型，弥补了单源交通数据预测行程时间精度不高的缺陷.利用遗传算法优化小波神经网络的权值、平移因子、伸缩因子，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了小波神经网络搜索效率与训练速度.融合后的行程时间与视频观测数据吻合性良好，表明行程时间预测的数据融合模型是有效可靠的.

参考文献

[1]邹亮，徐建闽，朱玲湘，等.基于浮动车移动检测与感应线圈融合技术的行程时间估计模型[J].公路交通科技，2007，24（6）：114-117.

[2]聂庆慧，夏井新，张韦华.基于多源ITS数据的行程时间预测体系框架及核心技术[J].东南大学学报：自然科学版，2011，41（1）：199-204.

[3]徐天东，孙立军，郝媛.城市快速路实时交通状态估计和行程时间预测[J].同济大学学报：自然科学版，2008，36（10）：253-260.

[4]石章松.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[5]张冬至，胡国清.基于遗传优化小波神经网络逆模型的油水测量[J].光学精密仪器，2011，19（7）：183-189.

[6]宋清昆，王建双，王慕坤.基于遗传算法的小波神经网络控制器设计[J].电机与控制学报，2010，14（4）：102-108.

[7]周昌能，余雪丽.基于BP网络的权值更新快速收敛算法[J].计算机应用，2006，26（8）：1940-1942.

[8]王楠，李成文，李岩.基于神经网络的数据融合方法[J].光机电信息，2010，27（3）：36-39.

[9]宗刚，刘文芝，张超，等.基于家庭决策的出行方式选择非集计模型[J].湖南大学学报：自然科学版，2013，40（4）：100-103.

[10]巩敦卫.交互式遗传算法原理及其应用[M]. 北京：国防工业出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

摘要：针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题，构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好，表明该模型是有效的和可靠的.

关键词：数据融合；行程时间；预测模型；小波神经网络；遗传算法

中图分类号：U121 文献标识码：A

在交通运营与管理中，高效的出行信息与路径诱导系统将发挥越来越重要的作用[1].行程时间作为其中的关键参数，能够为交通状态估计和城市路网拥堵情况的发布提供数据参考[2].同时，行程时间是衡量路段通行效率和延误的重要依据，是反映路段交通状态的直接指标，在智能交通系统中有着广泛应用[3].目前，行程时间的预测研究大都局限于单一交通数据源，由于单源交通数据受采集仪器的精度、采集方法、样本量、人为误差等影响，因而预测精度不稳定.而多源交通数据的融合，可以弥补单源数据的诸多不足，提高预测精度.本文提出利用GPS浮动车数据与微波检测器交通数据进行融合，建立行程时间数据融合模型.

目前，数据融合方法主要有以下几种[4]：加权平均法、卡尔曼滤波、Bayes方法、统计决策理论、选举决策法、模糊集理论、神经网络等.其中，神经网络具有较强的学习能力，其内部结构本质上是并行的，与数据融合的结构一致，因此具有较大的优势.

本文拟采用小波神经网络建立数据融合预测模型，同BP神经网络相比，小波神经网络具有更强的信息提取、非线性逼近和容错能力[5]，但它存在初始参数随机选取的盲目性、易形成局部极小值而得不到整体最优值等问题[6].遗传算法可以用来优化小波神经网络的初始网络参数，弥补小波神经网络自身的不足.遗传算法与神经网络的有机结合[7]，将其用于数据融合可以提高模型的收敛速度与泛化能力.

3）视频数据

视频数据调查时，将两台摄像机分别置于实验路段起迄点，同时开始拍摄.调查后同时在计算机上播放两测点的录像，从起点视频中记下车型、车牌、外廓、颜色等特征及车辆通过起点断面的时间，然后在终点视频中寻找该车，并同时记录车辆通过终点断面的播放时间，前后时间差即为该车通过调查路段的行程时间.

1.2数据的时空匹配及方法

1）时间匹配

本文采集的出租车GPS数据、微波数据及视频数据虽是同一天的交通流数据，但微波检测与视频数据采集的是早晚高峰时间段内的数据，而出租车GPS数据都是全天候的交通流数据，所以有必要依据微波与视频数据的调查时间挑选出对应时段的出租车GPS数据，这样多源数据反映的就是同一时间段的交通流信息.由于每条GPS数据记录都有接收的时间，通过excel筛选可以很方便进行时间匹配.

2）空间匹配

空间匹配是指多源交通流数据必须反映的是同一地点的交通流信息，这样进行融合才有意义.空间匹配原则是以视频与微波数据的采集现场来筛选相应道路的出租车GPS数据.首先确定视频与微波数据的采集路段的经纬度范围，如图1所示，然后用excel筛选出与采集路段相匹配的出租车GPS数据.

从图5中可以看出，GPS出租车得到的行程时间与视频观测值相比偏低，误差超过了目标阈值15%的范围.原因在于出租车频繁超车，车速高于路段车流.而微波检测器得到的行程时间大于视频观测值，误差超过15%的范围.究其原因在于实验路段大客车、大货车较多，遮挡了车流中部分小汽车，造成小汽车数据漏检.而融合后的行程时间与视频观测数据吻合性良好，误差在8%以内，满足目标阈值15%的要求.相比GPS出租车数据或微波检测器数据，融合后的行程时间在准确度和稳定性方面都有了很大提高.

4结语

本文提出了基于交通数据融合技术的行程时间预测模型，弥补了单源交通数据预测行程时间精度不高的缺陷.利用遗传算法优化小波神经网络的权值、平移因子、伸缩因子，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了小波神经网络搜索效率与训练速度.融合后的行程时间与视频观测数据吻合性良好，表明行程时间预测的数据融合模型是有效可靠的.

参考文献

[1]邹亮，徐建闽，朱玲湘，等.基于浮动车移动检测与感应线圈融合技术的行程时间估计模型[J].公路交通科技，2007，24（6）：114-117.

[2]聂庆慧，夏井新，张韦华.基于多源ITS数据的行程时间预测体系框架及核心技术[J].东南大学学报：自然科学版，2011，41（1）：199-204.

[3]徐天东，孙立军，郝媛.城市快速路实时交通状态估计和行程时间预测[J].同济大学学报：自然科学版，2008，36（10）：253-260.

