基于多维数据的高速公路服务水平实时判别方法

交通运输系统工程与信息 ›› 2018, Vol. 18 ›› Issue (4): 240-246.

• 案例分析 • 上一篇

基于多维数据的高速公路服务水平实时判别方法

赵文忠¹，耿立艳^{* 2}，梁毅刚²，张占福³

1. 河北曲港高速公路开发有限公司，河北保定 071000；2. 石家庄铁道大学经济管理学院，石家庄 050043； 3. 石家庄铁道大学四方学院，石家庄 051132

收稿日期:2018-04-18 修回日期:2018-05-27 出版日期:2018-08-25 发布日期:2018-08-27
作者简介:赵文忠(1971-)，男，河北鹿泉人，高级工程师.
基金资助:
国家自然科学基金(青年)/ National Natural Science Foundation for Young Scholars of China(61503261)；河北省高等学校青年拔尖人才计划项目/Young Talents Program of Higher School of Hebei Province (BJ2014097).

A Real-time Identification Method of Highway Service Level Based on Multi-dimension Data

ZHAO Wen-zhong¹, GENG Li-yan², LIANG Yi-gang², ZHANG Zhan-fu³

1. Hebei Qu Gang Expressway Development Co., Ltd, Baoding 071000, Hebei, China; 2. School of Economics and Management, Shijiazhuang Tiedao University, Shijiazhuang 050043, China; 3. Sifang College, Shijiazhuang Tiedao University, Shijiazhuang 051132, China

Received:2018-04-18 Revised:2018-05-27 Online:2018-08-25 Published:2018-08-27

摘要/Abstract

摘要：

随着高速公路的不断发展，交通信息逐渐呈现多元化，而将这些信息进行整合并对高速公路服务水平进行实时判别，对于后期的交通控制管理及实时高效提供道路信息至关重要.本文考虑了时间、天气、出行日期等多因素的影响，选用车速、密度作为高速公路服务水平评价指标，结合最小二乘支持向量机与聚类分析相关算法，提出了一种基于多维数据的高速公路服务水平实时判别模型，以实现对高速公路服务水平的参数预测及实时判别.选用河北省237 360组训练样本数据和6 048组预测样本数据验证了该模型的有效性.结果显示，该模型获得了较高的判别精度和较好的预测效果，是一种有效的高速公路服务水平实时判别方法.

关键词: 公路运输, 高速公路, 多维数据, 服务水平, 实时判别

Abstract:

With the continuous development of highway, traffic information of highway is diversified gradually. Integration of the traffic of highway and real-time identification of the service level of highway is very important for the later traffic controlling and management and provision of real-time and efficient road information. Combing least squares support vector machine with cluster analysis algorithm, this paper proposes a real-time identification model of highway service level based on multi-dimension data in order to achieve the parameter prediction and real-time identification of highway service level. The model includes many influence factors, such as time, weather, travel dates and so on. In addition, it selects vehicle speed and density to evaluate highway service level. The validity of the model is tested by using 237 360 training samples and 6 048 prediction samples of Hebei province. The results show that the model produces the higher identification accuracy and better prediction effect, which is a method for real-time identification of highway service level.

Key words: highway transportation, highway, multi-dimension data, service level, real-time identification

中图分类号:

U412.366

赵文忠，耿立艳，梁毅刚，张占福. 基于多维数据的高速公路服务水平实时判别方法[J]. 交通运输系统工程与信息, 2018, 18(4): 240-246.

ZHAO Wen-zhong, GENG Li-yan, LIANG Yi-gang, ZHANG Zhan-fu. A Real-time Identification Method of Highway Service Level Based on Multi-dimension Data[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(4): 240-246.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19686.shtml

http://www.tseit.org.cn/CN/Y2018/V18/I4/240

参考文献

[1] Transportation Research Board. Highway capacity manual 2000[S]. National Research Council, Washington, DC, 2000.

[2] 周伟, 王秉纲. 服务水平与服务交通量的确定原理与方法研究[J]. 中国公路学报, 2001(2): 90-95. [ZHOU W, WANG B G. Research on the principle and method of determining service level and service traffic volume[J]. China Journal of Highway and Transport Engineering, 2001(2): 90-95.]

[3] 王华荣, 裴玉龙, 邢世玲. 灰色聚类法在快速路基本路段服务水平评价中的应用[J]. 公路, 2005(5): 75-81. [WANG H R, PEI Y L, XING S L. Application of grey clustering method to estimating service levels of basic segments of expressway[J]. Highway, 2005(5): 75-81.]

[4] 韩斌. 昆明—楚雄高速公路交通量预测与服务水平分析[D]. 西安: 长安大学, 2011. [HAN B. Traffic volume prediction and service level analysis of Kun-Chu highway[D]. Xi’an: Chang’an University, 2011.]

