-
题名基于社会媒体数据增强的交通态势感知研究及进展
被引量：5
- 1
-
-
作者
陈苑文
王晓
李灵犀
王飞跃
-
机构
厦门大学航空航天学院自动化系
中国科学院自动化研究所复杂系统管理与控制国家重点实验室
青岛智能产业技术研究院平行智能创新中心
美国印第安纳大学−普渡大学印第安纳波利斯分校电子与计算机工程系
-
出处
《智能科学与技术学报》
2022年第1期1-13,共13页
-
基金
国家自然科学基金资助项目(No.62173329)。
-
文摘
交通态势感知是智能交通系统的重要研究方向。已有研究大多关注如何使用物理传感器感知当下交通态势并预测未来交通状况。然而,物理传感器性能易因天气影响、电磁干扰、能源限制等问题出现不稳定或失效情况,导致其采集的数据稀疏或缺失,使其对交通态势感知滞后且不准确。社会媒体数据为及时感知完善的交通态势信息提供了新的增强方式。面向当下异常交通情况频发的城市交通管控现状,社会传感与物理传感数据互为补充,可进一步满足城市交通高效管理需求。基于此,对基于社会媒体数据的交通事件检测和交通状况预测工作展开分析研究,探讨社会媒体数据增强的交通态势感知研究工作如何为交通管理部门提供决策支持,以合理规划、引导交通,缓解交通拥堵,最后提出社会媒体数据增强的交通态势感知还需进一步探索的方向。
-
关键词
交通态势感知
智能交通系统
社会感知
交通事件检测
交通状况预测
-
Keywords
traffic situational awareness
intelligent transportation system
social perception
traffic event detection
traf-fic state prediction
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名季节性ARiMA模型在稀疏交通流下的预测方法
被引量：10
- 2
-
-
作者
祁伟
李晔
汪作新
-
机构
深圳市交通运输委员会
中国科学院深圳先进技术研究院
-
出处
《公路交通科技》
CAS
CSCD
北大核心
2014年第4期130-135,共6页
-
文摘
交通流监测存在普遍的稀疏性,理想的交通流预测模型应该能够充分利用交通流数据的特征,克服稀疏性问题。通过大量的数据分析,城市道路交通流被证实存在时序上的周期性特征。同时,数据分析结果也表明了交通观测数据稀疏性的普遍存在,而且稀疏的分布不均匀,有些极端稀疏道路甚至出现数天的观测缺失。因此,交通流预测模型应该有对稀疏的适应性,而季节性ARiMA交通流预测模型的引入能够很好地利用时序周期特征计算交通观测值的缺失。这种模型的优势在于融合了邻近的交通流观察值和交通流数据的周期性,消除了道路稀疏性导致观测值缺失带来的预测障碍。对比试验的展示表明了这种模型对交通流数据周期性特征的利用和对稀疏性的适应。
-
关键词
交通工程
实时交通状况预测
时序分析
ARIMA模型
稀疏性
-
Keywords
traffic engineering
real-time traffic condition prediction
time-series analysis
ARiMA model
sparseness
-
分类号
U491.112
[交通运输工程—交通运输规划与管理]
-