[4]石章松.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[5]张冬至，胡国清.基于遗传优化小波神经网络逆模型的油水测量[J].光学精密仪器，2011，19（7）：183-189.

[6]宋清昆，王建双，王慕坤.基于遗传算法的小波神经网络控制器设计[J].电机与控制学报，2010，14（4）：102-108.

[7]周昌能，余雪丽.基于BP网络的权值更新快速收敛算法[J].计算机应用，2006，26（8）：1940-1942.

[8]王楠，李成文，李岩.基于神经网络的数据融合方法[J].光机电信息，2010，27（3）：36-39.

[9]宗刚，刘文芝，张超，等.基于家庭决策的出行方式选择非集计模型[J].湖南大学学报：自然科学版，2013，40（4）：100-103.

[10]巩敦卫.交互式遗传算法原理及其应用[M]. 北京：国防工业出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

[12]HOLM P， TOMICH D， SLOBODEN J， et al. Traffic analysis toolbox volum IV： guidelines for applying CORSIM， microsimulation modeling software[M]. Washington D C： Federal Highway Administration， 2007：117-216.

摘要：针对当前城市道路行程时间的预测多限于单源数据且预测精度不高的问题，构建了基于浮动车GPS数据、微波检测器交通数据的行程时间预测融合模型.利用遗传算法优化小波神经网络，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了网络搜索效率与训练速度.预测行程时间与视频观测数据吻合良好，表明该模型是有效的和可靠的.

关键词：数据融合；行程时间；预测模型；小波神经网络；遗传算法

中图分类号：U121 文献标识码：A

在交通运营与管理中，高效的出行信息与路径诱导系统将发挥越来越重要的作用[1].行程时间作为其中的关键参数，能够为交通状态估计和城市路网拥堵情况的发布提供数据参考[2].同时，行程时间是衡量路段通行效率和延误的重要依据，是反映路段交通状态的直接指标，在智能交通系统中有着广泛应用[3].目前，行程时间的预测研究大都局限于单一交通数据源，由于单源交通数据受采集仪器的精度、采集方法、样本量、人为误差等影响，因而预测精度不稳定.而多源交通数据的融合，可以弥补单源数据的诸多不足，提高预测精度.本文提出利用GPS浮动车数据与微波检测器交通数据进行融合，建立行程时间数据融合模型.

目前，数据融合方法主要有以下几种[4]：加权平均法、卡尔曼滤波、Bayes方法、统计决策理论、选举决策法、模糊集理论、神经网络等.其中，神经网络具有较强的学习能力，其内部结构本质上是并行的，与数据融合的结构一致，因此具有较大的优势.

本文拟采用小波神经网络建立数据融合预测模型，同BP神经网络相比，小波神经网络具有更强的信息提取、非线性逼近和容错能力[5]，但它存在初始参数随机选取的盲目性、易形成局部极小值而得不到整体最优值等问题[6].遗传算法可以用来优化小波神经网络的初始网络参数，弥补小波神经网络自身的不足.遗传算法与神经网络的有机结合[7]，将其用于数据融合可以提高模型的收敛速度与泛化能力.

3）视频数据

视频数据调查时，将两台摄像机分别置于实验路段起迄点，同时开始拍摄.调查后同时在计算机上播放两测点的录像，从起点视频中记下车型、车牌、外廓、颜色等特征及车辆通过起点断面的时间，然后在终点视频中寻找该车，并同时记录车辆通过终点断面的播放时间，前后时间差即为该车通过调查路段的行程时间.

1.2数据的时空匹配及方法

1）时间匹配

本文采集的出租车GPS数据、微波数据及视频数据虽是同一天的交通流数据，但微波检测与视频数据采集的是早晚高峰时间段内的数据，而出租车GPS数据都是全天候的交通流数据，所以有必要依据微波与视频数据的调查时间挑选出对应时段的出租车GPS数据，这样多源数据反映的就是同一时间段的交通流信息.由于每条GPS数据记录都有接收的时间，通过excel筛选可以很方便进行时间匹配.

2）空间匹配

空间匹配是指多源交通流数据必须反映的是同一地点的交通流信息，这样进行融合才有意义.空间匹配原则是以视频与微波数据的采集现场来筛选相应道路的出租车GPS数据.首先确定视频与微波数据的采集路段的经纬度范围，如图1所示，然后用excel筛选出与采集路段相匹配的出租车GPS数据.

从图5中可以看出，GPS出租车得到的行程时间与视频观测值相比偏低，误差超过了目标阈值15%的范围.原因在于出租车频繁超车，车速高于路段车流.而微波检测器得到的行程时间大于视频观测值，误差超过15%的范围.究其原因在于实验路段大客车、大货车较多，遮挡了车流中部分小汽车，造成小汽车数据漏检.而融合后的行程时间与视频观测数据吻合性良好，误差在8%以内，满足目标阈值15%的要求.相比GPS出租车数据或微波检测器数据，融合后的行程时间在准确度和稳定性方面都有了很大提高.

4结语

本文提出了基于交通数据融合技术的行程时间预测模型，弥补了单源交通数据预测行程时间精度不高的缺陷.利用遗传算法优化小波神经网络的权值、平移因子、伸缩因子，解决了小波神经网络初始参数选取时盲目与随机性问题，大大提高了小波神经网络搜索效率与训练速度.融合后的行程时间与视频观测数据吻合性良好，表明行程时间预测的数据融合模型是有效可靠的.

参考文献

[1]邹亮，徐建闽，朱玲湘，等.基于浮动车移动检测与感应线圈融合技术的行程时间估计模型[J].公路交通科技，2007，24（6）：114-117.

[2]聂庆慧，夏井新，张韦华.基于多源ITS数据的行程时间预测体系框架及核心技术[J].东南大学学报：自然科学版，2011，41（1）：199-204.

[3]徐天东，孙立军，郝媛.城市快速路实时交通状态估计和行程时间预测[J].同济大学学报：自然科学版，2008，36（10）：253-260.

[4]石章松.目标跟踪与数据融合理论及方法[M].北京：国防工业出版社，2010.

