基于文献计量的动态交通流研究

doi:10.3969/j.issn.1674-0696.2020.08.05

摘要/Abstract

摘要： 动态交通流的相关研究关系到智能交通的发展。为了更系统地了解我国有关动态交通流研究的状况，运用文献计量法的相关技术以及文献分析可视化软件CiteSpace，对中国知网从1990年到2018年10月份收录的146篇有关动态交通流研究的核心来源期刊、EI来源期刊以及SCI来源期刊，分别从期刊发表总趋势、期刊来源分布、研究机构分布、基金分布以及关键词共现网络来进行分析。研究发现，与动态交通流有关的研究从20世纪90年代开始总体上呈逐年上升趋势，近年来趋于稳定；期刊的来源分布较广，但分布不均匀；研究机构单一，几乎都是国内知名高校，缺少其他类型研究单位；基金项目多，但覆盖面不广，大多数都为国家级的基金项目；动态交通流的研究模型和应用领域分别以元胞传输模型和交叉口信号控制为主。总体来说，我国动态交通流的研究还没有形成一个核心的研究机构且研究深度还不够深。最后，建议研究者们更深入地研究深度学习算法，从智能模型算法方面来研究与动态交通流相关的问题，形成有核心的研究群体，为智能交通打下坚实的基础。

关键词: 交通工程, 文献计量法, 动态交通流, 关键词共现网络, 智能交通

Abstract: Research on dynamic traffic flow is related to the development of intelligent transportation. In order to more systematically understand the status of dynamic traffic flow research in China, the relevant technology of bibliometrics and the literature analysis visualization software CiteSpace were used to analyze 146 core source journals, EI source journals and SCI source journals about dynamic traffic flow research collected by CNKI from 1990 to October 2018, respectively from the general trend of journal publication, journal source distribution, research institutions distribution, fund distribution and keyword co-occurrence network. The study finds that the research related to dynamic traffic flow has been increasing year by year since the 1990s, and has stabilized in recent years. The sources of journals are widely distributed, but the distribution is uneven. The research institutions are single, almost all of them are well-known universities in China, lacking other types of research units. There are many fund projects, but the coverage is not wide, most of them are national-level fund projects. The research models and application fields of dynamic traffic flow are mainly based on cell transmission model and intersection signal control. Generally speaking, the research on dynamic traffic flow in China has not formed a core research institution, and the research depth is not deep enough. Finally, it is suggested that researchers should study the deep learning algorithm more deeply and study the problems related to dynamic traffic flow from the aspect of intelligent model algorithm, so as to form a core research group and lay a solid foundation for ITS.

Key words: traffic engineering, bibliometrics, dynamic traffic flow, keyword co-occurrence network, intelligent transportation

中图分类号:

U491.1+12

刘伟，刘川. 基于文献计量的动态交通流研究[J]. 重庆交通大学学报（自然科学版）, 2020, 39(08): 29-35.

LIU Wei, LIU Chuan. Dynamic Traffic Flow Based on Bibliometrics[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(08): 29-35.

