论文部分内容阅读
随着城市机动车辆的持续增加,道路拥塞已经成为影响城市发展的重要因素。智能交通系统(Intelligent Traffic System,ITS)作为解决城市交通问题的新途径,近年来得到了快速发展。交通管理者如何制定有效的车辆诱导信息,以避免道路拥塞的发生、提高城市路网的运行效率将变得十分重要。同时,智能交通信息采集系统直接为交通诱导信息的制定提供基础数据,数据的采集处理对诱导信息的制定至关重要。针对上述分析,本文对智能交通系统中的信息采集处理与诱导策略展开研究,主要工作如下:(1)为了解决智能交通信息采集中存在漂移数据和冗余数据的问题,研究了一种浮动车停车状态判断机制及其处理方法,通过停车时间与路口最长红灯时间相结合判断停车状态,然后针对停车状态是否正常对冗余数据取平均或剔除。实验表明该方法能有效处理交通信息采集中的漂移数据和冗余数据。(2)针对线性位置-时间插值(Linear Position-Time Interpolation,LP-TI)方法不能较准确估计浮动车单车路段行程时间(Link Travel Time,LTT)的问题,研究了一种牛顿位置-时间插值(Newton Position-Time Interpolation,NP-TI)方法。该方法在LP-TI方法的基础上,将非线性牛顿插值应用到P-TI方法中,以逼近浮动车在路段边界的非线性行驶特性曲线。实验表明,改进的NP-TI方法能进一步改善浮动车单车LTT估计效果。(3)针对目前交通诱导策略存在“拥塞漂移”现象的问题,研究了一种改进的AR*(A*with Repulsion)单路径诱导策略和EBKSP(Entry Balanced-KSP)多路径诱导策略。改进的诱导策略首先通过对拥塞路段的检测、诱导车辆的候选、诱导等级的划分,然后将车辆诱导至行程时间和路径计数器总费用代价函数最小的最优单路径和K最优多路径上。仿真结果表明,改进的诱导策略能够减少路网“拥塞漂移”现象的发生和降低路网平均行程时间。