[5]张冬至，胡国清.基于遗传优化小波神经网络逆模型的油水测量[J].光学精密仪器，2011，19（7）：183-189.

[6]宋清昆，王建双，王慕坤.基于遗传算法的小波神经网络控制器设计[J].电机与控制学报，2010，14（4）：102-108.

[7]周昌能，余雪丽.基于BP网络的权值更新快速收敛算法[J].计算机应用，2006，26（8）：1940-1942.

[8]王楠，李成文，李岩.基于神经网络的数据融合方法[J].光机电信息，2010，27（3）：36-39.

[9]宗刚，刘文芝，张超，等.基于家庭决策的出行方式选择非集计模型[J].湖南大学学报：自然科学版，2013，40（4）：100-103.

[10]巩敦卫.交互式遗传算法原理及其应用[M]. 北京：国防工业出版社，2007.

[11]SRINIVAS M，PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE，1994，24（4）：656-657.

交通流时间序列 第4篇

相对于具体的交通流模型而言,利用交通流时间序列研究其中的混沌现象更是交通领域研究的一个热点。贺国光等[9,10]分别讨论了利用替代数据法和最大Lyapunov指数方法判别交通流的混沌现象。张玉梅[11]等利用小数据量重构了交通流时间序列的相空间,而后通过最大Lyapunov指数判定在时间序列中存在混沌现象。在通常情况下,检验动力系统中是否存在混沌的一个最主要的指标就是最大Lyapunov指数,然而计算最大Lyapunov指数就需要首先对时间序列相空间重构。2004年,G.A.Gottwald和I.Melbourne[12]提出了一种测试时间序列混沌特性的新方法,2009年,他们又对这种方法进行了改进,并提出了基于关联法的0-1混沌测试方法[13]。该方法不需要对时间序列进行相空间重构,只需对时间序列进行直接测试即可。本文首先利用0-1测试法等Logistic离散方程生成的时间序列进行混沌检验,验证该方法的有效性;随后利用两组采集于北京市不同地点,采样间隔均为5分钟,且时间序列长度不同的数据进行混沌检测。

1 0-1检测

对于给定的时间序列x(n),n=1,2,…,N,按如下步骤实现对时间序列的0-1混沌测试:

①对任意的c∈(0,π),计算平移变量pc(n)和qc(n):

其中,n=1,2,…,N.

②对于变量pc(n)和qc(n)计算均方位移Mc(n):

其中,n≤ncut《N,通常取ncut=N/10当n→∞时e(c,n)/n→0。同时,定义摄动项Vosc(c,n)为

其中,E(x)为时间序列的均值,可以定义为:。从均方位移Mc(n)减去摄动项,则可得:

如果时间序列中不存在混沌现象,则均方位移Mc(n)是关于时间的一个有界函数,时间序列的轨迹表现为布朗运动,且均方位移是关于时间的一个线性增长函数。

③计算均方位移M(n)的渐近增长率Kc:

MC(n)是严格大于零的,但由于摄动项Vosc(c,n)的存在,使得Dc(n)不再严格大于零。因此在实际的计算中,往往对Dc(n)作出修正:

由于Mc(n)和Dc(n)的增长率是一致的。因此,在实际的计算中,通常用如下方法计算渐近增长率Kc:

④在(0,π)之间随机选定c,并循环步骤①、步骤②、步骤③Nc次,一般情况取Nc=100就足够了。并计算所有计算出来的渐近增长率Kc的均值K,即K=median(Kc)若K≈0,那么系统是非混沌的;若K≈1,那么系统是混沌的。

在实际计算中,pc(n)和qc(n)可以由以下迭代获得:

其中,n=1,2,…,N,测试中取α=0。

2 Logistic映射的混沌检测

为检验0-1混沌检测方法的有效性和可靠性,首先以Logistic映射:xn+1=μxn(1-xn)生成的时间序列为研究对象。图1和图2分别为Logistic映射在μ∈[3.5,4.0]时的分岔图和K值图。对比两幅图可以发现,当Logistic映射处于周期运动状态时,系统的K值接近于0;而当Logistic映射处于混沌运动状态时,系统的K值接近于1。而在Logistic映射经倍周期分岔进入混沌的过程中,K值也是逐渐从0增大到1。

进一步,当μ=3.5时,选取Logistic映射生成的长度为N=5000的时间序列为研究对象。此时,Logistic映射处于多周期运动状态,利用0-1测试方法,分别得到该组时间序列的pc和qc的相轨迹(图3),以及均方位移M(n)随时间的变化图(图6)。从图可以看出,对周期运动的时间序列其pc和qc的相轨迹图会呈现有规则的多个同心圆。而此时,均方位移M(n)是一个有界函数,且会随着时间的变化做有规律的周期运动。

为了研究pc和qc的相轨迹的意义,选择μ=1.5,此时Logistic映射处于单周期运动状态。而pc和qc的相轨迹图显示的单个圆,如图4。

对比Logistic映射处于四周期的pc和qc的相轨迹图不难发现,pc和qc的相轨迹图上同心圆的个数代表了系统所处于的周期数。

而如果选择μ=4.0,此时Logistic映射处于混沌运动状态,利用0-1测试方法,分别得到该组时间序列的pc和qc的相轨迹图(图5),以及均方位移M(0)随时间的变化图(图7)。从图可以看出,其pc和qc的相轨迹图随机的布朗特性,而均方位移M(n)是一个无界函数,随着时间的变化单调递增。

3 交通时间序列的混沌测试

本文分别利用两组不同的交通流时间序列进行混沌测试。第一组时间序列采集于北京市复兴门桥东3000米西向东方向,2013年10月11日00:00至10月16日24:00统计间隔为5分钟的交通流时间序列,共计1723个数据。第二组时间序列采集于北京市望京桥北500米外环东向西东方向,2013年10月1日00:00至10月29日24:00统计间隔为5分钟的交通流时间序列,共计8324个数据。图8为第一组数据流量随时间的变化情况,为了方便表示,统一利用数据的序号来代替时间。从图可以清楚地看到这六天中交通流量随时间的变化情况,而在每一天中大体都会经历“下降至最低谷→上升至早高峰→下降至次低谷→上升至晚高峰→持续下降”的过程。

