一、基于视频技术的微观交通流信息采集系统研究（论文文献综述）
柴浩,张志鹏,游克思,孙培翔,胡昊[1]（2021）在《雷达视频联合检测技术在北横通道的应用研究》文中进行了进一步梳理针对城市地下道路的场景和数字化交通管控需求,比较当前车辆检测和事件分类技术（例如线圈检测、红外检测、雷达以及视频等方式）在交通信息检测中的优势与劣势,提出了基于雷达视频联合的交通流检测系统。该系统可以检测更加多元的交通流信息,在复杂特殊的交通场景下仍可以持续稳定地采集和获取交通流状态和事件信息,为道路管理者提供决策依据。通过在上海北横通道的实际应用证明,雷达视频联合检测系统基本满足对城市地下道路的交通流状态信息和事件信息检测的需求,为后期城市地下道路智慧化建设和主动管控提供参考。
张永男[2]（2021）在《交通网络流分布式协同控制与基于云计算的并行优化》文中认为人工智能、云计算、通信技术和物联网的快速发展,推动交通运输迈入大数据驱动的智能化发展新阶段。需要研究适合大数据背景下交通网络流智能控制与决策的方法,以缓解交通拥堵、提高出行满意度。针对基于大数据的分析处理与优化决策对控制性能与实时性的要求,本文研究交通网络流分布式协同控制的理论与方法。采用宏观交通流评价模型,研究基于云计算的反应式控制方法与并行求解策略。进一步,采用微观交通流评价模型,研究基于云计算的预测控制方法与并行求解策略。为了提高交通网络流控制的智能化水平,继续研究基于深度学习的交通网络流时空特征并行学习方法,并将该方法拓展到基于深度学习评价模型的分布式深度强化学习控制方法中。通过建立交通网络流控制的边缘计算解决方案,研究离线大数据学习与在线决策应用的云边协同处理策略。基于北京市区域路网对本文所研究的控制方法及并行优化算法的有效性进行了仿真验证。本文的主要研究内容及创新点如下:（1）为了提高控制性能和实时性,提出了基于宏观交通流评价模型的分布式协同控制方法以及并行优化算法。在宏观交通流延误模型的基础上,通过优化各个信号交叉口的绿信比参数,实现区域路网的分布式控制;通过优化相邻交叉口之间的相位差,实现区域路网的协同控制,促进形成绿波带控制局面。采用具有迁移比例和替换概率的粗粒度并行自适应遗传算法求解分布式协同控制的双目标优化问题,通过云计算进一步加快求解速度。仿真试验结果表明,该方法在降低交通延误和改善实时性方面具有有效性。（2）为了弥补宏观评价方法可能与随机微观交通流波动不相匹配以及反应式控制缺少预见性的不足,提出了基于微观交通流评价模型的分布式协同预测控制方法以及并行优化算法。将基于规则的非解析微观交通流模型应用到交通网络流预测控制中,与宏观预测模型相比,更能准确地预测未来的交通态势、评价候选控制方案。为了减少在预测时域优化控制序列的求解时间,采用基于Spark云计算的两级分层并行遗传算法,加快滚动时域的求解速度。仿真试验结果表明,该方法分别在不饱和与过饱和的交通流状态下,取得了较好的控制效果,加快了求解速度。（3）为了提高交通流预测模型的智能学习能力,提出了交通网络流基于深度学习的时空特性学习机制以及并行训练方法。由于目前交通流特征学习的对象大都局限于局部路段,本文采用深度卷积神经网络和长短期记忆神经网络的混合深度学习模型,建立面向大数据处理的交通网络流特征学习模型。既挖掘多条路段之间的空间关联特征,又提取交通流的时间序列动态演化规律。为了减少深度学习在大数据下的训练时间,研究了基于数据集分解的具有收敛保障的并行训练的理论基础,设计了基于Spark云计算的并行算法。仿真试验结果表明,深度学习模型及并行训练方法在改善特征学习精度的同时,极大地降低了训练时间。交通网络流时空演化特征基于深度学习模型的并行学习是交通网络流分布式深度强化学习控制的研究基础。（4）为了提高控制决策的智能化水平,提出了交通网络流基于深度学习评价模型的分布式深度强化学习控制方法以及基于边缘计算的实现算法。将值分解方法拓展到演员-评论家算法框架中,通过在动作网络的输出层引入考虑多约束条件的绿信比调整方法,解决交通网络信号的连续控制问题。通过策略贡献权重的自适应分配机制,不断强化对全局目标影响程度大的策略贡献权重,实现自适应分布式协同决策。最后将分布式深度强化学习方法部署到边缘计算架构上,实现在线决策与离线学习的协同处理。仿真结果验证了智能控制方法及云边协同求解算法的有效性。
梁星灿[3]（2021）在《货车分心驾驶行为对交通安全的影响研究》文中指出随着车载电子产品的普及和应用,当今驾驶员分心驾驶的情况越来越普遍。分心驾驶引发了众多交通事故,给道路交通带来了极大安全隐患。然而现有分心驾驶的研究大多集中在普通小车驾驶人,对货车驾驶人分心驾驶给交通安全产生的危害却较少研究。因此,深入研究货车驾驶人分心驾驶对车辆行为和交通安全产生的影响对提升道路交通安全水平具有重要意义。本文针对货车驾驶人分心驾驶展开调查研究,选择“蓝牙通话”、“看窗外”和“发微信”三种典型分心次任务作为研究对象,设计并开展模拟驾驶实验,采集分心驾驶状态下车辆运行数据。然后,建立考虑分心驾驶显着特征的IDM模型用于描述分心驾驶状态下车辆的跟驰行为,在此基础上从微观层面研究驾驶人分心驾驶对自身车辆驾驶绩效的影响,从中观层面上研究分心驾驶车辆给所在车队行驶稳定性带来的影响,从宏观层面上分析分心驾驶车辆的微观行为与宏观交通流运行效率和安全水平特征之间的联系。本文从分析货车驾驶人分心驾驶的角度,量化三种典型的分心次任务带来的影响程度,并系统性探索了分心驾驶影响的传递机制,具有一定的学术价值,可为相关道路安全法规的制定提供理论依据。本文的主要研究内容如下:（1）分心驾驶数据采集。结合自然驾驶观察法（NDS）与事故数据统计法,从分心次任务的常发性和危险性两方面考虑,确定货车驾驶人典型分心驾驶次任务。搭建多车辆联动模拟驾驶平台,针对三种典型分心次任务设计并开展模拟驾驶实验,分别采集稳定流和饱和流环境下驾驶人正常和分心状态下的车辆运动状态指标数据。（2）分心驾驶跟驰模型研究。在考虑分心驾驶行为对车辆运行状态影响特征的基础上,建立考虑分心驾驶的IDM跟驰模型,采用遗传算法使用模拟驾驶实验数据对跟驰模型参数和分心影响参数进行了标定和验证。验证结果表明,改进的IDM模型较原IDM模型能更好描述驾驶人分心状态下的跟驰行为。（3）分心驾驶对车辆绩效及车队稳定性影响研究。采用Relief算法提取出分心驾驶影响较大的10项车辆绩效特征指标并进行差异性分析。分析得出三种分心驾驶次任务在不同交通流环境下对车辆纵向、横向驾驶绩效及跟驰行为的影响。在微观层面研究的基础上,针对货车分心驾驶对后方车辆运动状态的影响进行分析,并通过改进的IDM模型进行车队稳定性分析和数值仿真,从中观层面分析驾驶人分心驾驶对车队稳定性的影响。（4）分心驾驶对交通流影响研究。建立考虑分心和车型差异的换道模型,构建驾驶人随机分心模型,搭建基于SUMO软件的交通仿真框架并开展分心驾驶影响研究,探究不同货车比例和分心比例对交通流效率指标和安全水平指标的影响。宏观研究结果显示,交通流中货车比例的增大会增加拥堵风险,降低交通流运行速度,同时分心驾驶比例增大会导致交通流稳定性下降,安全水平降低。因此交管部门需加强对驾驶人分心驾驶行为的监管力度,以降低由分心驾驶引发的交通事故数量。图63幅,表35个,参考文献99篇。
