理论教育 主观感知法评估城市交通拥堵风险

主观感知法评估城市交通拥堵风险

时间:2023-09-21 理论教育 版权反馈
【摘要】:根据评估理念的不同,基于主观感知的风险评估方法有如下几种。在主观感知与客观数据差异性分析的基础上,提出了基于感知差异与基于机器学习的两类评估方法。1)基于感知差异性的评估方法在基于感知差异性的评估方法中,将人们不同身份的感知加权后的结果定义为“加权感知”,其反映了某一交通状况下的总体感知水平,并分析加权感知与客观情况的差异性。

主观感知法评估城市交通拥堵风险

由于年龄、性别、受教育程度、心理特征等属性的不同,不同的人之间存在信息接受能力的差异。例如,面对同样的交通拥堵场景,不同的出行者对拥堵状态的主观感知是不同的,并会基于自身的行为目标与准则,依据不同交通环境做出符合自身利益的判断。因此,交通拥堵风险评估在反映实际交通流客观运行状况的同时,应考虑不同出行者的感知情况,充分反映大多数出行者的主观感知结果[6]

根据评估理念的不同,基于主观感知的风险评估方法有如下几种。

1.基于感知差异的评估方法

由于人们对于客观状态的感知结果不同,在基于感知差异性的评估方法中,将对正常状态的感知评价定义为“正常感知”,而将异常状况的感知评价定义为“异常感知”[6]。在主观感知与客观数据差异性分析的基础上,提出了基于感知差异与基于机器学习的两类评估方法。

1)基于感知差异性的评估方法

在基于感知差异性的评估方法中,将人们不同身份的感知加权后的结果定义为“加权感知”,其反映了某一交通状况下的总体感知水平,并分析加权感知与客观情况的差异性。例如,在交通分析中,将客观交通流数据中的速度、占有率与加权感知速度相结合,通过动态聚类分析方法,对交通拥堵阈值进行划分[6]

2)基于机器学习的评估方法

在基于机器学习的评估方法中,分别考虑出行者年龄、性别、驾龄的属性,采用k-近邻与朴素贝叶斯分类等方法对原始数据进行训练,得到交通畅通、拥挤、阻塞状态的分类结果以及对应的混淆矩阵和相关评价参数。同时,基于不同年龄、性别、驾龄的出行者,进行不同交通运行状况下的拥堵预测,提出了差异化、个性化的评估及预测结果。

2.基于用户的评估方法

在基于用户的评估方法中,交通拥堵是一个感知量,受道路环境差异性及出行者主观感知差异性的影响,不同交通拥堵状态的分界处具有模糊性。该方法在客观交通环境的基础上,考虑了不同出行者的感知差异性,采用最大隶属度等方法评估交通拥堵状况,即将大部分出行者对拥堵的认知结果定义为当前的拥堵状况[7]。(www.daowen.com)

3.基于累积Logistic回归的评估方法

在基于累积Logistic回归的评估方法中,交通拥堵被定义为出行者对交通运行畅通程度的感受,其反映了出行者对交通拥堵的理解。该方法将定性数据的出行者感知结果与客观道路运行数据(行程时间、延误比、停车时间、停车次数、出入口密度)相结合,在道路交通拥堵强度评价模型中引入累积Logistic回归分析方法,对快速路、主干路、次干路不同状态下的速度阈值进行了划分[8]

4.基于公众出行感知调研测算的评估方法

在基于公众出行感知调研测算的评估方法中,以大量公众出行拥堵感知的调研与实测数据作为分析基础,通过对1 min间隔出行感知进行加权获取区间出行的综合感知测算结果,选用行程时间为权重系数,将局部路段交通状态向道路整体交通状态集成,建立了城市道路交通状态指数,并以浮动车数据为基础,实现交通走廊拥堵评估[9]

5.基于神经网络的评估方法

在基于神经网络的评估方法中,运用与网络调查系统协调的智能交通摄像系统来收集交通状态与出行者主观感知信息,同时借助实际速度、流量数据以及出行者的主观判断数据,运用神经网络方法进行大样本训练,最终提出了高精度自动识别交通拥堵状态的方法[10]

6.基于ANFIS模型的评估方法

在基于ANFIS模型的评估方法中,考虑车联网环境下出行者对路段交通状态主观感知的差异,首先建立了基于T-S 模糊模型的自适应神经模糊系统模型(Adaptive-Network-Based Fuzzy Inference System,ANFIS)来进行交通拥堵状态的评估,其次对出行者主观认知数据进行统计分析,并最终将其统计结果作为调节因素来修正ANFIS模型的输入参数,从而提出了考虑客观运行条件与主观感知的交通拥堵状态综合评估模型[11]

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