分别计算采集的第一组数据的p(n)和q(n)相图(图9)、渐进增长率变化图(图10)。从图可以看出,p(n)和q(n)相图表现出了随机的布朗运动,对于任意的c值渐进增长率都在0.97～1,绝大多数Kc值趋近于1,K=mean(Kc)≈0.9871以上2个指标均表明该交通流时间序列具有混沌特性。

进一步,分别计算采集的第二组数据的p(n)和q(n)相图(图11)、均方位移随时间的变化图(图12)、渐进增长率变化图(图13)。从图可以看出,p(n)和q(n)相图表现出了随机的布朗运动,表明该时间序列具有混沌特性。而从均方位移随时间的变化图中可以看出,均方位移是一个无界函数,因此也表明时间序列中具有混沌特性。但是均方位移函数也并不是单调增加的,从图12可以看出,均方位移函数有个明显的波动,但不像Logistic映射在周期运动时的均方位移呈现有规律的周期运动,表明在该组交通流时间序列中不仅有混沌成分的存在,也存在有随机成分。这一点也可以从渐进增长率变化图中看出,kc在0.55～1变化,绝大多数值接近于1,但少数值在0.55～1。而改组时间序列的K值为0).9804。

4 结论

本文首先利用0-1测试对由Logistic映射产生的时间序列进行了混沌测试,检验了该方法的有效性。随后利用0-1测试对两组采集于不同地点的交通流时间序列分别进行了混沌检验。结果表明:在交通流时间序列中存在混沌成分,在其中一组交通流时间序列中也存在随机成分。

0-1混沌测试方法是基于时间序列的分析方法,该方法可直接应用于时间序列,而不需要相空间重构和主观的经验来选择不同方法确定参数,而且该方法是一个二元测试方法,只要输入一组时间序列,就可输出接近于1或0的实数——接近于1表明混沌的存在,而接近于0表明混沌不存在,因此便于对交通流时间序列中混沌现象的快速检测。

摘要：交通流时间序列混沌识别的方法主要有最大Lyapunov指数法、关联维数法和替代数据等方法,但这些方法需要对交通流时间序列进行相空间重构。引入一种新的判别交通流时间序列混沌特性的方法——0-1测试方法,该方法不需要对时间序列进行相空间重构,因而方便对交通流时间序列中的混沌现象进行快速检测。首先利用Logistic映射产生的时间序列对该方法的有效性进行了检验,随后又选用两组不同的实测交通流时间序列利用0-1测试进行了混沌检验。研究结果表明:在两组交通流时间序列中都存在混沌成分,而在其中一组数据中还存在随机成分。

全国交通安全反思日时间 第5篇

全国交通安全反思日时间是什么时候

全国交通安全反思日为每年的4月30日，是中华人民共和国为唤起人们关注交通事故正在夺去大量生命这一事实而设定的。

该节日设立时希望有更多的市民来关注交通安全，反思以往的行路驾车的陋习，认真审视并改正不文明的交通习惯，把宝贵生命从无情的车祸中解救出来，尊重人的生存价值和生存权利。

全国交通安全反思日社会背景

交通违法行为危害超过战争，中国公安部办公厅副主任、新闻发言人痛斥交通违法行为，2005年死于车轮下的无辜生命已经达到了10万人，不亚于甚至超过一场惨烈的战争。良好的交通秩序是靠依法严管出来的，为了广大人民群众的生命财产负责，必须严管重罚才能遏制当前群死群伤交通事故上升的势头，这不仅是交通管理实践，同时也被世界发达国家交通管理实践所证实。客运车超员、机动车超速、货车载人、酒后开车、疲劳驾驶，都是马路杀手，这种驾驶车辆的状况，都随时可能发生交通事故。这个过程本身就是违法行为，使每个出行者都成了潜在的被害人，随时都可能遇害，是不特定的，不管是谁。

漠视自己的生命和漠视他人生命的做法，或者叫生命意识的淡漠对国家、对社会、对受害人家庭造成了不可挽回的损失，也给以人为本的和谐社会投下了阴影。对违法者的姑息迁就就是对人类的犯罪。公安机关的交管部门采取设立安全服务站，在重要路段设立安全服务站，对超员的车辆要卸车转移，对疲劳驾驶的人员强令休息，对重点路段超重驾驶从重处罚。

全国交通安全反思日设立宗旨

随着经济的快速增长，城市规模的不断扩大，城市交通供需矛盾也日益突出。交通拥堵问题凸显，交通事故频发已成为社会的主要公害。

每年的4月30日是“全国交通安全反思日”。“交通安全，人人有责”，让我们从点滴做起，教给孩子们必要的交通安全常识。

尊重生命，让“马路杀手”销声匿迹。

交通安全常识

交通信号灯的判断

在繁忙的十字路口，四面都悬挂着红、黄、绿、三色交通信号灯，它是不出声的“交通警”。红绿灯是国际统一的交通信号灯。红灯是停止信号，绿灯是通行信号。交叉路口，几个方向来的车都汇集在这儿，有的要直行，有的要拐弯，到底让谁先走，这就是要听从红绿灯指挥。红灯亮，禁止直行或左转弯，在不碍行人和车辆情况下，允许车辆右转弯;绿灯亮，准许车辆直行或转弯;黄灯亮，停在路口停止线或人行横道线以内，已经继续通行;黄灯闪烁时，警告车辆注意安全。

交通标线的判断

马路上，用漆划的各种各样颜色线条是“交通标线”。道路中间长长的黄色或白色直线，叫“车道中心线”。它是用来分隔来往车辆，使它们互不干扰。中心线两侧的白色虚线，叫“车道分界线”，它规定机动车在机动车道上行驶。非机动车在非机动车道上行驶。在路口四周有一根白线是“停止线”。红灯亮时，各种车辆应该停在这条线内。马路上用白色平等线像斑马纹那样的线条组成的长廊就是“人行横道线”。行人在这里过马路比较安全。