戴喆[4]（2020）在《基于机器视觉的城市道路交叉口交通参数提取及交通信号控制》文中认为中心城市在国家区域协调发展中发挥着越来越重要的作用,城市交通的管理和控制逐渐成为了制约城市建设和经济发展的主要问题之一。在城市人口不断增加,人们对交通出行方式和交通质量要求不断提高的情况下,优化城市路网结构和交通运行状况,已成为社会关注的热点。与此同时,城市公共区域监控范围的扩大、监控需求的细化、以及监控设施的不断完善,为智能交通系统的建设和平台的有效运营提供了可靠保障。先进的城市交通控制系统是提高交通通行效率的核心,而合理的交叉口信号控制设计是提高城市道路通行能力,改善路网交通状况的重要手段,也是城市现代化的重要标志。因此对城市交通控制问题的研究具有很高的应用价值。针对当前城市道路交通控制的核心需求,本文重点研究基于机器视觉的交通参数提取及其在城市交通信号控制系统中的作用及应用价值,在为城市道路交通控制提供可靠数据来源的同时,为道路交叉口交通控制的智能化发展及高效运营提供具有参考价值的研究成果。为实现这一目标,主要的研究内容包括以下三点:1.针对交通参数的获取问题,设计了一种基于视频分析的道路交叉口交通参数提取方法,该方法包括三个方面:（a）制作了一个交通目标检测数据集（Vehicle Detection Dateset,VDD）,用来配合车辆目标的检测任务,制作了一个车辆计数数据集（Vehicle Counting Dateset,VCD）,用来进行交通参数获取方法的评价;（b）提出了一种多目标跟踪算法;（c）设计了一种区域编码算法用于轨迹处理和交通参数的计算。通过基于VDD和VCD开展实验及结果分析,验证了所设计方法的可行性和有效性。2.针对交通目标的运动信息提取及描述问题,基于相机标定模型,充分考虑道路交叉口交通监控场景的特点提出了两种相机标定算法:（a）对于使用固定相机进行长期监控的场景,提出了一种基于虚拟网格的离线标定算法;（b）对于监控视角要求变化的交通场景,提出了一种基于车辆三维模型的在线自动标定算法。以相机标定结果为基础,针对城市交通信号控制系统对交通参数的需求,获取基于目标运动信息的准确交通参数,并针对几种交通监控场景验证了算法的有效性。3.针对实现基于机器视觉的道路交叉口交通信号控制目标,完成了三个方面的工作:（a）提出了一种基于参数优化的道路交叉口交通信号控制方法,形成了基础控制方案;（b）提出了一种基于模糊逻辑的自适应信号控制算法,在基础控制方案的前提下,实现基于交通流变化的绿灯时间调整自适应控制过程;（c）基于基础控制方案与自适应信号控制过程,完成了基于机器视觉的道路交叉口交通信号控制仿真和分析。实验结果表明:论文提出的基于视频分析的道路交叉口交通参数提取方法能够适应于复杂的交通场景,并能较为准确的提取出重要的交通参数信息,其中交通流和交通组成信息的精度可以达到90%以上。提出的道路交叉口场景下的相机标定算法及交通目标的运动信息提取方法中,两种相机标定算法可以在不同的场景下配合使用,对于图像场景的距离估算精度（91%）能够较好地满足实际交通需求,能够实现在道路交叉口场景下准确描述交通目标运动信息的目标。提出的基于机器视觉的交通信号控制策略能够克服由于交通流波动对交通信号控制带来的干扰和影响,使车辆平均延误和停车次数显着降低,在非饱和交通流的情况下能够实现接近于理想条件下的交通控制性能,在饱和交通流的情况下的交通控制性能也明显优于固定周期的信号控制策略。
顾欣[5]（2020）在《高速公路互通立交合流区交通冲突预测模型研究》文中进行了进一步梳理高速公路互通立交合流区是辅助互通立交完成路网车辆转向功能的重要“阀门”。合流区内交通环境复杂、车辆合流行为频繁,驾驶员易发生错误判断及操作,容易导致交通冲突发生概率增加,引发交通事故。在互通立交数量增长和互通立交合流区安全问题突出的双重背景下,研究高速公路互通立交合流区安全问题,构建安全分析模型,对深入探究安全影响因素,提高互通立交合流区安全性,提升互通立交区域服务品质具有重要意义。基于此,本文以揭示微观层面合流冲突形成机理为目标,开展了对高速公路互通立交合流区交通冲突预测模型的研究。论文分析了高速公路互通立交合流区交通运行特征,提出了合流冲突的定义;研究了合流冲突的形成过程和冲突类型及特征;在总结现有冲突数据采集方法的基础上,提出了基于无人机航拍视频的交通冲突识别系统;并对合流冲突影响因素进行了分析。针对基于无人机航拍视频的交通冲突识别系统,论文研究了视频画面处理、视频稳定和校准等视频预处理方法;在总结常见运动目标检测算法和常见运动目标追踪算法的基础上,提出了基于Mask R-CNN（Region-CNN,Convolutional Neural Networks）和CSRT（Discriminative Correlation Filter with Channel and Spatial Reliability Tracking）结合的车辆检测和追踪方法;并结合交通冲突指标,实现交通冲突识别。最后,以马群互通立交合流区为调查对象展示了交通冲突识别方法的应用。为了从微观驾驶行为层面分析合流冲突风险,论文对合流决策行为进行了研究。从合流执行位置、合流持续时间、合流速度等方面对合流选择行为特性进行了分析。提出了一种考虑驾驶员合流行为的冲突风险预测框架,即基于随机参数多层逻辑回归模型对合流决策行为进行预测,并利用冲突风险计算模型计算每一决策点的冲突风险。研究结果表明,合流车辆速度、合流驾驶员驾驶能力、合流执行位置对合流冲突风险具有显着性影响。该模型不仅可以计算单个合流车辆在合流过程中任一时刻的合流冲突风险,也可以对合流区域总的合流冲突风险进行集计计算,可应用于交通安全评价和危险交通状态监控。针对样本关联性问题,论文提出了两种建模方法。一种是构建考虑合流持续时间和合流冲突率的联合冲突预测模型,探究合流行为和合流冲突的耦合关系;分别采用生存分析模型和Tobit模型预测合流持续时间和合流冲突率,并基于二者的联合模型来进行合流冲突风险预测。模型结果表明,合流选择行为与合流冲突风险之间存在耦合影响。另一种是构建基于贝叶斯网络的合流冲突预测模型,探究影响因素之间的关联性和不确定性关系。模型结果表明,不同离散化标准对冲突预测精度有显着影响,且众多关键因素之间存在交互影响。在贝叶斯网络模型的基础上,提出了交通冲突链的识别方法。针对冲突预测模型的应用,论文还提出了一种计算下一时间窗内合流冲突风险的主动风险预测建模策略,并采用二项逻辑回归模型、多项式逻辑回归模型和巢式逻辑回归模型对采集数据进行了建模和比较;最终提出了所构建模型在合流辅助系统中的应用方案。
邢璐[6]（2020）在《基于微观轨迹数据的主线收费站分流区交通安全评价研究》文中研究表明作为高速公路主要事故黑点,收费站的交通安全问题已备受关注。尤其在收费站上游道路的车辆分流区域,有限的道路空间、复杂的车道配置以及不同的收费类型给驾驶员正常行驶提升了难度,也使得车辆在此区域的事故风险显着提升。虽然,交通管理部门已于近年开始重视上述问题,并从收费方式着手解决收费站对高速公路发展及车辆正常运行的限制,但由于收费站发展处于过渡阶段,实施的措施对车辆安全改善的效果并不明显。同时,收费站的更新换代也导致已有安全评估系统的失效,亟需修正已有事故风险评估模型,保证收费站分流区安全预警系统能够适应快速更新的交通环境。因此,有效合理地评估车辆在分流区内的安全,明晰车辆事故风险影响机理,构建适用性广泛的收费站安全评价体系对收费站安全管理尤为重要。为此,本研究依托国家自然科学基金面上项目《混合收费站运行安全和效率影响机理与多领域协同分析设计研究》（51778141）以及江苏省研究生科研与实践创新计划项目《基于交通冲突的混合型收费站前广场交通安全影响研究》（KYCX17＿0148）,以南京混合型主线收费站分流区为例,探究收费站分流区车辆事故风险特征以及事故影响机理,改善分流区交通安全。论文的主要研究内容包含以下五个方面:首先对混合型主线收费站分流区进行重新定义,将收费站车辆分流行为的传统研究范围拓展到车辆实施预备分流的主线道路,并从理论角度概括车辆在收费站分流区的行驶过程、换道及速度特征。其次,从系统框架和功能、目标检测、目标跟踪、误差消除以及坐标系转换等方面深入介绍基于视频识别技术的车辆轨迹自动识别系统,以及获取完整车辆轨迹和提高车辆轨迹精度的过程,强调了高精度视频识别对复杂道路节点中转向或变道车辆跟踪的重要性。在此基础上,以沪蓉高速南京收费站分流区为例,从车辆类型、行驶时间、行驶速度、速度变化、车道选择等方面探究收费站分流区的交通流特征。第二,详细阐述了交通冲突技术以及交通冲突判别指标,重点讨论传统指标适用场景的局限,提出适用于无约束车辆运动交通冲突计算的安全替代指标（拓展距离碰撞时间,ETTC）及其计算方法,弥补传统指标的局限性。进一步明确收费站分流区车辆运动的无约束特征,定义分流区交通冲突并分类,详细介绍了分流区交通冲突形成过程及影响因素。基于车辆微观轨迹数据和ETTC,提取车辆在收费站分流区内交通冲突并判别安全状态,详细刻画交通冲突特征,对比车辆事故风险的差异性。第三,基于收费站分流区车辆微观轨迹和交通冲突估计结果,构建参数事故风险评估模型（Logistic回归,LR）和五种非参数事故风险评估模型（决策树、随机森林、支持向量机、K邻近算法和神经网络算法）,对比六种模型对分流区车辆事故预测的精度和模型结果的解释能力,优选适用于收费站分流区的事故风险评估模型。在此基础上,通过构建基于贝叶斯方法的随机参数logistic回归模型,摆脱IIA假设约束并且有效捕捉解释变量未被观测到的异质性。