演算法預測交通效果

❶ Dijkstra演算法在城市交通中的應用

剛開始的話，建議你先不要考慮如何應用，先學習一下演算法，弄明白演算法原理之後再考慮如何進行實際應用。

如果演算法已經搞懂了（起碼要能夠自己編程實現演算法，並自己設計測試數據進行測試），就可以考慮應用了。

這里先簡單說說，首先要有數據（巧演算法難為無數據之運算^_^），這里你需要有一些節點，以及節點之間的距離。所以，無論你是用現成的地圖還是自己畫，都需要從圖上選取一些點，記錄這些點的位置和該點到其他點的直接距離（也就是不通過第三點的距離，比如一條路上順次有abc三個點，ac之間的距離就不計在內了，因為需要通過b點），然後。。。。也就沒什麼然後了，直接算就是了^_^

再說說節點選取，一般來講，地圖上的節點通常有一下幾類：公交站、知名建築、地標、橋梁等，由於你是做畢設，因此隨便選一些能夠表現出效果就好了（況且太多點運算量大，容易死機的說^_^）

還有，如何表現出其應用價值呢？做個界面吧，應用程序（推薦Java/Delphi/VB）或者網頁（推薦JSP/PHP/ASP等）都行，界面上起碼要有個「查詢從A到B的最短路徑」功能，然後，當然還要顯示查詢結果啦，如果你有興致，可以搞個圖片，然後在她們所要經過的最短路徑上畫線（只要能連接路線途經的節點就夠了），這樣就可以直觀的看出該路線在地圖上究竟如何。到這里，基本上也就差不多了，不信你去看看那網路地圖的這個功能，也就那麼回事兒^_^

最後，作為畢設嘛，重點不全在應用，還應有對該技術的優勢、劣勢、改進方法等等的分析，這一點就需要更多閱讀啦，如果真的有意做好它，不如等做到這一步再來探討吧^_^

加油！祝你好運^_^

❷ 交通流量預測

智能交通系統(ITS)是目前緩解城市交通壓力、減少環境污染的一種有效、新型的方法。交通流量預測是智能交通系統的重要組成部分,其中短時交通流量預測是交通流量預測中主要的研究內容,及時獲取短時交通流量預測的信息有助於保障交叉路口的暢通。因此如何獲取准確的短時交通流量預測信息是保證交通有效運行的關鍵。根據城市路況交通流量高度的非線性和不確定性等特點以及以往交通流量預測的方法,本文在對神經網路研究的基礎上建立了基於BP神經網路的短時交通流量預測模型,通過模擬實驗驗證了梯度下降法的不足,使用LM學習演算法作為BP神經網路的訓練演算法,並通過模擬實例驗證了該演算法的可行性。為了克服BP神經網路因初始參數選取不當而造成易陷入局部極小點的缺點,將智能優化演算法引入到優化BP神經網路的初始參數中,分別介紹了粒子群優化演算法和遺傳演算法的基本原理以及它們的改進演算法,並利用這些智能演算法優化BP神經網路的初始權值和閾值,在此基礎上分別建立了基於PSO-BP、MPS

❸ AI可預測路人行為，這對改善智能駕駛領域有何幫助

AI可預測路人行為，這能夠改善智能駕駛領域的輔助危險問題，AI本來就是用於輔助智能駕駛的，同時也是保障車主不出交通事故的一個好辦法。然而對於許多大公司來說，AI技術也許是這些公司收集更多用戶信息並且打造商業帝國的利器，而且也能夠提高公司的技術和盈利水平。

AI可以預測路人行為本來就是極為正常的事情，按照目前的演算法來說，許多公司都採取了自動駕駛的研發，但自動駕駛能否最終實現到道路上，這還真的是一個難題。然而需要我們注意的是，AI肯定是能夠輔助駕駛人進行智能駕駛的同時，這也能夠減輕駕駛人在駕駛當中的危險，這是AI目前最大的好處。

❹ 最短路徑演算法在交通中的運用

這是以前寫的！！無論是有向圖還是無向圖都可以處理
！！用的是Dijkstra演算法

/*求最短路徑*/
#include<stdio.h>
#include<stdlib.h>
typedef int Status;
typedef Status ** Node;
#define MaxNum 10000;
#define FALSE 0;
#define TRUE 1;