如何安全走路

交通流时间序列 第6篇

交通事件(交通事故、车辆抛锚、天气变化等)是造成交通拥堵的主要原因之一。有关研究表明[1,2],高速公路交通事件引起的偶发性交通拥堵占总拥堵的50%~75%。为了尽可能的降低交通事件造成的影响,交通管理者需要实时、可靠地预测事件持续时间,这就要求交通管理者全面了解影响事件持续时间因素和掌握可获取的交通事件信息。因此,分析事件持续时间的显著影响因素及其作用强度和方向构成了事件管理过程中重要的一步。

交通事件持续时间虽为定量指标,但是分布不呈正态分布,且往往含有截尾数据,不宜用传统的适合正态分布的多元回归分析方法,在这种情况下确定持续时间和影响因素之间的定量关系,英国统计学家D.R.Cox在1972年提出的Cox Regression模型可以很好地解决上述问题。该模型已经广泛应用于生物医学[3]、交通[4]等领域。本文首先介绍Cox Regression模型,其次通过建立的Cox Regression模型分析交通事件持续时间的显著影响因素及其作用强度和方向,最后评价改善这些因素对交通事件管理的影响。

模型

生存时间(或持续时间)是从某个起始事件开始到某个终点事件的发生所经历的时间,它是一个随机变量,用T表示。生存分析,也称持续时间分析,是采用条件概率的思想,分析一个已经持续了时间t的事件在t+Δt内结束的概率,这个条件概率h(t)被称为风险函数(hazard function,HF)。生存分析可以通过4个函数来描述:生存函数S(t),概率函数f(t),分布函数F(t),风险函数h(t)。4个函数之间的关系如下。

由于交通事件持续时间的分布类型不易确定,而且参数分布的假定对函数的估计有很大影响,所以本文采用生存分析[5]中的半参数多因素Cox Regression模型分析危险因素的作用。

Cox Regression模型作为一种多因素生存分析模型,能有效地控制混杂因素,处理终检数据,定量分析危险因素的作用强度和方向,全面综合分析危险因素的作用。其优点是:适用于多因素的分析方法、不必考虑持续时间的分布形状、能够有效地利用截尾数据。它的一般形式为:

式中:h0(t)为基准风险函数,表示所有危险因素都为0时的基础风险率,由于模型假设每个自变量的风险率在时间上正比于基础风险率h0,因而无须计算h0;X为可能与持续时间有关的协变量;βi是影响系数,表示当其他协变量不变时,Xi每变化一个单位,风险率的自然对数变化βi个单位,若βi>0,表示风险函数值随时间的增加而增加,如果事件还没有结束,则预示这事件会很快被清除;βi<0,则风险函数值随时间的增加而减小,预示事件可能会持续较长时间,不可能立刻结束;exp(βi)表示相对风险率。

模型在交通事件持续时间中的应用

2.1 Cox Regression模型单因素分析

本文研究所使用数据来源于浙江省某单向4车道高速公路应急指挥中心管理系统,选取2006~2008年近3 a发生的1 327组有效交通事件数据,每组数据包括事件的持续时间和可能影响事件持续时间的17个因素:工作日、天气、日夜、高峰、报警方式、事件类型、占用车道数、涉及车辆数、受伤人数、涉及死亡、翻车否、警车、救护车、牵引车、吊车、驳车、消防车。下面运用SPSS18.0[6]中生存分析模块对交通事件持续时间进行分析,用单因素Log-rank检验方法进行初筛,得出有15个因素对持续时间影响有显著意义(P<0.05)。分别是:日夜、高峰、报警方式、事件类型占用车道数、涉及车辆数、受伤人数、涉及死亡、翻车否、警车、救护车、牵引车、吊车、驳车、消防车。

2.2 Cox Regression模型多因素分析

采用Cox Regression模型多因素综合评价上述15个危险因素,结果表明与持续时间有显著意义的危险因素有11个:日夜、报警方式、事件类型、占用车道数、涉及车辆数、涉及死亡、救护车、牵引车、吊车、驳车、涉及货车(P<0.05),见表1。

由表1可以看出:

1)日夜、占用车道数、涉及车辆数、涉及死亡、救护车、牵引车、吊车、驳车、涉及货车的回归系数均为负值,说明若交通事件发生在夜间,占用车道越多,涉及车辆越多,有人员死亡,涉及货车,需要牵引车、吊车、驳车参与救援时,事件持续时间就越长,并且发生在夜间、有人员死亡、涉及货车、需要派遣救护车、牵引车、吊车、驳车的事件持续时间分别是发生在白天、无人员死亡、无货车涉及、不需要救护车、牵引车、吊车、驳车的事件持续时间的0.696倍、0.612倍、0.660倍、0.614倍、0.813倍、0.607倍、0.516倍。而每多占用一条车道、多涉及一辆汽车时,持续时间分别相对增加0.850倍、0.856倍。

报警方式回归系数为正值,说明当交通管理者报警时,事件持续时间会缩短,并且驾驶员报警事件的持续时间是交通管理者报警事件持续时间的1.182倍。

2)由于事件类型是分类变量,模型中将着火事件作为参照分类进行对比,事件类型(1)、事件类型(2)、事件类型(3)、事件类型(4)分别表示追尾事件、翻车事件、抛锚事件、碰撞固定物事件。这四类事件相比着火事件均具有显著性差异(P<0.05)。着火事件持续时间最长,其次碰撞固定物事件,再次翻车事件、追尾事件,而抛锚事件的持续时间最短。

结束语

Cox Regression模型作为一种多因素生存分析模型,能有效地控制混杂因素,定量分析危险的作用强度和方向,是目前分析非正态分布、含有截尾数据的持续时间数据的多因素预后评价中较理想的方法。本文对浙江省某高速公路的1 327组交通事件数据进行了分析,通过建立Cox Regression模型得到11个有显著性意义的影响因素:日夜、报警方式、事件类型、占用车道数、涉及车辆数、涉及死亡、救护车、牵引车、吊车、驳车、涉及货车。研究发现,事件发生在夜间,占用车道越多,涉及车辆越多,有人员死亡,涉及货车,需要救援车辆参与的事件持续时间相对更长;交通管理者报警可有效减少事件持续时间;着火事件持续时间最长,其次碰撞固定物事件,再次翻车事件、追尾事件,而抛锚事件的持续时间最短。

因此,交通管理者一方面应加强对货运车辆和夜间行车的的监控,整合多种报警方式进行协同定位,减少事件响应时间,另一方面应协调各部门现场合作方式,高效地使用人员和设备,减少事件清除时间,使交通事件对道路交通的干扰最小化。

参考文献

[1]Genevieve G.Incident characteristics,frequency,and du-ration on a high volume urban freeway[J].Transporta-tion Research Board,National Research Council:Trans-portation Research Part A,1989,23(5):387.