探究车辆类型、收费通道选择、行驶速度、行驶位置以周边车流与车辆安全之间的关系,对分流区车辆事故影响机理进行详细的剖析和解读。研究成果为交通安全管理者理解分流区交通事故影响机理、有效预测分流区车辆事故、制定和实施安全管理决策提供了理论基础和实证指导。第四,通过探究车辆分流行为的连续性动态变化,发掘车辆事故风险具有的时空动态差异,提出车辆在分流区内的行驶时间和行驶距离对事故风险影响的重要性。基于随机参数事故风险评估模型,进一步引入车辆分流行为的连续动态特征,提出了基于行驶时间和行驶距离的随机参数事故风险模型,探索车辆安全在时间和空间上连续动态变化,以及各影响因素与车辆安全内在联系的影响作用。通过对基础模型、时变模型和空间变化模型的评估效果对比,证实考虑时空动态变化的有效性。此外,将收费站分流区混行车辆划分为四种混行类别,对比不同混行类别的车辆事故风险时变影响机理,捕捉不同混行类别的车辆安全差异性,证实车辆混行对分流区交通安全的危害,为收费站收费方式改革提供理论支持。最后,研究基于对离线静态估计在安全管理实践中的局限性以及滞后性的探讨,以六种数据采样方法模拟数据离散特征,采用贝叶斯动态LR理论构建能够随着数据更新实现自适应修正的分流区车辆事故风险评估模型,并验证了模型自适应修正和动态估计的有效性。在模型基础上,提出考虑动态更新的收费站分流区车辆安全预警系统。同时,采用灰度聚类评价方法,构建分流区车辆安全预分级模型,将车辆自身安全性能划分为四个等级,并优化四类安全级别车辆的ETTC阈值和事故概率阈值。基于事故风险评估模型动态更新以及车辆安全预分级,构建同时具有动态更新和细分车辆安全等级功能的分流区车辆安全预警系统,将研究结果应用到安全管理实践。在预警系统的基础上,提出安全行驶诱导、安全状态监控、高危状态急救以及危险行为干预的车辆安全改善思路以及多种安全管控措施,实现研究结果和工程实践的有效结合,同时将收费站安全研究成果推广应用到类似的复杂道路节点中,为道路安全管理提供有效的方法支撑和借鉴。
孙培培[7]（2020）在《基于轨迹数据的交通震荡演化及驾驶人跟驰行为特性研究》文中研究表明交通震荡（又称“时停时走”交通现象）是微观交通个体行为的群体表现,即车辆减速-加速过程中运动波向上游传播的现象,常伴随快速路的交通拥堵现象出现。深入研究交通震荡演化机理对于揭示快速路交通拥堵传播机理、制定拥堵疏导和控制策略等方面具有重要的指导意义。由于缺少微观数据支持,目前关于交通震荡演化与车辆微观跟驰行为特性的内在关系尚未厘清。本文以视频图像识别技术提取的高精度车辆行驶轨迹数据为基础,对交通震荡演化及驾驶人跟驰行为特性展开系统化、定量化的研究分析。全文的主要内容包括如下方面:首先,进行了车辆行驶轨迹数据清洗与去噪算法研究。选取NGSIM项目US-101数据集与南京市应天大街快速路轨迹数据集作为研究的数据基础,详细介绍了数据来源与数据结构,分析数据中异常值和测量误差的存在原因以及错误数据比例;提出分两步进行的数据清洗与去噪算法:1)采用一阶差分法修正速度突变误差;2)卡尔曼滤波消除数据噪声;通过加速度统计分布、Jerk分析法等验证了处理后的数据变换平缓同时保持了原始轨迹的数据特性和结构特征,可满足后续研究的数据精度要求。其次,基于高精度轨迹数据分析交通震荡演化特征。采用墨西哥帽小波识别车速变化,通过追踪小波能量峰值确定交通震荡的产生位置和时空传播特性（震荡幅度、持续时间和强度等）;以非对称驾驶行为理论以及车辆运行相变规律为支撑,采用理论分析与数据验证相结合的方法分析交通震荡产生、增长和消散阶段的演化特征。再次,进行了驾驶人跟驰序列提取与运行特征分析。采用基于车辆跟驰条件的判定方法,提取交通震荡过程中驾驶人跟驰行为序列,构建跟驰数据集。采用数理统计分析方法研究驾驶人跟驰行为运行特征参数的统计特性与变化规律,探讨我国与美国轨迹数据库中驾驶人跟驰行为运行特征存在的共性与差异,分析的主要特征参数包括:速度、加速度、车头间距、跟车距离、车头时距、时间间隔、加/减速反应时间等。最后,进行了交通震荡演化过程中驾驶人感知反应特性识别研究。改进了基于轨迹数据的驾驶人感知反应特性参数提取方法,构建了激进型、普通型和保守型驾驶风格划分的聚类判别模型;分析不同驾驶风格的驾驶人在交通震荡过程中的感知反应特性变化,用以解释非对称驾驶行为特性;最后将驾驶人的感知反应特性引入到车辆跟驰模型中,研究驾驶人的感知反应特性对交通流状态稳定性的影响。
彭国庆[8]（2020）在《快速路入口匝道合流区交通流演变特性与仿真控制研究》文中研究指明随着中国城市化进程加快,交通出行需求与日俱增,相应的城市交通主动脉-快速路的建设也加快了步伐。然而,近年来快速路拥堵已经成为许多城市的常发性交通现象。实际上,快速路常态拥堵的瓶颈往往是交通流运行比较复杂的路段,如入口匝道的交织区,其频繁出现的局部范围交通流紊乱、但没有陷入整体严重拥堵的亚稳态交通流是引发通行能力下降和宏观滞回等现象的主要因素。围绕交通拥堵演化过程,本文以南京市应天大街高架（1865产业园附近）入口匝道交汇瓶颈区为研究场景,利用高精度车辆轨迹数据对交通流进行理论分析、提出改进匝道控制算法和仿真分析,以重建、解析和预测交通状况的时空变化特征。为此,基于提取的轨迹数据,理论研究上,本论文将重点观察交通拥堵演变的特征与相变临界阈值,并深入理解车辆的跟驰与换道行为对瓶颈区亚稳态交通流的形成与变化的影响;实践技术上,本论文构建基于深度学习图像识别方向的预测模型,提出融合了三相交通理论临界相变阈值判定、短时交通流预测和单点控制的匝道联动控制算法,从通行效率和占有率等方面二次开发仿真评价快速道路系统效能的提升效果。整体上,包含如下三个部分内容:首先,使用无人机航拍视频与图像识别技术,对匝道交织区拥堵发生前后时段内的所有车辆进行标定与跟踪,并经过数据去噪平滑、拼接拟合与聚类重构等多步骤流程获取车辆轨迹数据;其次,面向三相交通理论,提出微观换道模型量化捕捉振荡波的扰动传播特征,提出改进的非对称模型研究迟滞现象和驾驶行为的非对称性,从宏观交通相变和微观驾驶行为层面研究拥堵形成和演变机理;最后,基于新兴的深度残差网络模型,提出融合多种理论的入口匝道联动控制算法,并构建二次开发的仿真控制平台,进行短时交通流相变预测与匝道调节率控制,并对仿真效果进行评估。本文可以为将来交通管控制技术发展提供理论与仿真支撑。
谢济铭[9]（2020）在《考虑车辆行驶行为的山地城市干线复杂交织区交通流建模与分析》文中提出受地形和道路条件等限制,部分干线交织区车道和流向多、交织区较短,车辆换道交织现象更为复杂。研究交织区车辆行驶行为规律并进行有效建模,是探明交织区交通运行机理的关键和基础。为探索这类复杂交织区交通运行特性,本文基于高精度、全样本车辆微观轨迹数据,提出交织区精细化元胞自动机跟驰模型和换道决策模型,从而更精细地捕捉和再现短距多车道交织区实际的车辆行为及交通流状况。内容研究具体如下:（1）基于无人机视频的车辆微观轨迹数据提取与分析。由于复杂交织区车辆行为对时间和空间尺度要求更为微观精细,本文以0.1s的时间尺度、0.1m的空间尺度,提取分析流量、车道密度、单车速度、车前间距、加速度、速度角度等交通流信息,提取分析车辆换道次数、位置及其方向等换道行为信息。结果表明,复杂交织区换道条件局促、换道行为频繁、急加速急减速等异常行为增多,车辆干扰与冲突加剧,影响交织区交通运行安全与效率,极易形成交通拥堵瓶颈。（2）基于细化元胞尺寸和时间步长的分区跟驰模型。根据车辆在上下游、交织区不同场景下交通及几何特性的差异性,采用分区建模的思想,将研究范围划分为若干可独立设置变量与规则的分区,并细化了模型的元胞尺寸和更新时间步长,更加真实的反映实际车辆跟驰行为特性。（3）构建上下游自由换道模型和交织影响区双层换道决策模型。为细致刻画交织区复杂的车辆换道行为,考虑上下游与交织区换道需求强度与换道约束等差异性,在上下游换道模型中,建立了自由换道间距条件和Logistic换道概率条件。在交织影响区换道模型中,根据安全风险进行换道时机多步决策,建立了基于风险型、强制型等5类换道间距条件和3类换道概率条件的交织影响区双层换道决策模型。（4）数值模拟与分析。基于重庆市四公里交织区高峰时段实测数据,对未分区换道决策模型、分区多路合流换道模型、分区换道决策模型（本文模型）进行仿真与验证分析。本文选取典型山地城市干线复杂交织区,分析微观交通运行特性,构建了基于分区建模的精细化交织区元胞自动机行为决策模型。验证显示,与实测数据相比,本文模型平均车道流量误差1.64%、速度分布平均误差4.14%、换道次数平均误差11.85%。说明本文模型能较好反映流量、密度、速度分布等交通流特性,描述车辆在不同位置的换道需求与强度差异性,刻画多车道交织区的复杂车辆行为,可为交织区交通运行评估、通行能力测算及优化管控等提供理论与方法支撑。
