算法预测交通效果

❶ Dijkstra算法在城市交通中的应用

刚开始的话，建议你先不要考虑如何应用，先学习一下算法，弄明白算法原理之后再考虑如何进行实际应用。

如果算法已经搞懂了（起码要能够自己编程实现算法，并自己设计测试数据进行测试），就可以考虑应用了。

这里先简单说说，首先要有数据（巧算法难为无数据之运算^_^），这里你需要有一些节点，以及节点之间的距离。所以，无论你是用现成的地图还是自己画，都需要从图上选取一些点，记录这些点的位置和该点到其他点的直接距离（也就是不通过第三点的距离，比如一条路上顺次有abc三个点，ac之间的距离就不计在内了，因为需要通过b点），然后。。。。也就没什么然后了，直接算就是了^_^

再说说节点选取，一般来讲，地图上的节点通常有一下几类：公交站、知名建筑、地标、桥梁等，由于你是做毕设，因此随便选一些能够表现出效果就好了（况且太多点运算量大，容易死机的说^_^）

还有，如何表现出其应用价值呢？做个界面吧，应用程序（推荐Java/Delphi/VB）或者网页（推荐JSP/PHP/ASP等）都行，界面上起码要有个“查询从A到B的最短路径”功能，然后，当然还要显示查询结果啦，如果你有兴致，可以搞个图片，然后在她们所要经过的最短路径上画线（只要能连接路线途经的节点就够了），这样就可以直观的看出该路线在地图上究竟如何。到这里，基本上也就差不多了，不信你去看看那网络地图的这个功能，也就那么回事儿^_^

最后，作为毕设嘛，重点不全在应用，还应有对该技术的优势、劣势、改进方法等等的分析，这一点就需要更多阅读啦，如果真的有意做好它，不如等做到这一步再来探讨吧^_^

加油！祝你好运^_^

❷ 交通流量预测

智能交通系统(ITS)是目前缓解城市交通压力、减少环境污染的一种有效、新型的方法。交通流量预测是智能交通系统的重要组成部分,其中短时交通流量预测是交通流量预测中主要的研究内容,及时获取短时交通流量预测的信息有助于保障交叉路口的畅通。因此如何获取准确的短时交通流量预测信息是保证交通有效运行的关键。根据城市路况交通流量高度的非线性和不确定性等特点以及以往交通流量预测的方法,本文在对神经网络研究的基础上建立了基于BP神经网络的短时交通流量预测模型,通过仿真实验验证了梯度下降法的不足,使用LM学习算法作为BP神经网络的训练算法,并通过仿真实例验证了该算法的可行性。为了克服BP神经网络因初始参数选取不当而造成易陷入局部极小点的缺点,将智能优化算法引入到优化BP神经网络的初始参数中,分别介绍了粒子群优化算法和遗传算法的基本原理以及它们的改进算法,并利用这些智能算法优化BP神经网络的初始权值和阈值,在此基础上分别建立了基于PSO-BP、MPS

❸ AI可预测路人行为，这对改善智能驾驶领域有何帮助

AI可预测路人行为，这能够改善智能驾驶领域的辅助危险问题，AI本来就是用于辅助智能驾驶的，同时也是保障车主不出交通事故的一个好办法。然而对于许多大公司来说，AI技术也许是这些公司收集更多用户信息并且打造商业帝国的利器，而且也能够提高公司的技术和盈利水平。

AI可以预测路人行为本来就是极为正常的事情，按照目前的算法来说，许多公司都采取了自动驾驶的研发，但自动驾驶能否最终实现到道路上，这还真的是一个难题。然而需要我们注意的是，AI肯定是能够辅助驾驶人进行智能驾驶的同时，这也能够减轻驾驶人在驾驶当中的危险，这是AI目前最大的好处。

❹ 最短路径算法在交通中的运用

这是以前写的！！无论是有向图还是无向图都可以处理
！！用的是Dijkstra算法

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

/*建一个带权的邻接矩阵来存放有向图*/
Node Build (Status num , Status num2 )
{
int i,j,k,h;
Node a;
a=(Node) malloc( num * sizeof (Status *));
printf("请输入图的相关信息,如0 2 10表示弧是从顶点v0走向顶点v2，且权为10\n");
printf("(每输入一个信息再按一次Enter)\n(在这里顶点是从v0算起，当然这并不是表示要从v0出发找最短路径\n");
printf("当然也可以从其他点出发找最短路径):\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);
/*防止输入过界*/
if( i>=num || j>=num )
{
printf("无效的输入!请重新输入!!");
exit(1);
}
a[i][j]=k;
}
return a;
}

/*迪杰斯特拉算法求最短路径*/
void ShortestPath_DIJ( Node a ,Status i ,Status v0 ,Status *D ,Status *pre )
{
int v,w,j,l=1;
Status *final;/*final[v]为TRUE表示已经求得最短路径*/
Status min;

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

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

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

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

}//for
/*选择的顶点没有出度时，为了防止下面的算法出现越界，直接输出，不再进行下步动作*/
for(v=0;v<i;v++)
{
if( a[v0][v]==10000 )
l++;
}

if(l>i)
{
printf("\n从v%d出发没有最短路径到其他端点!\n",v0);
exit(0);
}
D[v0]=0; final[v0]=TRUE;//初始化,v0顶点确定
for( j=0 ; j<i ; ++j )
{

/*找出距离顶点最近的顶点*/
min=MaxNum;
for( w=0 ; w<i ; w++)
{
if( !final[w] )//w顶点还没确定
{
if( D[w]<min )
{
v=w;min=D[w];/*w顶点离v0更近*/
//printf("wozaizhe");
}
}