[2]Stathopulos A,Karlaftis M G.Modeling duration ofurban traffic congestion[J].Journal of Transporta-tion Engineering,2002,128(6):587-590.

[3]赵燕,曹志辉,李亚莉,等.Cox回归模型在住院费用控制中的应用研究[J].现代预防医学,2008,35(13):2448-2449.

[4]Bryan Jones,lester janssen,fred Mannering.Analy-sis of the frequency and duration of freeway acci-dents in seattle[J].Accident Analysis&Preven-tion,1991,23(4):239-255.

[5]彭非,王伟.生存分析[M].北京:中国人民大学出版社,2004.

交通流时间序列 第7篇

关键词：城市交通,交通影响,Vissim仿真,出发时间选择行为,先进的交通信息系统 (ATIS)

0 引言

出发时间选择行为是一种重要的微观出行行为, 其集聚结果表现为系统的流量、速度, 从而对交通运行情况有着重要影响。通过先进的出行者交通信息服务系统 (advanced traveler informa-tion systems, ATIS) 向驾驶人提供实时出行信息, 能够引导部分驾驶人改变出发时间, 从而达到改善交通拥堵的效果。研究驾驶人出发时间选择行为的方法主要有理论建模和仿真实验2种, 在理论建模方面已有较丰富成果。张波等[1]采用累积前景理论建立了随机动态用户最优模型, 对早高峰工作出行路径和出发时间进行研究。李明[2]将风险模型应用到城市居民购物出发时间研究中, 分析影响居民出发时间选择行为的关键因素和影响程度。栾琨[3]利用有限理性理论对驾驶人的出发时间和出行路径进行分析。H.Nicholas等[4]采用离散模型对由家到单位的早高峰时段以及由单位回家的晚高峰时段的高峰扩散现象进行了研究。Y.Y.Tseng等[5]采用离散模型对荷兰的spitsmijden项目中的RP&SP调查数据进行了分析。R.C.Jou等[6]采用前景理论的参考点法对出发时间的选择行为进行了分析。沈未等[7]以系统最优为原则, 探讨在单一路径条件下的出发时间选择行为分析。

在仿真方面, 林勇等[8]通过预测不同时间段内的OD分配影响系数, 对驾驶人出发时间分布特点及不同出发时间段内的交通流量和系统状态进行总结分析。K.Ida等[9]将早高峰期间的出发时间分为15个阶段进行分析, 并把预测结果输入仿真软件Silvester中进行验证。F.J.Rosaldo等[10]建立了双层智能体仿真模型研究出行前信息对驾驶人的选择行为的影响。张弘弢等[11]建立了顺序出发选择模型, 将出发时间和出行路径结合起来, 并通过仿真验证, 提高了预测精度。

在城市交通运行影响分析方面, 目前主要从宏观角度展开研究[12,13], 笔者将利用Vissim仿真软件对驾驶人的微观出发时间选择行为与其产生的交通运行影响结合起来进行研究, 通过比较无实时信息和有实时信息2种条件下的交通延误状况, 分析不同实时信息条件下不同出发时间选择行为对缓解交通拥堵产生的影响。

1 数据获取

为研究驾驶人的出发时间选择行为, 以南京的2个典型地点:雨花台和鼓楼分别作为被调查者通勤出行的起点和终点, 常走路径为中山路 (路径1) , 见图1。

对673个驾驶人进行随机SP调查, 并被告知通常条件下他们的出发时间为07:30时, 以出发时间提前或延后5 min为1间隔, 分为3个时间段07:25时, 07:30时和07:35时, 向被调查者提供4类实时信息:① 描述型实时信息“07:30时路径1拥堵”;② 定量型实时信息“07:30时路线1拥堵, 当前拥堵持续5 min”;③ 预测型实时信息“07:30时路线1拥堵, 当前拥堵持续5min, 预计5min后仍有5min拥堵”;④指示型实时信息“07:30时路线1拥堵, 建议提前5min出发”, 由被调查者分别作出发时间的选择, 共收到642个有效样本。

2 出行前信息对驾驶员出发时间选择行为影响分析

分别针对上述4类实时出行信息对驾驶人的出发时间选择进行统计分析, 其结果见表1。

在以上4类交通信息条件下, 驾驶人提前5min出发的频率均为最高且达到60%以上, 高比例的提前出发说明驾驶人对相应实时信息的采纳率较高, 并且在采纳出行信息时并没有过多考虑其他驾驶人的出发时间选择行为。

3 仿真研究

3.1 仿真思路

在进行交通选择行为分析时, 需要解决以下3个问题:①如何对道路交通路网的拥堵状态进行静态模拟;②如何将道路拥堵信息传递给通勤驾驶人;③如何对驾驶人的交通选择行为进行动态模拟。

结合以上3个问题, 笔者在进行出发时间选择行为仿真时的主要思路如下:① 确定仿真背景:交通流量由少到多地增加, 直至达到仿真情景所需的拥堵状态出现, 并确定该交通拥堵状态出现时的时刻及交通流量大小;② 无实时信息时交通运行状况:在发生拥堵的时刻, 输入实际交通流量, 并观察此时拥堵路段的交通流状况;③ 有实时信息时交通运行状况:在不同类型的实时信息条件下, 分别按照理论模型所得到的交通选择行为预测结果, 将交通流量按比例在不同出发时间段上进行分配, 并对此时的仿真结果与第2步的仿真结果进行对照分析。其中前2步为仿真背景和基础数据提供支撑, 可作为不同实时信息条件下出发时间选择行为仿真的统一背景。