郑玉冰[10]（2020）在《复杂干扰下考虑异质性的非机动车微观行为建模与仿真》文中研究表明近年来,电动自行车的广泛使用以及公共自行车与共享单车的普及推动了我国城市中非机动车交通的复兴,大量电动自行车与自行车混合运行于城市道路的非机动车道中。非机动车数量的增长与形式的丰富使得城市非机动车交通流的运行状况更为复杂,城市道路中现有的非机动车基础设施建设与管理方式已逐渐难以满足当前非机动车交通发展的需要,为城市道路的安全状况与运行效率均造成了极大隐患。因此,本文着眼于非机动车骑行者个体感知—决策—行动三阶段的骑行行为发生机制,将骑行者的骑行风格多样性纳入研究范围,通过建立非机动车交通流中个体微观行为仿真模型对路段与非信控交叉口处的非机动车流的运行特性进行了深入探究。本研究的主要研究内容与结论如下:（1）面向实地采集的非机动车交通流视频数据建立了视频稳定性校正算法,采用高斯混合模型与卡尔曼滤波器从逐帧校正的视频数据中提取了真实场景下的非机动车骑行轨迹,对轨迹数据进行降维分析获取了表征个体行为模式的多类别运动参数,并通过聚类分析验证了非机动车骑行者群体中行为模式差异性的存在,将非机动车骑行者划分为谨慎型、一般型与鲁莽型三种类别。（2）综合考虑非机动车骑行者的环境信息感知特性,将骑行环境中的复杂干扰信息归纳为静态障碍物信息、感知难度信息、感知风险信息与鸣笛声音信息,并分别对每类信息的关键影响因素进行了探讨。在此基础上建立了复杂干扰作用下的非机动车骑行者的基础运动模型与环境感知模型,同时介绍了MATLAB平台中骑行者个体环境信息采集过程的算法实现。（3）采用模糊逻辑方法,面向三类骑行者分别建立了个体短期路径规划决策模型与鸣笛行为决策模型。编制了《非机动车骑行风格量表》作为非机动车骑行者骑行风格的评价工具,结合实测数据给定了各类别骑行风格对应的量表得分阈值,并验证了基于量表得分的骑行风格划分的有效性。在此基础上,以该量表作为工具分别获取了三种风格的非机动车骑行者样本,并选取具有代表性的参数组合采用问卷调查手段分别构建了三类骑行者的短期路径规划与鸣笛行为模糊推理规则。（4）基于非机动车骑行者与骑行环境的微观交互机理,建立了考虑个体感知与决策特性的非机动车修正社会力模型并在MATLAB环境中完成了仿真模型的编译。在仿真环境中开展了多种参数组合设置条件下的仿真实验,对路段处与非信控交叉口处直行非机动车交通流内部的多种交通现象发生与演变规律进行了分析与归纳。本研究建立了考虑异质性的非机动车骑行者感知—决策—行动三阶段行为发生机制的非机动车社会力模型,在理论层面丰富了非机动车交通流的微观仿真体系,同时也为我国城市道路非机动车交通管理与发展策略的制定提供了理论层面的参考,对改善非机动车运行安全、优化非机动车出行环境具有积极作用。
二、基于视频技术的微观交通流信息采集系统研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于视频技术的微观交通流信息采集系统研究（论文提纲范文）
（1）雷达视频联合检测技术在北横通道的应用研究（论文提纲范文）
| 0 引言 |
| 1 城市地下道路特征 |
| 2 交通流信息采集技术 |
| 2.1 传统交通流信息采集技术 |
| 2.2 雷达视频联合检测技术 |
| 3 基于雷达视频联合的城市地下道路检测系统 |
| 3.1 雷达视频融合原理 |
| 3.2 地下道路交通多源信息和状态采集 |
| 3.3 雷达视频联合检测技术特色 |
| 3.3.1 火灾情况 |
| 3.3.2 烟雾情况 |
| 3.3.3 特殊应急车辆的应用 |
| 3.4 雷达视频联合检测技术应用问题与挑战 |
| 3.4.1 交通大数据采集不完整 |
| 3.4.2 地下通道雷达检测精度低 |
| 4 上海北横通道雷达视频联合检测案例 |
| 4.1 上海北横通道概况 |
| 4.2 北横通道系统方案与架构 |
| 4.3 雷达视频联合检测系统案例应用 |
| 5 结语 |
（2）交通网络流分布式协同控制与基于云计算的并行优化（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流反应式控制 |
| 1.2.2 交通流模型预测控制 |
| 1.2.3 交通流深度强化学习控制 |
| 1.2.4 交通流大数据分布式并行处理 |
| 1.3 论文的研究内容及组织结构 |
| 2 基于宏观交通流模型的分布式协同控制及并行优化 |
| 2.1 引言 |
| 2.2 总体架构 |
| 2.3 优化模型 |
| 2.3.1 公共周期优化 |
| 2.3.2 绿信比优化 |
| 2.3.3 相位差优化 |
| 2.4 粗粒度并行自适应遗传算法求解策略 |
| 2.4.1 自适应遗传算法 |
| 2.4.2 自适应遗传算法的并行优化策略 |
| 2.4.3 基于CPAGA优化的分布式协同控制 |
| 2.5 仿真结果与分析 |
| 2.5.1 试验设计与参数设置 |
| 2.5.2 收敛性和计算效率比较 |
| 2.5.3 信号周期变化趋势 |
| 2.5.4 控制性能比较 |
| 2.6 本章小结 |
| 3 基于微观交通流模型的分布式协同预测控制及并行优化 |
| 3.1 引言 |
| 3.2 总体架构 |
| 3.3 交通流微观仿真建模 |
| 3.3.1 时空约束 |
| 3.3.2 位置限制 |
| 3.3.3 更新规则 |
| 3.3.4 驾驶路径选择行为 |
| 3.4 交通网络流模型预测控制 |
| 3.4.1 预测模型 |
| 3.4.2 优化目标 |
| 3.4.3 滚动时域 |
| 3.5 基于Spark云计算的MPC并行优化策略 |
| 3.5.1 两级分层并行遗传算法 |
| 3.5.2 基于Spark云的预测时域并行优化求解 |
| 3.5.3 交通网络流滚动时域MPC控制 |
| 3.6 仿真结果与分析 |
| 3.6.1 试验设计及参数设置 |
| 3.6.2 评价指标 |
| 3.6.3 控制性能比较 |
| 3.6.4 计算效率比较 |
| 3.7 本章小结 |
| 4 基于深度学习模型的交通网络流时空特征学习及并行优化 |
| 4.1 引言 |
| 4.2 基于深度学习模型的交通网络流时空特征学习 |
| 4.2.1 CNN-LSTM学习模型 |
| 4.2.2 训练样本构造 |
| 4.3 深度学习并行训练的理论分析 |
| 4.3.1 设计动机 |
| 4.3.2 目标函数 |
| 4.3.3 并行特征前向提取 |
| 4.3.4 并行误差反向传播 |
| 4.4 基于Spark云的并行训练实施方案 |
| 4.4.1 并行训练算法 |
| 4.4.2 并行训练的实施过程 |
| 4.5 仿真结果与分析 |
| 4.5.1 试验设计与参数设置 |
| 4.5.2 评价指标 |
| 4.5.3 预测精度和通用能力比较 |
| 4.5.4 收敛性和计算效率比较 |
| 4.5.5 时空特征学习效果 |
| 4.6 本章小结 |
| 5 基于分布式深度强化学习模型的协同控制及并行优化 |
| 5.1 引言 |
| 5.2 总体架构 |
| 5.2.1 边缘计算架构 |
| 5.2.2 基于MADRL的交通网络流控制边缘计算实现架构 |
| 5.3 协同多智能体actor-critic深度强化学习方法 |
| 5.3.1 值分解网络 |
| 5.3.2 基于改进VDN的CMAC深度强化学习 |
| 5.4 基于CMAC的交通多智能体建模 |
| 5.4.1 状态 |
| 5.4.2 动作 |
| 5.4.3 奖赏 |
| 5.4.4 Actor-critic深度强化学习网络 |
| 5.5 基于边缘计算的交通网络流CMAC控制 |
| 5.6 仿真验证与分析 |
| 5.6.1 试验设计与参数设置 |
| 5.6.2 评价指标 |
| 5.6.3 云端并行学习 |