/*建一個帶權的鄰接矩陣來存放有向圖*/
Node Build (Status num , Status num2 )
{
int i,j,k,h;
Node a;
a=(Node) malloc( num * sizeof (Status *));
printf("請輸入圖的相關信息,如0 2 10表示弧是從頂點v0走向頂點v2，且權為10\n");
printf("(每輸入一個信息再按一次Enter)\n(在這里頂點是從v0算起，當然這並不是表示要從v0出發找最短路徑\n");
printf("當然也可以從其他點出發找最短路徑):\n");
for(i=0;i<num;i++)
{
a[i]=(Status *) malloc( num * sizeof (Status));
for(j=0;j<num;j++)
{
a[i][j]=MaxNum;
}
}
for(h=0;h<num2;h++)
{
scanf("%d %d %d",&i,&j,&k);
/*防止輸入過界*/
if( i>=num || j>=num )
{
printf("無效的輸入!請重新輸入!!");
exit(1);
}
a[i][j]=k;
}
return a;
}

/*迪傑斯特拉演算法求最短路徑*/
void ShortestPath_DIJ( Node a ,Status i ,Status v0 ,Status *D ,Status *pre )
{
int v,w,j,l=1;
Status *final;/*final[v]為TRUE表示已經求得最短路徑*/
Status min;

final=(Status *)malloc( sizeof(Status)*i );

for(v=0;v<i;v++)
{
final[v]=FALSE;/*設空路徑*/

pre[v]=FALSE;
D[v]=a[v0][v];

if(D[v]<10000)
pre[v]=v0;

}//for
/*選擇的頂點沒有出度時，為了防止下面的演算法出現越界，直接輸出，不再進行下步動作*/
for(v=0;v<i;v++)
{
if( a[v0][v]==10000 )
l++;
}

if(l>i)
{
printf("\n從v%d出發沒有最短路徑到其他端點!\n",v0);
exit(0);
}
D[v0]=0; final[v0]=TRUE;//初始化,v0頂點確定
for( j=0 ; j<i ; ++j )
{

/*找出距離頂點最近的頂點*/
min=MaxNum;
for( w=0 ; w<i ; w++)
{
if( !final[w] )//w頂點還沒確定
{
if( D[w]<min )
{
v=w;min=D[w];/*w頂點離v0更近*/
//printf("wozaizhe");
}
}

}
final[v]=TRUE;

/*更新當前最短路徑及距離*/
for( w=0 ; w<i ; w++ )
{
if( !final[w] && ( (min+a[v][w])<D[w]) )
{
D[w]=min+a[v][w];
pre[w]=v;
}//if
}

}//for
}//ShortestPath_DIJ

void Show(Status *D , Status *pre ,int i ,int v0)
{
int j,k,m,n;
int *temp;
temp=(int *)malloc(sizeof(int)*i);

for(j=0;j<i;j++)
{
printf("\nv%d路徑長度為:%d " ,j,D[j]);

n=j;
if(D[j]!=10000)
for(k=0;k<i;k++)
{
temp[k]=pre[n];
if(temp[k]!=v0)
n=temp[k];

if(temp[k]==v0)
break;
}

if( k==0&&D[j]!=10000&&D[j]!=0 )
{
printf("v%d->v%d",v0,j);

}
if( k!=0 &&D[j]!=10000&&D[j]!=0)
{
for(m=k;m>=0;m--)
{
printf("v%d->",temp[m]);
}
printf("v%d",j);
}

if(D[j]==10000)
{
printf("從v%d出發沒有最短路徑!",v0);
}
if(D[j]==0)
{
printf("v%d",v0);
}

}
printf("\n");
}

main()
{
int i,j,v0;
Node a;
Status *D,*pre;

printf("請輸入有向圖的頂點數!");
scanf("%d",&i);

printf("再輸入有向圖的有效弧數!");
scanf("%d",&j);

D=(Status *)malloc(sizeof(Status)*i);
pre=(Status *)malloc(sizeof(Status)*i);

a=Build(i,j);

printf("請輸入起始頂點(可以是范圍內的任何頂點): ",j);
scanf("%d",&v0);
if(v0>i)
{
printf("輸入錯誤!不存在這樣的起始點!");
exit(1);
}

ShortestPath_DIJ( a ,i ,v0 ,D , pre );

Show( D, pre, i, v0 );

}

❺ 交通量預測用什麼方法

交通量預測用的方法有：遺傳演算法、神經網路、支持向量機、灰色理論等。

1、遺傳演算法

遺傳演算法是一種靈感源於達爾文自然進化理論的啟發式搜索演算法。遺傳演算法中包含初始化、個體評價（計算適應度函數）、選擇運算、交叉運算和變異運算。

2、神經網路

神經網路是利用其演算法特點來模擬人腦思維的第二種方式，它是一個非線性動力學系統，其特點就是信息分布式存儲和並行協同處理。簡單點講就是利用該演算法來模擬人類大腦來進行推理和驗證的。