在以上的分析思路中, 首先将交通流量在路径上进行逐步增加, 确定仿真所需要的道路交通拥堵状态, 并将该状态确定为实时信息所描述的拥堵情况, 实现道路交通环境的静态模拟;其次在拥堵发生时刻, 通过按比例输入不同出发时间内交通流量大小, 实现实时信息的传递过程;最后通过比较有实时信息和无实时信息条件下的道路交通运行状况, 分析实时信息对驾驶人出发时间的选择行为及对交通拥堵程度的缓解作用。

3.2 道路仿真背景

与SP调查的路网相一致, 以南京市雨花台为起点, 鼓楼为终点, 以常用路径中山路以及备选路径龙蟠路和虎踞路为研究对象, 建立1∶1 的Vissim仿真路网, 如图2 (a) 所示。

设定图1中的中山路为仿真路径, 按照实际道路条件设置仿真路网道路几何条件、交叉口信号配时方案。设置2个信号交叉口:①中山路与中山东路的信号交叉口直行信号, 按照实际情况黄灯时间2s, 红灯时间86s, 绿灯时间70s;②在距中山东路以北440 m的华侨路与中山路的交叉口设置信号灯装置, 如图2 (b) 所示, 黄灯时间2s, 绿灯时间51s, 红灯时间85s。选择华侨路与中山路的交叉口作为第2个信号交叉口的目的在于建立形成交通拥堵状态的路段, 并作为实时信息发布内容向通勤者传递。

3.3 交通仿真背景

根据如表2所列的美国交通信号设计手册规定的交叉口信号灯控制的最小流量, 中山路为主干道, 对该道路上的直行交通流量的设置从1 000veh/h开始计, 每次增加流量为500veh/h, 仿真时间持续30min, 截取具有较大延误的连续时段见图3。

注:括号外为郊区数据, 括号内为市区数据

图3 (a) 与 (b) 分别为交通流量1 000veh/h和1 500veh/h时具有较大延误的连续时段, 其中图3 (a) 时间为从582s开始至593s时段, 平均每辆车的延误为24.4s, 处于C级服务水平, 图3 (b) 时间为从582s开始至611s时段, 平均延误大小为27.4s, 处于D级服务水平。根据表3所列的美国通行能力手册规定的信号交叉口服务水平延误标准, 选取1 500veh/h的交通流量作为仿真拥堵环境开始的背景交通流量大小, 并且确定拥堵开始的时间为第582s。

3.4 无实时信息时通勤道路网运行状况仿真分析

将拥堵条件下的交通流量运行时间调节成从0s开始至611s结束, 保持原交通拥堵状态不变, 考虑到出发时间以5min为1间隔, 有3个选择阶段, 从第582s开始至第1 482s结束, 设置连续900s的车辆运行时间, 在中山路上输入600辆小汽车交通流量, 观察中山东路至华侨路的交通拥堵情况, 得到交通延误见图4。

由图4可见, 当所有的驾驶人选择在拥堵时刻出发时, 原拥堵路段的交通延误时间段增多, 道路交通产生非常明显的8个拥堵周期。其中具有最大平均延误的时间段为720~761s时间段, 如图4 (b) 所示, 平均延误为26.8s, 比原时段的道路延误程度略小, 但持续时间长达40s。

3.5 不同信息条件下道路交通仿真模拟

交通总量保持600辆不变, 分3个时段加载到道路网中。设定第582s开始对应原出发时间07:30时, 第281s开始对应选择提前5min出发的时刻, 第883s开始对应延后5 min出发的时刻, 每个出发时间选择项持续300s, 描述型、定量型、预测型和指示型信息4种实时信息条件下的中山东路至华侨路之间的中山路段的交通延误仿真结果见图5。

结合图4~5可以看出:

1) 与无信息情况下的交通延误相比, 4种实时信息条件下的交通延误均有所降低。在仿真时间段内 (第281~1 183s内) , 道路交通延误高峰期的周期段数为4个, 比无实时信息条件下的道路交通延误高峰期周期段数少2个, 说明通过向驾驶人提供实时信息并引导驾驶人改变出发时间, 能够使得交通延误时间段减少, 平均延误减小。

2) 实时信息的提供对道路交通延误的集中程度有明显分散作用。从图4中可以看出, 道路交通延误集中于第582~1 183s之间, 其中第883~1 183s之间的交通延误有3段, 总时长持续112s。从图5 中可以看出, 当提供实时信息后, 主要交通延误时间段较为分散, 其中第883s至1 183s之间的交通延误时间段减少至1段, 平均时长减小为11s, 说明在提供实时信息后驾驶人对出发时间的分散选择能够明显减小道路交通延误。

结合图5和表1可以看出:

1) 导向型信息 (指示型信息) 条件下出现交通延误的时间点明显早于非导向型信息 (其他3种信息) 条件下出现的时间点。从图5中可以看出指示型信息条件下道路交通在第420s开始出现延误, 比其他3种信息条件下的时间提前接近20s, 主要原因是由于在指示型信息条件下, 选择提前5 min出发的比例较高 (从表1中可以看出有80%的驾驶人选择提前5 min出发) 。从图5中同时还可以看出即使在指示型信息条件下, 在提前5min出发的时间段 (第281~581s) 内并未发生拥堵性延误, 说明指示型信息对调节驾驶人的出发时间选择行为从而改善交通拥堵有很好的指导作用。

2) 在向驾驶人提供的3类假设情景中, 描述型信息、定量型信息和预测型信息的信息量依次呈递增规律, 从图5中可以看出, 描述型、定量型和预测型信息条件下, 分别有184 个、172 个和177个时间段出现拥堵性交通延误 (延误时间大于25.1s) , 在正常出发时间段内 (第582~882s内) 分别有156s、145s和148s处于拥堵性交通延误状态, 说明并非信息量越大, 交通拥堵改善情况越好, 当驾驶人接收到的信息量适中时更有利于作出合理的出发时间选择, 从而降低交通拥堵程度。