| 5.6.4 边缘端实时控制 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 附录 A 符号表 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）货车分心驾驶行为对交通安全的影响研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分心驾驶次任务研究方法 |
| 1.2.2 分心驾驶对车辆绩效影响研究 |
| 1.2.3 分心驾驶对交通流影响研究 |
| 1.2.4 研究现状总结 |
| 1.3 研究内容及技术路线 |
| 2 货车分心驾驶典型次任务选择 |
| 2.1 基于自然驾驶观察法的货车分心行为研究 |
| 2.2 基于CRSS交通事故数据库的货车分心行为研究 |
| 2.3 货车分心驾驶典型次任务和场景的选取 |
| 2.4 本章小结 |
| 3 货车分心驾驶模拟实验方案设计 |
| 3.1 实验设计 |
| 3.1.1 场景设计 |
| 3.1.2 分心次任务设计 |
| 3.1.3 实验思路 |
| 3.2 多车辆联动模拟实验平台的搭建 |
| 3.2.1 硬件平台 |
| 3.2.2 软件系统 |
| 3.2.3 其他辅助设备 |
| 3.3 实验方案 |
| 3.3.1 实验一:单车分心驾驶模拟实验 |
| 3.3.2 实验二:多车并行共线分心驾驶模拟实验 |
| 3.3.3 实验人员 |
| 3.3.4 实验流程 |
| 3.3.5 数据处理 |
| 3.4 本章小结 |
| 4 基于IDM的分心驾驶跟驰模型研究 |
| 4.1 考虑分心驾驶的跟驰模型构建 |
| 4.1.1 智能驾驶人模型 |
| 4.1.2 基于IDM的分心驾驶跟驰模型 |
| 4.2 跟驰模型参数标定 |
| 4.2.1 跟驰片段与制动片段提取 |
| 4.2.2 跟驰模型参数标定方法 |
| 4.2.3 分心影响参数标定方法 |
| 4.3 跟驰模型的验证 |
| 4.3.1 跟驰模型参数标定结果 |
| 4.3.2 跟驰模型参数标定结果分析 |
| 4.3.3 分心影响参数标定结果 |
| 4.3.4 分心影响参数标定结果分析 |
| 4.4 本章小结 |
| 5 分心驾驶对车辆绩效及车队稳定性影响研究 |
| 5.1 分心驾驶行为影响特征指标提取 |
| 5.1.1 特征指标提取方法 |
| 5.1.2 特征指标提取结果 |
| 5.1.3 特征指标分析方法 |
| 5.2 分心驾驶对车辆绩效影响研究 |
| 5.2.1 对车辆纵向驾驶绩效指标的影响 |
| 5.2.2 对车辆横向驾驶绩效指标的影响 |
| 5.2.3 对车辆跟驰行为指标的影响 |
| 5.2.4 综合影响分析 |
| 5.3 分心驾驶对车队稳定性影响研究 |
| 5.3.1 对后方车辆运动状态影响 |
| 5.3.2 稳定性影响理论分析 |
| 5.3.3 数值模拟 |
| 5.4 本章小结 |
| 6 基于交通仿真的分心驾驶对交通流影响研究 |
| 6.1 考虑分心驾驶的换道模型 |
| 6.2 驾驶人随机分心模型 |
| 6.2.1 随机分心模型构建 |
| 6.2.2 随机分心模型验证 |
| 6.3 基于SUMO的分心驾驶影响仿真环境搭建 |
| 6.3.1 SUMO软件简介 |
| 6.3.2 考虑分心驾驶的交通仿真模型框架 |
| 6.3.3 模型框架的验证 |
| 6.4 仿真交通流特征评价指标 |
| 6.4.1 交通流效率评价指标 |
| 6.4.2 交通流安全水平评价指标 |
| 6.5 货车比例对交通流的影响 |
| 6.6 分心驾驶对交通流的影响 |
| 6.6.1 分心驾驶对交通流效率的影响 |
| 6.6.2 分心驾驶对交通流安全水平的影响 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 7.1 主要研究工作总结 |
| 7.2 主要创新 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于机器视觉的城市道路交叉口交通参数提取及交通信号控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 交通信号控制的研究现状 |
| 1.3 交通参数提取技术的研究现状 |
| 1.4 交通目标运动信息获取的研究现状 |
| 1.5 论文的研究思路和内容 |
| 1.5.1 基于多目标跟踪算法和区域编码的交通参数提取方法 |
| 1.5.2 基于相机标定算法的交通目标运动信息获取方法 |
| 1.5.3 基于机器视觉的道路交叉口交通信号控制方法 |
| 1.6 论文的安排与结构 |
| 第二章 城市道路交叉口交通信号控制及其关键技术 |
| 2.1 单交叉口交通信号控制系统的组成 |
| 2.2 交通信号控制方案及参数设计 |
| 2.3 交通信号控制算法 |
| 2.4 交通信号控制评价指标 |
| 2.5 本章小结 |
| 第三章 基于视频分析的道路交叉口交通参数提取 |
| 3.1 引言 |
| 3.2 检测及评价数据集 |
| 3.2.1 车辆计数数据集 |
| 3.2.2 车辆检测数据集 |
| 3.3 基于视频的交通参数提取总体框架 |
| 3.3.1 车辆目标检测方法及模型构建 |
| 3.3.2 目标跟踪算法分析 |
| 3.4 交通场景下的多目标跟踪算法 |
| 3.4.1 模板匹配算法 |
| 3.4.2 高置信度跟踪器的选择 |
| 3.4.3 轨迹跟踪算法 |
| 3.4.4 轨迹的更新与删除 |
| 3.4.5 多目标跟踪算法 |
| 3.5 轨迹处理和信息提取算法 |
| 3.5.1 车辆的类别判定 |
| 3.5.2 区域编码算法 |
| 3.5.3 交通参数信息提取 |
| 3.6 实验结果与分析 |
| 3.6.1 目标检测算法及数据集测试实验 |
| 3.6.2 交通流信息统计实验 |
| 3.6.3 交通组成信息统计实验 |
| 3.7 本章小结 |
| 第四章 道路交叉口场景下的相机标定及目标运动信息提取 |
| 4.1 引言 |
| 4.2 交通场景下的相机成像与模型构建 |
| 4.3 相机标定算法模型 |
| 4.3.1 基于标志物的建模方法 |
| 4.3.2 基于消失点的建模方法 |
| 4.3.3 不同交通场景下的相机标定问题分析 |
| 4.4 基于虚拟网格的离线标定算法 |
| 4.4.1 相机内外参数获取分析 |
| 4.4.2 算法流程 |
| 4.5 基于车辆模型的自动标定算法 |
| 4.5.1 沿着道路方向消失点的获取 |
| 4.5.2 垂直道路方向消失点的获取 |
| 4.5.3 算法流程 |
| 4.6 道路交叉口场景交通目标的运动信息提取 |
| 4.7 实验结果与分析 |
| 4.7.1 基于虚拟网格方法的实验 |
| 4.7.2 基于车辆模型方法的实验 |
| 4.8 本章小结 |
| 第五章 基于机器视觉的道路交叉口交通信号控制 |
| 5.1 引言 |
| 5.2 基于视频的自适应交通信号控制系统 |
| 5.3 基于参数优化的道路交叉口信号控制方法 |
| 5.3.1 基于参数优化的当量交通量计算方法 |
| 5.3.2 信号控制周期和绿信比计算 |
| 5.3.3 实验结果与分析 |
| 5.4 基于模糊逻辑的自适应信号控制算法 |
| 5.4.1 模糊逻辑理论 |
| 5.4.2 基于模糊逻辑的控制过程 |
| 5.4.3 基于模糊逻辑的自适应交通信号控制算法 |
| 5.4.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）高速公路互通立交合流区交通冲突预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高速公路互通立交合流区交通安全分析研究现状 |
| 1.2.2 合流换道模型研究现状 |
| 1.2.3 数据采集方法研究现状 |
| 1.2.4 国内外研究成果总结 |
| 1.3 研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.5 本章小结 |
| 第二章 研究基础 |
| 2.1 合流区基本情况概述 |
| 2.1.1 合流区基本特征 |
| 2.1.2 合流区车辆运行特征 |
| 2.2 合流冲突形成过程及特征分析 |
| 2.2.1 合流冲突定义 |