3、支持向量機

支持向量機演算法作為機器學習領域的經典演算法，從被提出開始提出後快速發展，在很多場景和領域都取得了非常好的效果，同時兼有數度快，支持數據量級大（相對經典機器學習演算法）等特點使其在工程實踐中的得到了廣泛的應用。

4、灰色理論

灰色預測通過鑒別系統因素之間的發展趨勢的相異程度，並對原始數據進行生成處理來尋找系統變動的規律，生成有較強規律性的數據序列，然後建立相應的微分方程，從而預測事物未來的發展趨勢。

(5)演算法預測交通效果擴展閱讀

交通量預測的調整方法：

1、調基法

調基法主要通過調整與預測交通量關系最大的GDP和彈性系數，從而修正特徵年交通增長率，達到降低交通量預測的不確定性帶來的BOT項目投資風險。

2、通道控製法

基於公路運輸通道特性明顯的特點，重點收集擬建公路運輸通道內的各主要公路歷年觀測交通量，對通道交通量進行整合、推算、預測。在此基礎上，確定通道內各主要公路的功能定位、交通量分擔權重，進而可以求得擬建公路的未來年交通量。

❻ 怎樣把握交通運輸需求預測中對歷史數據的范圍(地域范圍,時間范圍)和精度(精度

城市交通管理規劃應從城市結構與土地利用、城市交通結構、城市交通網路的完善與充分利用三個層次，從供給和需求量方面解決問題。為此，准確的交通需求預測是制定合理規劃方案的先決條件，是確定城市道路交通網路結構布局、容量與主幹道布置沿向的重要依據，其模型與演算法的精度水平直接制約著交通管理規劃的合理程度與科學水平。
交通需求預測的目的就是要確定未來特徵年的各種出行(步行、公交車、計程車、私家車、自行車等)在道路網路上的分布，以便對交通管理規劃方案實施效果進行分析評價，以提供一個科學合理的建設與管理方案，避免決策失誤。交通需求預測模型是交通需求預測的手段和依據，為此，交通需求預測模型的合理程度直接影響到交通需求預測的精度和可靠度。
綜上所述，你把每一種需求預測模型的合理程度說一下就解決了精度的問題。
范圍，你可能只有去問王老師了……

❼ 基於行人軌跡預測的無人駕駛汽車主動避撞的演算法是什麼

1、針對傳統軌跡預測演算法無法深度挖掘行人步行意圖信息，無法提前預測行人軌跡，導致無人駕駛汽車主動避碰演算法、道路行人圖像信息和位置信息存在缺陷的問題通過車載感測器獲取道路行人的行為特徵，基於卷積神經網路識別道路行人的行為特徵，分析其步行意圖。使用卡爾曼濾波演算法得到狀態估計的預測值，結合行人主觀意圖進行修正，輸出符合行人主觀意圖的預測軌跡。通過行人車輛交叉口的特徵，建立不同行人軌跡類別的估計安全距離模型，並基於道路對行人軌跡進行預測，結果表明當行人行為特徵發生變化時，基於行為特徵的行人軌跡預測演算法分析可以提前預測行人軌跡變化，有效保證道路行人的安全。

4、該演算法基於對行人軌跡位置點的連續預測，結合行人步行意圖，預測動態系統的最優狀態，得到符合行人主觀意圖的最優軌跡，提供實時有效的行人行人主動避碰演算法的軌跡信息。 分析人車混合環境下的交通事故風險，根據人車交叉點建立估計的安全距離模型。測試結果表明，所提出的行人主動避碰演算法能夠有效保證道路行人的安全，能夠保證制動減速過程的平穩性和交通流的平穩性。

❽ 導航軟體是如何精準報告路況的，你知道工作原理嗎

任何一款導航軟體要定位用戶手機的位置，無非有兩種主要方式，一是衛星定位，即GPS系統或者北斗系統；二是基站定位，即LBS定位。此外，AGPS和WIFI也可以參與其中，但這兩種是輔助作用。

第一，不是精確，地圖軟體採用導航等APP獲得行駛車輛的數據，然後利用大數據進行分析，比如浮動車演算法，這些演算法已經有10多年的開發了，所以相對而言比較成熟。

比如說，很多導航軟體都會通過多元數據池和強大的AI計算能力構成服務平台，實時跟蹤道路情況和交通情況，以小時甚至分鍾為單位對實時路況進行更新，並推送至用戶的系統軟體中，盡可能減少因技術問題而產生的路況延遲報告，提高路況報道的精準性。

現在市面上各類導航軟體越來越多，而這些軟體想要從強大的競爭市場中脫穎而出，最為關鍵的就是一個「准」字。技術能力的強弱直接決定了導航軟體所能夠達到的高度。