论文部分内容阅读
随着城市道路交通信息化水平的不断提高,大范围、高质量的车辆轨迹提供了大量低成本、覆盖广的移动检测数据,以机器学习为代表的人工智能技术为道路交通控制提供了新的解决方法.针对浮动车时空轨迹数据的分析挖掘逐渐成为研究热点,利用采样率较低的浮动车轨迹数据亦可得到隐含的更加丰富的交通信息.针对以往研究对实际浮动车轨迹数据挖掘的不足,本研究在微观交通流模型角度通过设置驾驶行为参数,得到多组形态不同的轨迹曲线,进而验证了估计交通流量的方法.本研究利用VISSIM 微观仿真软件设置六组差异化的排队停车间距、车辆自由行驶速度以及驾驶员反应时间等参数,输出了时长为30 分钟的包括了时间戳、车辆ID、车道ID、位置(横向)以及瞬时车速的795484 条车辆时空轨迹数据.在各组驾驶行为参数下,通过随机采样30%的车辆轨迹数据,总体采样30%的估计平均准确率分别为99.53%、75.92%、88.17%、80.77%、63.71%、76.72%.结果 表明在由于总体采样率较低的情况下,算法依然可以保证一定的准确率.通过观察估计算法在不同参数条件下的表现,对影响具体时空轨迹指标的驾驶行为参数提出了仿真验证过程中的局限.本研究成果对城市道路交通状态的估计与判别具有一定的参考意义.