| 2.2.2 合流冲突形成过程 |
| 2.2.3 合流冲突类型及特征 |
| 2.3 合流冲突指标 |
| 2.3.1 合流冲突指标的选取 |
| 2.3.2 合流冲突严重程度判定 |
| 2.4 合流冲突数据采集 |
| 2.4.1 人工观测法 |
| 2.4.2 微观交通仿真法 |
| 2.4.3 驾驶实验法 |
| 2.4.4 视频识别法 |
| 2.4.5 基于无人机航拍视频的交通冲突数据采集系统 |
| 2.5 合流冲突风险影响因素分析 |
| 2.5.1 合流执行位置对合流冲突的影响 |
| 2.5.2 合流持续时间对合流冲突的影响 |
| 2.5.3 车辆类型对合流冲突的影响 |
| 2.5.4 车辆行驶速度对合流冲突的影响 |
| 2.5.5 车辆间隙对合流冲突的影响 |
| 2.5.6 驾驶员驾驶能力对合流冲突的影响 |
| 2.5.7 交通特性对合流行为产生冲突的影响 |
| 2.6 本章小结 |
| 第三章 基于无人机航拍视频的交通冲突识别方法 |
| 3.1 航拍视频预处理 |
| 3.1.1 航拍视频画面处理 |
| 3.1.2 航拍视频稳定 |
| 3.1.3 航拍视频校准 |
| 3.2 运动目标检测与追踪 |
| 3.2.1 运动目标检测 |
| 3.2.2 运动目标跟踪 |
| 3.3 交通冲突识别 |
| 3.4 交通冲突识别系统应用 |
| 3.4.1 数据采集地点特征 |
| 3.4.2 数据采集方法 |
| 3.4.3 指标提取 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 第四章 考虑合流选择行为的互通立交合流冲突风险预测 |
| 4.1 建模思路与方法 |
| 4.1.1 建模策略 |
| 4.1.2 建模方法 |
| 4.2 合流选择行为特性分析 |
| 4.2.1 合流执行位置 |
| 4.2.2 合流持续时间 |
| 4.2.3 合流速度 |
| 4.2.4 合流车辆与周围车辆的交互 |
| 4.3 驾驶员合流决策模型 |
| 4.3.1 建模样本统计与分析 |
| 4.3.2 合流决策模型估计 |
| 4.4 基于合流决策的合流冲突风险预测模型 |
| 4.4.1 合流车辆速度对合流冲突风险的影响 |
| 4.4.2 合流驾驶员驾驶能力对合流冲突风险的影响 |
| 4.4.3 合流执行位置对合流冲突风险的影响 |
| 4.5 模型应用 |
| 4.6 本章小结 |
| 第五章 考虑样本关联性的互通立交合流冲突风险预测 |
| 5.1 基于联合模型的互通立交合流冲突风险预测 |
| 5.1.1 建模策略 |
| 5.1.2 建模方法 |
| 5.1.3 建模准备 |
| 5.1.4 模型估计 |
| 5.1.5 模型比较 |
| 5.1.6 模型结果分析 |
| 5.2 基于贝叶斯网络的互通立交合流冲突风险预测 |
| 5.2.1 贝叶斯网络理论 |
| 5.2.2 建模数据准备 |
| 5.2.3 模型构建和验证 |
| 5.2.4 模型分析 |
| 5.2.5 模型应用 |
| 5.3 本章小结 |
| 第六章 合流冲突预测模型的应用 |
| 6.1 概述 |
| 6.2 建模思路与方法 |
| 6.2.1 建模策略 |
| 6.2.2 建模方法 |
| 6.3 模型求解 |
| 6.3.1 参数估计和模型比选 |
| 6.3.2 模型分析 |
| 6.3.3 弹性分析 |
| 6.4 模型应用 |
| 6.5 本章小结 |
| 第七章 研究结论与展望 |
| 7.1 主要研究成果与结论 |
| 7.2 主要创新点 |
| 7.3 研究不足与展望 |
| 致谢 |
| 参考文献 |
| 附录:第二章交通冲突指标计算方法 |
| 攻读博士期间发表论文及参与科研课题情况 |
（6）基于微观轨迹数据的主线收费站分流区交通安全评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 收费站交通特性及安全研究 |
| 1.2.2 车辆事故风险建模研究 |
| 1.2.3 基于视频识别技术的交通冲突研究 |
| 1.2.4 研究概况评述 |
| 1.3 研究目标及内容 |
| 1.3.1 研究目标 |
| 1.3.2 拟解决关键问题 |
| 1.3.3 研究内容 |
| 1.3.4 研究框架及技术路线 |
| 1.4 本章小结 |
| 第二章 基于视频识别技术的收费站分流区交通数据采集与分析 |
| 2.1 收费站概述 |
| 2.1.1 道路收费方式 |
| 2.1.2 收费站类型和基本组成 |
| 2.2 混合型主线收费站分流区定义 |
| 2.2.1 分流区定义 |
| 2.2.2 分流区车辆行驶特征 |
| 2.3 基于视频识别技术的车辆轨迹自动识别系统 |
| 2.3.1 系统框架 |
| 2.3.2 目标检测与目标跟踪方法 |
| 2.3.3 目标检测与目标跟踪验证 |
| 2.3.4 误差消除 |
| 2.3.5 坐标系转换 |
| 2.4 收费站分流区车辆微观轨迹提取 |
| 2.4.1 数据采集 |
| 2.4.2 轨迹提取与数据处理 |
| 2.5 基于车辆微观轨迹数据的收费站分流区交通流特征研究 |
| 2.5.1 车辆类型特征 |
| 2.5.2 车辆行驶时间特征 |
| 2.5.3 车辆速度特征 |
| 2.5.4 车辆车道选择特征 |
| 2.6 本章小结 |
| 第三章 面向收费站分流区无约束车辆运动的交通冲突研究 |
| 3.1 交通冲突技术 |
| 3.1.1 交通冲突定义和分类 |
| 3.1.2 交通冲突判别 |
| 3.2 无约束车辆运动的交通冲突估计 |
| 3.2.1 传统距离碰撞时间 |
| 3.2.2 无约束车辆运动的拓展距离碰撞时间 |
| 3.3 收费站分流区交通冲突机理研究 |
| 3.3.1 收费站分流区交通冲突定义及分类 |
| 3.3.2 收费站分流区交通冲突形成过程以及影响因素 |
| 3.4 基于拓展距离碰撞时间的收费站分流区交通冲突特征 |
| 3.4.1 基于车辆微观轨迹的交通冲突识别 |
| 3.4.2 交通冲突空间分布特征 |
| 3.4.3 交通冲突严重性特征 |
| 3.4.4 交通冲突与车道选择的关系 |
| 3.4.5 交通冲突与行驶速度的关系 |
| 3.5 本章小结 |
| 第四章 面向收费站分流区的车辆事故风险评估模型研究 |
| 4.1 收费站分流区车辆事故风险评估模型优选 |
| 4.1.1 参数事故风险评估模型 |
| 4.1.2 非参数事故风险评估模型 |
| 4.1.3 车辆事故风险建模与优选 |
| 4.2 基于贝叶斯方法的随机参数事故风险评估模型 |
| 4.2.1 随机参数logistic回归模型 |
| 4.2.2 基于贝叶斯方法的模型参数估计 |
| 4.3 收费站分流区车辆事故风险评估与分析 |
| 4.3.1 数据来源和模型构建 |
| 4.3.2 模型结果 |
| 4.3.3 车辆事故风险影响机理 |
| 4.3.4 车辆事故风险弹性效应 |
| 4.4 本章小结 |
| 第五章 考虑时空动态变化的收费站分流区车辆事故风险研究 |
| 5.1 研究思路 |
| 5.2 收费站分流区车辆事故风险时空动态变化特征 |
| 5.2.1 车辆行驶时间特征 |
| 5.2.2 车辆事故风险时变动态特征 |
| 5.2.3 车辆事故风险空间变化动态特征 |
| 5.3 基于时空动态变化的车辆事故风险评估模型 |
| 5.3.1 基于行驶时间变化的随机参数logistic回归模型 |
| 5.3.2 基于行驶距离变化的随机参数logistic回归模型 |
| 5.3.3 考虑时空动态变化的事故风险建模 |
| 5.4 基于行驶时间变化的车辆事故风险影响机理 |
| 5.4.1 本车特征对车辆事故风险时变动态影响 |
| 5.4.2 前车特征对车辆事故风险时变动态影响 |
| 5.4.3 交通流特征对车辆事故风险时变动态影响 |
| 5.5 基于行驶距离变化的车辆事故风险影响机理 |
| 5.6 车辆混行对车辆事故风险的影响 |
| 5.6.1 车辆混行分类及安全性分析 |
| 5.6.2 车辆混行对事故风险的时变动态影响 |
| 5.7 本章小结 |
| 第六章 基于离散数据更新的收费站分流区事故风险评估与安全管控研究 |