参考文献

［1］韩印, 邢冰, 姚佼, 等. 混合交通流条件下区域交通信号控制优化模型［J］.交通运输工程学报,2015,15(1):119-126.
HAN Yin, XING Bing, YAO Jiao, et al. Regional traffic signal control optimization model under mixed traffic flow conditions ［J］. Journal of Traffic and
Transportation Engineering, 2015, 15(1): 119-126.
［2］陈新忠, 张亮. 我国研究生教育质量研究的轨迹、现状及热点——基于1986—2016年CNKI期刊的文献计量与内容分析［J］.现代教育管理,2018(6):118-123.
CHEN Xinzhong, ZHANG Liang. Track, current situation and hot spots of research on postgraduate education quality in China—Based on the bibliometrics and content
analysis of CNKI journals from 1986 to 2016 ［J］. Modern Education Management, 2018 (6): 118-123.
［3］马君, 刘小冬, 孟颖. 基于神经网络的城市交通流预测研究［J］.电子学报,2009,37(5):1092-1094.
MA Jun，LIU Xiaodong，MENG Ying. Research on urban traffic flow prediction based on neural network ［J］. Acta Electronica Sinica, 2009, 37(5): 1092-1094.
［4］赵亚伟, 陈艳晶, 管伟. 基于多维时间序列的ETC短时交通流量预测模型［J］. 交通运输系统工程与信息, 2016, 16(4):191-198.
ZHAO Yawei, CHEN Yanjing, GUAN Wei. ETC short-term traffic flow prediction model based on multi-dimensional time series ［J］. Transportation System Engineering
and Information, 2016, 16(4): 191-198.
［5］ KUMAR S V. Traffic flow prediction using Kalman filtering technique ［J］. Procedia Engineering, 2017, 187:582-587.
［6］杨高飞, 徐睿, 秦鸣, 等. 基于ARMA和卡尔曼滤波的短时交通预测［J］. 郑州大学学报(工学版), 2017, 38(2):36-40.
YANG Gaofei, XU Rui, QIN Ming, et al. Short-term traffic prediction based on ARMA and Kalman filtering ［J］. Journal of Zhengzhou University (Engineering Science
Edition), 2017, 38(2):36-40.
［7］王春安. Hadoop环境下基于神经网络的交通流预测方法研究［D］. 北京:北京交通大学,2017.
WANG Chunan. Research on Traffic Flow Prediction Method Based on Neural Network in Hadoop Environment ［D］. Beijing: Beijing Jiaotong University，2017.
［8］ IBAI LAA，JAVIER DEL SER，MANUEL VLEZ，et al. Joint Feature Selection and Parameter Tuning for Short-Term Traffic Flow Forecasting Based on
Heuristically Optimized Multi-Layer Neural Networks［M］∥ Harmony Search Algorithm，2017.［8］ TIAN Yan, ZHANG Kaili, LI Jianyan, et al. LSTM-based traffic
flow prediction with missing data ［J］. Neurocomputing, 2018, 318:297-305.
［9］ POLSON N G, SOKOLOV V O. Deep learning for short-term traffic flow prediction ［J］. Transportation Research Part C: Emerging Technologies, 2017, 79:1-17.
［10］梁艳平, 毛政元, 邹为彬, 等. 基于相似数据聚合与变K值KNN的短时交通流量预测［J］. 地球信息科学学报, 2018, 20(10):1403-1411.
LIANG Yanping, MAO Zhengyuan, ZOU Weibin, et al. Short-term traffic flow prediction based on similar data aggregation and variable K value KNN ［J］. Journal of
Earth Information Science, 2018, 20(10):1403-1411.
［11］刘诗序, 陈文思, 池其源, 等. 弹性需求下的网络交通流逐日动态演化［J］.物理学报,2017,66(6):12-26.
LIU Shixu, CHEN Wensi, CHI Qiyuan, et al. Dynamic evolution of network traffic flow under elastic demand ［J］. Acta Physica Sinica, 2017, 66(6): 12-26.
［12］邱均平, 苏金燕, 熊尊妍. 基于文献计量的国内外信息资源管理研究比较分析［J］. 中国图书馆学报,2008,34(5):37-45.
QIU Junping, SU Jinyan, XIONG Zunyan. A comparative analysis of information resource management research at home and abroad based on bibliometrics ［J］. Journal
of Library Science in China, 2008, 34(5): 37-45.
［13］王秋平, 王中芳, 赵硕. 动态交通流分配模型［J］. 长安大学学报(自然科学版), 2011,31(2):81-85.
WANG Qiuping, WANG Zhongfang, ZHAO Shuo. Dynamic traffic flow distribution model ［J］. Journal of Chang 'an University (Natural Science Edition), 2011, 31(2): 81
-85.
［14］姚凯斌, 林培群.一种考虑交叉口因素的改进元胞传输模型［J］.交通运输系统工程与信息,2017,17(3):105-111.
YAO Kaibin, LIN Peiqun. An improved cellular transmission model considering intersection factors ［J］. Transportation System Engineering and Information, 2017,
17(3): 105-111.
［15］张敬磊, 王晓原, 马立云, 等. .基于动态贝叶斯网络的交通流状态辨识方法［J］. 北京理工大学学报,2014,34(1):45-49.
ZHANG Jinglei, WANG Xiaoyuan, MA Liyun, et al. Traffic flow identification method based on dynamic Bayesian network ［J］. Journal of Beijing University of
Technology, 2014, 34 (1): 45-49.
［16］吴立烜, 黄中祥, 王玉兰, 等. 一种拥挤数量调节的非均衡网络交通流动态演化模型［J］.交通运输工程学报,2018,18(3):167-179.
WU Lixuan, HUANG Zhongxiang, WANG Yulan，et al. A dynamic evolution model of traffic flow in an unbalanced network with congestion quantity regulation ［J］.
Journal of Transportation Engineer-ing, 2018, 18(3): 167-179.
［17］蒋贤才, 于晨. 信号交叉口不对称交通流的优化控制方法［J］. 交通运输系统工程与信息,2018,18(6):48-54.
JIANG Xiancai, YU Chen. Optimal control method of asymmetric traffic flow at signalized intersection ［J］. Transportation System Engineering and Information,
2018, 18(6): 48-54.
［18］张伟, 周俊杰, 胡灵龙. 城市混合交通流单点自适应控制方法［J］. 浙江工业大学学报,2018,46(1):72-77.
ZHANG Wei, ZHOU Junjie, HU Linglong. Single-point adaptive control method for urban mixed traffic flow ［J］. Journal of Zhejiang University of Technology, 2018,
46(1): 72-77.
［19］龙建成, 高自友, 任华玲. 城市网络交通动态信号控制方法［J］.中国公路学报,2009,22(4):108-114+121.
LONG Jiancheng, GAO Ziyou, REN Hualing. Urban network traffic dynamic signal control method ［J］. Journal of China Highway, 2009, 22(4): 108-114+121.
［20］蒋鑫，洪明. 国际教育大数据研究的热点、前沿和趋势——基于WOS数据库的量化分析［J］. 中国远程教育，2019(2):26-38.
JIANG Xin, HONG Ming. Hot spot, frontier and trend of international education big data research—Quantitative analysis based on WOS database ［J］. China Distance
Education, 2019 (2): 26-38.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[3]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[4]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[5]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[6]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[7]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[8]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[9]	曹杰1，王大成2，戴冉1，李红2，黄富程1. 基于改进物元法的智慧港口发展水平评价模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 59-65.
[10]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[11]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[12]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[13]	成卫1，刘翔1，雷建明2. 基于RBF神经网络预测的交叉口信号周期时长优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 13-18.
[14]	史天亮，王文光. 信息观和粒子群算法在城市交通拥堵中的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 19-25.
[15]	贺玉龙1,2，刘磊1,2，迟佳欣1,2. 高速公路车辆换道行为风险研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 26-33.