[5] GHOSH B, BASU B, O’MAHONY M. Multivariate short-term traffic flow forecasting using time-series analysis[J]. IEEE Transactions on Intelligent Transportation System, 2009, 10(2): 246-254.

[6] VLAHOGIANNI E I, KARLAFTIS M G, GOLIAS J C. Optimized and meta optimized neural networks for short-term traffic flow prediction: A genetic approach[J]. Transportation Research Part C: Emerging Technologies, 2005, 13(3): 211-234.

[7] 傅贵, 韩国强, 逯峰, 等. 基于支持向量机回归的短时交通流预测模型[J]. 华南理工大学学报(自然科学版), 2013, 41(9): 71-76. [FU G, HANG G Q, LU F, et al. Short-term traffic flow forecasting model based on support vector machine regression[J]. Journal of South China University of Technology (Natural Science Edition), 2013, 41(9): 71-76.]

[8] 熊志华, 邵春福, 姚智胜. 短时交通状态预测参数粒子群算法优化研究[J]. 交通运输系统工程与信息, 2008, 8(3): 29-33. [XIONG Z H, SHAO C F, YAO Z S. Particle swarm optimization application on road traffic flow short-term forecasting[J]. Journal of Transportation Systems Engineering and Information Technology, 2008, 8(3): 29-33.]

[9] 司文静, 封喜波, 耿立艳, 等. 基于ADPSO算法优化LSSVM的高速公路交通量预测方法 [J]. 河北大学学报(自然科学版), 2017, 37(3): 302-308. [SI W J, FENG X B, GENG L Y, et al. A forecasting method of highway traffic flow using LSSVM optimized by ADPSO algorithm[J]. Journal of Hebei University (Natural Science Edition), 2017, 37(3): 302-308.]

[1]	王宁, 张佳蕊, 赵姣. 城际零担货运平台车辆路径问题研究[J]. 交通运输系统工程与信息, 2022, 22(2): 163-177.
[2]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[3]	谭二龙, 李宏海, 钟厚岳, 霍恩泽, 马晓磊. 基于轨迹数据的货车自发编队节油潜力估计[J]. 交通运输系统工程与信息, 2022, 22(1): 74-84.
[4]	贾术艳, 宋雨童, 杨紫都. 基于生长曲线函数的货车运营环节碳达峰研究[J]. 交通运输系统工程与信息, 2021, 21(6): 310-318.
[5]	甘蜜, 卿三东, 刘晓波, 李丹丹. 货车轨迹数据在公路货运系统中应用研究综述[J]. 交通运输系统工程与信息, 2021, 21(5): 91-101.
[6]	李根, 翟伟, 朱兴贝, 杨晟, 邬岚. 侧向碰撞风险对交织区汇合行为的影响[J]. 交通运输系统工程与信息, 2021, 21(4): 204-210.
[7]	李桃迎，王婷，张羽琪. 考虑多特征的高速公路交通流预测模型[J]. 交通运输系统工程与信息, 2021, 21(3): 101-111.
[8]	吕能超，杜子君，吴超仲，王玉刚. 多车道高速公路出口开口段安全特性分析[J]. 交通运输系统工程与信息, 2021, 21(3): 120-130.
[9]	钱超，李思言，王彦锋. 高速公路收费广场车道合理化配置研究[J]. 交通运输系统工程与信息, 2021, 21(2): 231-237.
[10]	袁方，杨轸，周雄峰. 双车道公路弯道半径及回旋线长度对转向行为的影响[J]. 交通运输系统工程与信息, 2021, 21(1): 116-123.
[11]	胡立伟，何越人，李耀平，孟玲，殷秀芬. 基于人工免疫机制的营运货车运行风险评价研究[J]. 交通运输系统工程与信息, 2021, 21(1): 149-155.
[12]	吴贞瑶，帅斌，左博睿. 通货膨胀下高速公路公私合营项目的收入调节研究[J]. 交通运输系统工程与信息, 2021, 21(1): 156-161.
[13]	戢晓峰，吴亚欣，郝京京，房锐，胡澄宇. 平纵组合路段事故严重程度致因辨识模型[J]. 交通运输系统工程与信息, 2020, 20(6): 197-204.
[14]	程颖，张佳乐，张少君，郭继孚，张达. 大型货运车辆生态驾驶及节油潜力评估[J]. 交通运输系统工程与信息, 2020, 20(6): 253-258.
[15]	段莉珍，栾庆熊，赵鑫. 区域路网货物运输量统计方法改进[J]. 交通运输系统工程与信息, 2020, 20(4): 28-33.

基于多维数据的高速公路服务水平实时判别方法

A Real-time Identification Method of Highway Service Level Based on Multi-dimension Data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics