窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法...窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法(IWOA)-门控循环单元(GRU)的窄路短时车流量预测模型,以SUMO(Simulation of Urban Mobility)仿真数据进行了实证研究。对比实验结果显示,IWOA具有较好的全局性、收敛速度且更加稳定。基于IWOA-GRU的窄路短时车流量预测模型,均方根误差(RMSE)指标相较于WOA-GRU、PSO-GRU、长短期记忆神经(LSTM)网络分别降低10.96%、28.71%、42.23%,平均绝对百分比误差(MAPE)指标分别降低13.92%、46.18%、52.83%,有较为显著的准确性和稳定性。展开更多
文摘为研究车辆组团视角下的道路偶发拥堵预警方法,本文提出一种基于双重跟驰模式与多参数融合层次聚类的粘滞性车辆组团(Viscous Vehicle Group,VVG)识别框架。首先,基于普通跟驰(Normal Following,NF)与错位跟驰(Staggered Following,SF)两种微观跟驰模式,划分VVG的普通跟驰单元(Normal Following Unit,NFU)和错位跟驰单元(Staggered Following Unit,SFU);然后,从偶发拥堵特征、时空相似性和结构动态稳定性这3个维度出发,分别选取车速、时间间隔、空间间隔、速度差和加速度差这5个核心参数用以进行量化表征,结合Kolmogorov-Smirnov检验与统计分析进行参数筛选,并通过自底向上的层次聚类确定NFU与SFU的参数阈值范围,并识别VVG。以南京市道路实测交通流数据为例,实证结果表明:NFU与SFU参数的分布差异显著,支持将两种组团单元区分处理;在3088个车辆样本中成功识别出243辆参与VVG,有效验证了模型的识别能力;VVG多在偶发拥堵前出现,可作为拥堵前驱信号,预警成功率可达93.33%。本文为道路偶发拥堵预警提供理论和方法支持。
文摘窄路段作为交通场景中不可避免的瓶颈路段,其短时车流量预测对优化路径规划、改善交通状况具有重要意义。针对窄路段的时效性,同时考虑适用模型的准确度,提出一种基于佳点集初始化种群、非线性参数控制及柯西变异扰动的改进鲸鱼优化算法(IWOA)-门控循环单元(GRU)的窄路短时车流量预测模型,以SUMO(Simulation of Urban Mobility)仿真数据进行了实证研究。对比实验结果显示,IWOA具有较好的全局性、收敛速度且更加稳定。基于IWOA-GRU的窄路短时车流量预测模型,均方根误差(RMSE)指标相较于WOA-GRU、PSO-GRU、长短期记忆神经(LSTM)网络分别降低10.96%、28.71%、42.23%,平均绝对百分比误差(MAPE)指标分别降低13.92%、46.18%、52.83%,有较为显著的准确性和稳定性。
