为提高城市主干路交通流平均行程时间的估计精度,根据路段上游检测器采集的截面流量,建立了3种BPR(bureau of public roads)修正模型,包括全状态累积流量BPR修正模型、分状态标定的BPR模型和分状态累积流量BPR修正模型.仿真结果表明:全状态累积流量BPR修正模型明显优于传统的BPR模型;分状态标定的BPR模型和分状态累积流量BPR修正模型可以进一步提高估计精度,且后者可将阻滞交通状态下的平均估计误差降低至8.05%.
提出了一种源自于人类认知思维模式的普遍适用的算法设计模型——M2M模型(Macro to Micro model)。M2M模型的数据结构用O(n)时间建成,并具备高度的并行性。针对交通网络的最优路径规划问题,提出了基于M2M模型的交通网络出行路径规划算法,将交通路网运用M2M模型分层分块,减少搜索区域,优化路径搜索速度。实验证明,相对于当前使用较多的Dijkstra及A*等经典算法,本算法在求解速度上有明显提高。