4 结束语

交通流时间序列 第8篇

关键词：交通工程基础建设,招投标,抉择,时间价值,工程费用,影响

1 从业主方角度出发进行招标方案的抉择

对工程项目进行招投标,目的在于择优选择承包单位。这不仅事关工程质量,工程安全,也能合理有效的控制工程造价,从而节约投资,提高投资效益。由于工程施工长期性的特点,使得一个投标报价存在着两个价格,静态的价格和动态的价格。静态的价格即为投标企业在其标书中提出的报价,也可以称为名义报价。而动态的价格即为考虑到资金价值的时间属性后对标书中提出报价进行换算后得到的现值,投标方会依据资金价值的时间属性,有针对性地放大工程施工的时间效应,对施工组织计划中前期完成的项目,如临时施工费,基础工程,土方开挖,桩基等适当的提高报价,同时相应降低后期完成项目的报价。

河南某豫西高速公路项目,纵跨嵩山南北麓,山岭区地形、地质条件十分复杂,桥梁、隧道等大型构造物分布广,密度大,采用BT总承包模式,路基、桥梁工程自己施工,隧道工程公开招标,经过资格预审后,邀请了A、B、C三家技术实力和资信俱佳的承包商参加该项目的投标。

该招标文件中规定:评标时采用最低综合报价(相当于经评审的最低投标价)中标的原则,但最低投标价低于次低投标价10%的报价将不予考虑。工期不得长于24个月,若投标人自报工期少于24个月,在评标时将考虑其给业主带来的收益,折算成综合报价后进行评标。若实际工期短于自报工期,每提前1天奖励5000元;若实际工期超过自报工期,每拖延1天罚款1万元。

A、B、C三家承包商投标书中与报价和工期有关的数据汇总于表1。假定:贷款月利率为1%,各分部工程每月完成的工作量相同,在评标时考虑工期提前给业主带来的收益为每月40万元。

1.1 若不考虑资金的时间价值,中标人有:

①承包商A的总报价为:4500+4800+120=9420(万元)

总工期为:8+10+6-2=22(月)

相应的综合报价PA=9420(万元)

②承包商B的总报价为:4200+5080+160=9440(万元)

总工期为:9+9+4-1=21(月)

相应的综合报价PB=9440-40×(24-21)=9320(万元)

③承包商C的总报价为:4200+5100+130=9430(万元)

总工期为:10+10+5-3=22(月)

相应的综合报价PC=9430-40×(24-22)=9350(万元)

因此,若不考虑资金的时间价值,承包商B的综合报价最低,应选择其作为中标人。

1.2 若考虑资金的时间价值,中标人有:

①计算承包商A综合报价的现值

隧道开挖工程每月工程款A1A=4500/8=563(万元)

隧道衬砌工程每月工程款A2A=5000/10=500(万元)

洞门工程每月工程款A3A=120/6=20(万元)

则承包商A的综合报价的现值为:

②计算承包商B综合报价的现值

隧道开挖工程每月工程款A1B=4200/9=467(万元)

隧道衬砌工程每月工程款A2B=5080/9=564(万元)

洞门工程每月工程款A3B=160/4=40(万元)

工期提前每月收益A4B=40(万元)

则承包商B的综合报价的现值为:

③计算承包商C综合报价的现值

隧道开挖工程每月工程款A1C=4200/10=420(万元)

隧道衬砌工程每月工程款A2C=5100/10=510(万元)

洞门工程每月工程款A3C=130/5=26(万元)

工期提前每月收益A4C=40(万元)

则承包商C的综合报价的现值为:

因此,若考虑资金的时间价值,承包商C的综合报价最低,应选择其作为中标人。

2 从承包方角度出发进行投标方案的抉择

该建设单位通过某施工单位签订了高速公路房建施工合同,该合同中部分条款如下:①合同总价为5880万元,其中基础工程1600万元,上部结构工程2880万元,装饰装修工程1400万元;②合同工期为15个月,其中基础工程工期为4个月,上部结构工程工期为9个月,装饰装修工程工期为5个月;上部结构工程与装饰装修工程工期搭接3个月;③工期提前奖为30万元/月,误期损害赔偿金为50万元/月,均在最后1个月结算时一次性结清;④每月工程款于次月初提交工程款支付申请表,经工程师审核后于第3个月末支付。

施工企业在签订合同后,经企业管理层和项目管理层分析和计算,基础工程和上部结构工程均可压缩工期1个月,但需分别在相应分部工程开始前增加技术措施费25万元和40万元。

假定月利率按1%考虑,各分部工程每月完成的工作量相同且能及时收到工程款。

2.1 若不考虑资金时间价值,施工单位应选择只加快基础工程的施工方案。

因为基础工程加快1个月,增加的措施费为25万元,小于工期提前奖30万元/月,而上部结构工程加快1个月增加的措施费为40万元,大于工期提前奖30万元/月。

2.2 若按合同工期组织施工,以开工日为折现点该施工单位工程款的现值为:

A1=1600/4=400万元/月;A2=2880/9=320万元/月;A3=1400/5=280万元/月。

2.3 若考虑资金的时间价值,该施工单位除按合同工期组织施工之外,还有以下三种加快进度的施工方案可供选择:

①只加快基础工程施工进度;②只加快上部结构工程施工进度;③基础工程和上部结构工程均加快施工进度。

2.3.1 只加快基础工程施工方案的现金流现值

2.3.2 只加快上部结构工程施工方案的现金流现值

A1=1600/4=400万元/月;A2=2880/8=360万元/月;A3=1400/5=280万元/月。

2.3.3 基础工程和上部结构工程均加快施工方案的现金流现值

A1=1600/3=533.33万元/月;A2=2880/8=360万元/月;A3=1400/5=280万元/月。

3 结论

因基础工程和上部结构工程均加快施工方案的现金流现值最大,故施工单位应选择基础工程和上部结构工程均加快的施工方案。

将资金时间价值观引入工程建设计量当中,把经济管理理论运用到交通工程建设方案抉择当中,带来的不仅仅是政策和方法的变化,更重要的是管理理念的变化,这种新理念将给传统意义上的成本核算带来重大变革,丰富、充实了成本会计理论,促进了工程经济的发展,给工程计量产生深远的影响,为投资者投资决策、评价经济效益等经济行为提供更有效的会计信息。同时由于现值的运用也更能全面地、真实地、准确地反映企业的资产价值和经营成果。

参考文献

[1]刘尔烈.工程项目招标投标实务(精).人民交通出版社,2004.

[2]王首绪,杨玉胜,周学林等.公路施工组织及概预算.人民交通出版社,2007.