針對交通工程和智能技術的融合發(fā)展趨勢，本書聚焦智能交通工程的感知辨識和認知推演兩個層面，主要內(nèi)容包括數(shù)據(jù)驅(qū)動的城市快速路車輛時空軌跡重構、基于自動車輛識別數(shù)據(jù)的機動車出行路徑識別、片段化觀測條件下的機動車出行鏈提取、大規(guī)模路網(wǎng)交通狀態(tài)估計與擁堵溯源、基于寬度學習的出行方式選擇行為建模、考慮時空關聯(lián)性的目的地選擇行為建模、基于半監(jiān)督學習的路徑選擇行為建模、交通網(wǎng)絡運行態(tài)勢推演系統(tǒng)開發(fā)等。
更多科學出版社服務，請掃碼獲取。
目錄
“智能工程前沿叢書”序
前言
第1章 緒論 1
1.1 交通工程和智能技術的融合趨勢 1
1.1.1 交通工程研究范圍和特點 1
1.1.2 智能技術助力交通強國建設 2
1.1.3 智能交通工程研究發(fā)展態(tài)勢 2
1.2 交通狀態(tài)感知和出行機理認知的演進關系 3
1.2.1 交通狀態(tài)感知：基于斷面/路段的技術路線 4
1.2.2 出行機理認知：基于軌跡/路徑的技術路線 5
1.2.3 未來擬突破的關鍵技術問題 6
1.3 本書內(nèi)容及章節(jié)結構 7
參考文獻 8
第2章 數(shù)據(jù)驅(qū)動的城市快速路車輛時空軌跡重構 9
2.1 概述 9
2.2 基于插值算法的個體車輛時空軌跡重構模型 9
2.2.1 GPS 軌跡定位誤差修正模型 9
2.2.2 基于插值算法的個體車輛軌跡重構算法 11
2.2.3 個體車輛軌跡重構精度評價方法 17
2.2.4 交通流基本圖及其參數(shù)提取方法 18
2.3 基于運動波理論的全時空車輛軌跡重構模型 22
2.3.1 Newell運動波模型的特性 22
2.3.2 考慮車輛順序的Newell運動波模型 24
2.3.3 考慮超車行為的車輛時空軌跡重構算法 26
2.3.4 基于數(shù)據(jù)融合的車輛時空軌跡重構框架 28
2.3.5 全時空車輛軌跡重構精度評價方法 28
2.4 案例分析 30
2.4.1 案例背景及數(shù)據(jù)準備 30
2.4.2 浮動車軌跡重構與誤差分析 32
2.4.3 全時空軌跡重構與誤差分析 37
2.5 本章小結 43
參考文獻 44
第3章 基于自動車輛識別數(shù)據(jù)的機動車出行路徑識別 45
3.1 概述 45
3.2 觀測數(shù)據(jù)與行駛路徑匹配模型 46
3.2.1 符號定義 46
3.2.2 模型構建 47
3.3 候選路徑集生成算法 48
3.4 AVI 觀測點對似然概率 51
3.4.1 時間分析 51
3.4.2 空間分析 54
3.5 案例分析 54
3.5.1 數(shù)據(jù)來源 54
3.5.2 候選路徑集生成 56
3.5.3 未知參數(shù)估計 56
3.5.4 識別精度與計算效率 57
3.5.5 AVI觀測點間距對匹配精度的影響 58
3.5.6 GNSS樣本數(shù)量對匹配精度的影響 60
3.5.7 路徑候選集大小對匹配精度的影響 60
3.6 本章小結 61
參考文獻 61
第4章 片段化觀測條件下的機動車出行鏈提取 64
4.1 概述 64
4.2 基于概率圖的出行鏈提取模型 66
4.2.1 符號定義 66
4.2.2 圖模型結構 67
4.2.3 匹配概率推導 68
4.2.4 觀測概率 70
4.2.5 轉移概率 74
4.3 候選子行程表生成算法 79
4.3.1 后綴樹模型 79
4.3.2 候選集生成算法 81
4.4 最優(yōu)出行鏈求解算法 81
4.4.1 候選圖模型 81
4.4.2 最優(yōu)解求解算法 82
4.5 案例分析 84
4.5.1 對比方法 84
4.5.2 評價標準 85
4.5.3 對比分析 86
4.5.4 敏感性分析 88
4.6 本章小結 90
參考文獻 90
第5章 大規(guī)模路網(wǎng)交通狀態(tài)估計與擁堵溯源 92
5.1 概述 92
5.2 多測度交通流參數(shù)提取方法 93