}
final[v]=TRUE;

/*更新当前最短路径及距离*/
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路径长度为:%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("从v%d出发没有最短路径!",v0);
}
if(D[j]==0)
{
printf("v%d",v0);
}

}
printf("\n");
}

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

printf("请输入有向图的顶点数!");
scanf("%d",&i);

printf("再输入有向图的有效弧数!");
scanf("%d",&j);

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

a=Build(i,j);

printf("请输入起始顶点(可以是范围内的任何顶点): ",j);
scanf("%d",&v0);
if(v0>i)
{
printf("输入错误!不存在这样的起始点!");
exit(1);
}

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

Show( D, pre, i, v0 );

}

❺ 交通量预测用什么方法

交通量预测用的方法有：遗传算法、神经网络、支持向量机、灰色理论等。

1、遗传算法

遗传算法是一种灵感源于达尔文自然进化理论的启发式搜索算法。遗传算法中包含初始化、个体评价（计算适应度函数）、选择运算、交叉运算和变异运算。

2、神经网络

神经网络是利用其算法特点来模拟人脑思维的第二种方式，它是一个非线性动力学系统，其特点就是信息分布式存储和并行协同处理。简单点讲就是利用该算法来模拟人类大脑来进行推理和验证的。

3、支持向量机

支持向量机算法作为机器学习领域的经典算法，从被提出开始提出后快速发展，在很多场景和领域都取得了非常好的效果，同时兼有数度快，支持数据量级大（相对经典机器学习算法）等特点使其在工程实践中的得到了广泛的应用。

4、灰色理论

灰色预测通过鉴别系统因素之间的发展趋势的相异程度，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程，从而预测事物未来的发展趋势。

(5)算法预测交通效果扩展阅读

交通量预测的调整方法：

1、调基法

调基法主要通过调整与预测交通量关系最大的GDP和弹性系数，从而修正特征年交通增长率，达到降低交通量预测的不确定性带来的BOT项目投资风险。

2、通道控制法

基于公路运输通道特性明显的特点，重点收集拟建公路运输通道内的各主要公路历年观测交通量，对通道交通量进行整合、推算、预测。在此基础上，确定通道内各主要公路的功能定位、交通量分担权重，进而可以求得拟建公路的未来年交通量。

❻ 怎样把握交通运输需求预测中对历史数据的范围(地域范围,时间范围)和精度(精度

城市交通管理规划应从城市结构与土地利用、城市交通结构、城市交通网络的完善与充分利用三个层次，从供给和需求量方面解决问题。为此，准确的交通需求预测是制定合理规划方案的先决条件，是确定城市道路交通网络结构布局、容量与主干道布置沿向的重要依据，其模型与算法的精度水平直接制约着交通管理规划的合理程度与科学水平。
交通需求预测的目的就是要确定未来特征年的各种出行(步行、公交车、出租车、私家车、自行车等)在道路网络上的分布，以便对交通管理规划方案实施效果进行分析评价，以提供一个科学合理的建设与管理方案，避免决策失误。交通需求预测模型是交通需求预测的手段和依据，为此，交通需求预测模型的合理程度直接影响到交通需求预测的精度和可靠度。
综上所述，你把每一种需求预测模型的合理程度说一下就解决了精度的问题。
范围，你可能只有去问王老师了……

❼ 基于行人轨迹预测的无人驾驶汽车主动避撞的算法是什么

1、针对传统轨迹预测算法无法深度挖掘行人步行意图信息，无法提前预测行人轨迹，导致无人驾驶汽车主动避碰算法、道路行人图像信息和位置信息存在缺陷的问题通过车载传感器获取道路行人的行为特征，基于卷积神经网络识别道路行人的行为特征，分析其步行意图。使用卡尔曼滤波算法得到状态估计的预测值，结合行人主观意图进行修正，输出符合行人主观意图的预测轨迹。通过行人车辆交叉口的特征，建立不同行人轨迹类别的估计安全距离模型，并基于道路对行人轨迹进行预测，结果表明当行人行为特征发生变化时，基于行为特征的行人轨迹预测算法分析可以提前预测行人轨迹变化，有效保证道路行人的安全。

4、该算法基于对行人轨迹位置点的连续预测，结合行人步行意图，预测动态系统的最优状态，得到符合行人主观意图的最优轨迹，提供实时有效的行人行人主动避碰算法的轨迹信息。 分析人车混合环境下的交通事故风险，根据人车交叉点建立估计的安全距离模型。测试结果表明，所提出的行人主动避碰算法能够有效保证道路行人的安全，能够保证制动减速过程的平稳性和交通流的平稳性。

❽ 导航软件是如何精准报告路况的，你知道工作原理吗

任何一款导航软件要定位用户手机的位置，无非有两种主要方式，一是卫星定位，即GPS系统或者北斗系统；二是基站定位，即LBS定位。此外，AGPS和WIFI也可以参与其中，但这两种是辅助作用。

第一，不是精确，地图软件采用导航等APP获得行驶车辆的数据，然后利用大数据进行分析，比如浮动车算法，这些算法已经有10多年的开发了，所以相对而言比较成熟。

比如说，很多导航软件都会通过多元数据池和强大的AI计算能力构成服务平台，实时跟踪道路情况和交通情况，以小时甚至分钟为单位对实时路况进行更新，并推送至用户的系统软件中，尽可能减少因技术问题而产生的路况延迟报告，提高路况报道的精准性。

现在市面上各类导航软件越来越多，而这些软件想要从强大的竞争市场中脱颖而出，最为关键的就是一个“准”字。技术能力的强弱直接决定了导航软件所能够达到的高度。