| 6.1 面向离散数据更新的车辆事故风险评估模型自适应修正研究 |
| 6.1.1 贝叶斯动态Logistic回归模型 |
| 6.1.2 数据采样 |
| 6.1.3 事故风险评估模型构建与评估准则 |
| 6.1.4 模型结果分析 |
| 6.1.5 遗忘参数敏感性分析 |
| 6.1.6 模型应用 |
| 6.2 收费站分流区车辆安全预分级 |
| 6.2.1 车辆安全评价模型 |
| 6.2.2 灰度聚类评价 |
| 6.2.3 车辆安全预分级模型构建 |
| 6.2.4 车辆安全预分级结果 |
| 6.2.5 车辆安全预警阈值选取 |
| 6.3 收费站分流区车辆安全管控 |
| 6.3.1 考虑车辆安全预分级的安全预警系统 |
| 6.3.2 面向车辆的安全管控思路 |
| 6.3.3 面向车辆的安全管控措施 |
| 6.4 本章小结 |
| 第七章 结论展望 |
| 7.1 主要研究成果与结论 |
| 7.2 研究创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）基于轨迹数据的交通震荡演化及驾驶人跟驰行为特性研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆轨迹数据采集与处理方法研究 |
| 1.2.2 交通震荡演化特征研究 |
| 1.2.3 驾驶行为特性及影响研究 |
| 1.2.4 文献总结 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究技术路线 |
| 第二章 轨迹数据清洗与去噪算法研究 |
| 2.1 轨迹数据集介绍 |
| 2.1.1 NGSIM US-101 数据集 |
| 2.1.2 UVTD应天大街数据集 |
| 2.2 轨迹数据误差分析 |
| 2.2.1 US-101 数据集误差分析 |
| 2.2.2 应天大街数据集误差分析 |
| 2.3 轨迹数据误差处理 |
| 2.3.1 一阶差分法修正速度突变误差 |
| 2.3.2 卡尔曼滤波消除轨迹数据噪声 |
| 2.3.3 轨迹数据处理效果 |
| 2.4 本章小结 |
| 第三章 基于轨迹数据的交通震荡演化特征研究 |
| 3.1 相关理论介绍 |
| 3.1.1 微观驾驶行为非对称理论 |
| 3.1.2 交通相与相变过程 |
| 3.1.3 交通震荡生命周期 |
| 3.2 基于小波分析方法的交通震荡特征识别与演化特性分析 |
| 3.2.1 墨西哥帽小波识别交通震荡特征 |
| 3.2.2 基于轨迹数据的交通震荡产生位置分析 |
| 3.2.3 基于轨迹数据的交通震荡传播特性分析 |
| 3.3 基于轨迹数据的交通震荡演化阶段特征分析 |
| 3.3.1 交通震荡产生阶段演化特征 |
| 3.3.2 交通震荡增长阶段演化特征 |
| 3.3.3 交通震荡消散阶段演化特征 |
| 3.4 本章小结 |
| 第四章 驾驶人跟驰序列提取与运行特征分析 |
| 4.1 驾驶人跟驰序列提取 |
| 4.1.1 跟驰序列提取标准 |
| 4.1.2 跟驰序列提取结果 |
| 4.2 驾驶人跟驰行为运行特征分析 |
| 4.2.1 速度与加速度特征分析 |
| 4.2.2 车头间距与跟车距离特征分析 |
| 4.2.3 车头时距与时间间隔特征分析 |
| 4.2.4 加/减速延迟时间特征 |
| 4.2.5 跟驰行为运行特征总结 |
| 4.3 本章小结 |
| 第五章 经历交通震荡全过程的驾驶人感知反应特性分析 |
| 5.1 相关理论介绍 |
| 5.1.1 Newell跟驰理论 |
| 5.1.2 驾驶人非对称行为模型 |
| 5.2 基于K-means聚类的驾驶风格识别方法研究 |
| 5.2.1 初始特征参数计算 |
| 5.2.2 驾驶风格聚类分析 |
| 5.3 交通震荡前后驾驶人感知反应特性分析 |
| 5.3.1 跟驰感知反应特性参数计算 |
| 5.3.2 经历交通震荡前驾驶人感知反应特性分析 |
| 5.3.3 经历交通震荡后驾驶人感知反应特性分析 |
| 5.3.4 驾驶人感知反应的非对称特性分析 |
| 5.4 交通震荡过程中驾驶人感知反应特性动态分析 |
| 5.4.1 交通震荡过程中跟驰反应模式分析 |
| 5.4.2 驾驶人感知反应特性相关性分析 |
| 5.5 驾驶人感知反应特性对交通流稳定性影响研究 |
| 5.5.1 基于反应特性的车辆跟驰模型建模 |
| 5.5.2 模型线性稳定性分析 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 创新点总结 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）快速路入口匝道合流区交通流演变特性与仿真控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 研究背景及意义 |
| §1.2 国内外研究现状 |
| §1.2.1 数据提取综述 |
| §1.2.2 交通拥堵演化与三相交通理论综述 |
| §1.2.3 迟滞现象与非对称驾驶行为综述 |
| §1.2.4 交通仿真算法综述 |
| §1.3 研究内容 |
| §1.4 研究方法及技术路线 |
| §1.5 本章小结 |
| 第二章 数据采集与提取 |
| §2.1 调查地点与步骤 |
| §2.2 轨迹数据提取和处理 |
| §2.3 交通拥堵演变特征分析 |
| §2.4 本章小结 |
| 第三章 换道行为引起相变的微观诱因研究 |
| §3.1 识别振幅形成和传播的微观换道模型 |
| §3.2 换道行为诱发扰动的临界点研究 |
| §3.3 本章小结 |
| 第四章 跟驰行为下异质驾驶行为微观特征研究 |
| §4.1 驾驶行为识别与分析模型 |
| §4.1.1 Newell的跟驰模型 |
| §4.1.2 非对称行为分析模型 |
| §4.1.3 迟滞性行为分析模型 |
| §4.2 驾驶特性测量结果分析 |
| §4.2.1 非对称驾驶特征分析 |
| §4.2.2 迟滞性驾驶特征分析 |
| §4.3 改进的迟滞性模型构建 |
| §4.3.1 模型比较研究 |
| §4.3.2 新非对称性驾驶行为模型 |
| §4.3.3 迟滞性微观诱发机理分析 |
| §4.4 本章小结 |
| 第五章 关于三相交通理论的宏观验证分析 |
| §5.1 交通相的时空结构特征观察研究 |
| §5.2 临界基本假设的验证 |
| §5.3 基于三相交通理论的短时交通特征值预测 |
| §5.4 本章小结 |
| 第六章 基于深度残差网络的入口匝道联动控制与仿真 |
| §6.1 控制模型框架构建步骤 |
| §6.2 数据收集与处理 |
| §6.2.1 数据调查 |
| §6.2.2 数据预处理 |
| §6.2.3 数图转换 |
| §6.3 深度残差网络交通流特征数据预测模型训练 |
| §6.3.1 超参数设置 |
| §6.3.2 数据输入与初始化 |
| §6.3.3 深度残差网络层级配置 |
| §6.3.4 前向传播 |
| §6.3.5 反向传播及参数调优 |
| §6.4 入口匝道联动控制融合算法构建 |
| §6.4.1 ALINEA算法原理 |
| §6.4.2 入口匝道联动控制算法 |
| §6.4.3 预测误差分析 |
| §6.5 仿真分析与信息发布 |
| §6.5.1 仿真效果 |
| §6.5.2 信息发布 |
| §6.6 本章小结 |
| 第七章 论文研究成果与展望 |
| §7.1 主要研究成果 |
| §7.2 研究展望 |
| 参考文献 |
| 附录一 轨迹数据(节选) |
| 附录二 仿真平台搭建代码(节选) |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（9）考虑车辆行驶行为的山地城市干线复杂交织区交通流建模与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 主要研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 章节组织 |
| 1.5 课题来源 |
| 第二章 国内外研究现状 |
| 2.1 城市道路交织区运行特性 |
| 2.1.1 交织区几何特性 |
