?

基于低適用率的移動智能交通系統(tǒng)協(xié)同方法

雖然關于智能交通系統(tǒng)的研究已經(jīng)取得先進的成果，但世界上幾乎每個大城市都存在交通擁堵嚴重的現(xiàn)象，其中一個原因是建立的交通系統(tǒng)模型適用范圍窄，不能適用于大多數(shù)城市，導致先進的研究成果推廣困難。為研究低適用率對基于移動手機的交通狀態(tài)估計模型（M-TES）的影響，提出了協(xié)同方法，包括基于速度-密度估計模型的遺傳算法（GA）和基于不可接收范圍低適用率預測方法的人工神經(jīng)網(wǎng)絡（ANN）算法?；谶z傳算法的交通狀態(tài)估計模型不僅能提高交通流動效率，而且能降低交通狀態(tài)估計模型的數(shù)量。當交通狀態(tài)估計模型需要的概率變小時，其估計的準確性會顯著提高。引入基于ANN預測方法以彌補在交通狀態(tài)模型適用范圍窄或無法確定是否適用GA估計交通狀態(tài)的不足；討論了相關路段對預測效果的影響?？蔀榭s小尋找人工神經(jīng)網(wǎng)絡模型預測規(guī)則的搜索空間提供比較實用的指導。在不影響預測精度的前提下提高了計算性能。為證明所提出協(xié)同方法的有效性和魯棒性，進行了試驗評估。試驗結(jié)果表明，本研究有助于加快基于移動手機的智能交通系統(tǒng)的實現(xiàn)或智能交通系統(tǒng)在特定情況下的實現(xiàn)，因為已經(jīng)解決了交通狀態(tài)估計模型適用范圍窄、適用率低的問題。

刊名：Pervasive and Mobile Computing（英）

刊期：2014年第10期

作者：T.M.Quang et al

編譯：于立嬌