5.2.1 平均行程速度 93
5.2.2 路段流量 94
5.3 多尺度動靜交通狀態(tài)判別模型 94
5.3.1 路段層次動態(tài)交通狀態(tài)估計 94
5.3.2 區(qū)域?qū)哟蝿討B(tài)交通狀態(tài)估計 95
5.3.3 靜態(tài)交通狀態(tài)估計 96
5.4 大規(guī)模路網(wǎng)交通狀態(tài)估計應用案例 96
5.4.1 案例路網(wǎng)概況 96
5.4.2 基礎數(shù)據(jù)收集 98
5.4.3 多測度交通參數(shù)提取 99
5.4.4 多尺度動靜交通狀態(tài)判別 100
5.5 基于路徑的交通擁堵溯源方法 101
5.6 交通擁堵溯源應用案例 104
5.6.1 問題描述 104
5.6.2 基于擁堵溯源的關鍵路徑識別 105
5.6.3 基于多關鍵路徑的交通信號協(xié)調(diào)控制 106
5.7 本章小結 115
參考文獻 115
第6章 基于寬度學習的出行方式選擇行為建模 118
6.1 概述 118
6.2 選擇行為分析理論 120
6.2.1 離散選擇模型 120
6.2.2 神經(jīng)網(wǎng)絡模型 121
6.3 寬度選擇模型 122
6.3.1 數(shù)學表述 123
6.3.2 Vanilla-BCM和Res-BCM 125
6.4 案例分析 128
6.4.1 數(shù)據(jù)獲取 128
6.4.2 超參數(shù)空間 128
6.4.3 結果分析 129
6.4.4 在線連續(xù)數(shù)據(jù)流的動態(tài)推理實驗 135
6.5 本章小結 136
參考文獻 136
第7章 考慮時空關聯(lián)性的目的地選擇行為建模 138
7.1 概述 138
7.2 目的地選擇行為時空特征 139
7.2.1 數(shù)據(jù)來源 139
7.2.2 目的地提取 140
7.2.3 時空關聯(lián)性分析 140
7.3 時空關聯(lián)性的效用表達方法 142
7.3.1 目的地選擇模型 142
7.3.2 考慮時空關聯(lián)的效用修正 143
7.3.3 OD對異質(zhì)性描述與建模 143
7.4 目的地候選集生成算法 145
7.5 案例分析 147
7.5.1 目的地選擇模型參數(shù)估計 147
7.5.2 目的地選擇模型精度評價 149
7.6 本章小結 150
參考文獻 151
第8章 基于半監(jiān)督學習的路徑選擇行為建模 153
8.1 概述.153
8.2 數(shù)據(jù)獲取方式及特點 154
8.3 考慮觀測異質(zhì)性的路徑選擇模型 156
8.3.1 問題定義 156
8.3.2 模型構建 156
8.4 路徑選擇模型半監(jiān)督參數(shù)估計方法 158
8.4.1 有監(jiān)督學習 158
8.4.2 無監(jiān)督學習 159
8.4.3 半監(jiān)督學習 160
8.5 案例分析 161
8.5.1 路徑選擇模型參數(shù)估計 161
8.5.2 路徑選擇模型精度評價 164
8.5.3 路徑選擇模型計算效率評價 164
8.6 本章小結 166
參考文獻 166
第9章 交通網(wǎng)絡運行態(tài)勢推演系統(tǒng)開發(fā) 169
9.1 概述.169
9.2 需求分析與架構設計170
9.2.1 功能需求分析 170
9.2.2 系統(tǒng)架構設計 171
9.3 態(tài)勢推演算法 173
9.3.1 人口生成 173
9.3.2 出行鏈生成 174
9.3.3 動態(tài)交通分配及迭代 177
9.4 可視化界面開發(fā) 179
9.4.1 交通流量分析 181
9.4.2 擁堵溯源分析 183
9.4.3 運行狀態(tài)分析 184
9.5 本章小結 186
參考文獻 186
附錄 活動時長分布估計 187
A.1 相似圖結構 187
A.2 活動時長分布估計模型 188
A.3 模型求解 189
索引 190
書單推薦