| 2.1.2 交织区交通流运行特性 |
| 2.1.3 交织区车辆行为特性 |
| 2.2 交织区交通安全分析 |
| 2.2.1 静态安全特性 |
| 2.2.2 动态安全特性 |
| 2.3 交织区仿真研究 |
| 2.3.1 元胞自动机 |
| 2.3.2 其它仿真工具 |
| 2.4 城市干线交织区控制策略研究 |
| 2.4.1 匝道控制 |
| 2.4.2 主线控制 |
| 2.4.3 交织区综合协同控制 |
| 2.5 小结 |
| 第三章 数据提取及特性分析 |
| 3.1 数据采集 |
| 3.1.1 复杂交织区现状 |
| 3.1.2 数据采集结果 |
| 3.2 基于多尺度KCF算法的车辆行为信息提取 |
| 3.2.1 多尺度KCF算法简介 |
| 3.2.2 交通流信息提取 |
| 3.2.3 车辆行驶行为信息提取 |
| 3.3 交织区交通运行特性分析 |
| 3.3.1 交通流特性分析 |
| 3.3.2 车辆行为特性分析 |
| 3.4 本章小结 |
| 第四章 车辆跟驰行为建模 |
| 4.1 元胞自动机简介 |
| 4.1.1 元胞自动机的构成 |
| 4.1.2 元胞自动机交通流模型 |
| 4.2 分区建模 |
| 4.2.1 模型分区设置 |
| 4.2.2 模型框架 |
| 4.3 模型变量与边界条件 |
| 4.3.1 模型变量 |
| 4.3.2 边界条件 |
| 4.4 跟驰行为建模 |
| 4.4.1 元胞模型精细化设置 |
| 4.4.2 加速行为建模 |
| 4.4.3 匀速行为建模 |
| 4.4.4 减速行为建模 |
| 4.5 本章小结 |
| 第五章 车辆换道行为建模 |
| 5.1 换道模型框架 |
| 5.2 上下游换道行为建模 |
| 5.2.1 车辆换道动机 |
| 5.2.2 换道间距条件 |
| 5.2.3 换道概率条件 |
| 5.2.4 速度位置更新 |
| 5.3 交织影响区双层换道决策模型 |
| 5.3.1 换道决策模型框架 |
| 5.3.2 车辆换道动机 |
| 5.3.3 换道时机决策 |
| 5.3.4 换道概率决策 |
| 5.3.5 速度位置更新 |
| 5.4 本章小结 |
| 第六章 数值模拟与分析 |
| 6.1 参数标定与设置 |
| 6.2 交通参数计算 |
| 6.3 分区建模效果分析 |
| 6.3.1 基本图分析 |
| 6.3.2 时空轨迹图分析 |
| 6.3.3 小结 |
| 6.4 换道规律分析 |
| 6.4.1 换道次数验证 |
| 6.4.2 换道分布分析 |
| 6.4.3 小结 |
| 6.5 限速值与到达率对换道行为的影响 |
| 6.5.1 限速值对换道次数的影响 |
| 6.5.2 到达率对换道次数的影响 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.1.1 主要结论 |
| 7.1.2 论文创新点 |
| 7.2 展望 |
| 致谢 |
| 附录 |
| 附录1 多尺度KCF优化跟踪算法C++代码 |
| 附录2 轨迹数据提取MATLAB代码 |
| 附录3 双层换道决策模型Mat Lab代码 |
| 参考文献 |
| 在学期间发表的论文和取得的学术成果 |
（10）复杂干扰下考虑异质性的非机动车微观行为建模与仿真（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 非机动车交通流微观仿真研究现状 |
| 1.2.2 交通环境中干扰因素在社会力模型中的考虑 |
| 1.2.3 异质性对交通流运行特性的影响 |
| 1.3 研究内容及意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.4 研究技术路线图 |
| 第二章 基于航拍视频数据的骑行者风格识别 |
| 2.1 概述 |
| 2.2 航拍视频采集与校正 |
| 2.2.1 视频采集 |
| 2.2.2 视频稳定性校正 |
| 2.3 轨迹信息提取 |
| 2.3.1 运动轨迹提取 |
| 2.3.2 轨迹预处理 |
| 2.4 骑行者异质性识别 |
| 2.4.1 运动参数信息提取 |
| 2.4.2 聚类分析 |
| 2.5 本章小结 |
| 第三章 复杂干扰感知模型 |
| 3.1 修正社会力模型概览 |
| 3.2 基本运动个体模型 |
| 3.2.1 骑行者个体模型 |
| 3.2.2 其他个体模型 |
| 3.2.3 个体模型数据定义 |
| 3.3 复杂干扰感知模型 |
| 3.3.1 路段场景 |
| 3.3.2 交叉口场景 |
| 3.3.3 多类别环境信息搜索 |
| 3.4 本章小结 |
| 第四章 考虑骑行者异质性的决策模型 |
| 4.1 概述 |
| 4.2 基于模糊逻辑的个体决策模型 |
| 4.2.1 模糊逻辑理论 |
| 4.2.2 面向非机动车骑行者的多层模糊评价系统 |
| 4.2.3 面向行人与机动车个体的模糊评价系统 |
| 4.3 基于骑行者异质性的模糊推理规则 |
| 4.3.1 骑行风格量表的编制与初测 |
| 4.3.2 基于骑行风格量表得分的骑行风格识别 |
| 4.3.3 模糊逻辑推理规则 |
| 4.4 本章小结 |
| 第五章 面向非机动车的修正社会力模型 |
| 5.1 概述 |
| 5.2 社会力计算 |
| 5.2.1 前进动力 |
| 5.2.2 来自静态障碍物的社会力 |
| 5.2.3 来自其他运动个体的社会力 |
| 5.2.4 生理力 |
| 5.2.5 鸣笛效应力 |
| 5.2.6 运动状态更新 |
| 5.2.7 行人与汽车运动模型 |
| 5.3 社会力参数确定 |
| 5.3.1 社会力模型中的参数标定 |
| 5.3.2 模型有效性验证 |
| 5.4 向量化编程算法组织 |
| 5.4.1 变量设置 |
| 5.4.2 信息采集池算法 |
| 5.4.3 输出设置 |
| 5.4.4 总体运行逻辑 |
| 5.5 本章小结 |
| 第六章 基于修正社会力模型的非机动车微观行为仿真分析 |
| 6.1 概述 |
| 6.2 仿真场景设计 |
| 6.3 路段部分 |
| 6.3.1 标准仿真场景 |
| 6.3.2 一般仿真参数 |
| 6.3.3 环境参数 |
| 6.3.4 异质性参数 |
| 6.4 交叉口 |
| 6.4.1 标准仿真场景 |
| 6.4.2 环境参数 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要研究成果与结论 |
| 7.2 创新点总结 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A:视频校正的MATLAB代码 |
| 附录B:轨迹提取算法关键变量取值与轨迹数据结构 |
| 附录C:三类复杂干扰信息的模糊逻辑规则 |
| 攻读博士期间科研成果 |
四、基于视频技术的微观交通流信息采集系统研究（论文参考文献）
- [1]雷达视频联合检测技术在北横通道的应用研究[J]. 柴浩,张志鹏,游克思,孙培翔,胡昊. 交通与运输, 2021(06)
- [2]交通网络流分布式协同控制与基于云计算的并行优化[D]. 张永男. 北京交通大学, 2021(02)
- [3]货车分心驾驶行为对交通安全的影响研究[D]. 梁星灿. 北京交通大学, 2021(02)
- [4]基于机器视觉的城市道路交叉口交通参数提取及交通信号控制[D]. 戴喆. 长安大学, 2020(06)
- [5]高速公路互通立交合流区交通冲突预测模型研究[D]. 顾欣. 东南大学, 2020(02)
- [6]基于微观轨迹数据的主线收费站分流区交通安全评价研究[D]. 邢璐. 东南大学, 2020
- [7]基于轨迹数据的交通震荡演化及驾驶人跟驰行为特性研究[D]. 孙培培. 东南大学, 2020(01)
- [8]快速路入口匝道合流区交通流演变特性与仿真控制研究[D]. 彭国庆. 桂林电子科技大学, 2020(04)
- [9]考虑车辆行驶行为的山地城市干线复杂交织区交通流建模与分析[D]. 谢济铭. 重庆交通大学, 2020(01)
- [10]复杂干扰下考虑异质性的非机动车微观行为建模与仿真[D]. 郑玉冰. 东南大学, 2020(01)