基于模糊聚类的高速公路交通运行状态判别与决策模型研究

发布时间：2022-02-10 15:38

　　目前我国大多数的高速公路安装了不同规模的电视监控系统,不同规格的车辆检测器等数据采集设备,但是这些设备收集到的高速公路海量交通数据并没有充分的分析与利用,导致高速公路交通运行状态的判别分析,普遍停留人工判别的阶段。为此,本文在分析海量的交通数据特征的基础上,构建出适用特定高速公路的交通运行状态划分标准及实时判别决策模型。这对于提高高速公路的运营管理效率,具有重要的研究意义。首先,对交通运行状态指标及其相互关系进行分析,确定交通运行状态判别指标选取的原则,并结合现有数据采集技术的优缺点,确定交通运行状态判别所采用的指标。然后从检测器采集数据时的技术局限出发,给出了交通数据的故障识别与处理方法。并从时间序列趋势特征、相互影响特征、概率统计特征三个方面对交通数据特征进行分析。接着在分析现有国内外交通运行状态划分标准的基础上,提出了基于模糊聚类的交通运行状态划分思路,并采用模糊c均值（FCM）聚类算法对历史交通数据进行聚类分析;将得到的聚类中心作为划分标准依据,结合交通数据的特点,提出基于单指标判别与多指标综合判别方法,并进一步提出拥堵决策的二级报警模型及路段交通运行状态定性分析方法。针对FC... 

【文章来源】：华南理工大学广东省211工程院校985工程院校教育部直属院校

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

技术路线图

间距是指在同向行驶的车队中，前后相邻两车辆之间车头的距离。而两辆车车头通过同一断面的时间差。态指标相互关系分析量、速度与车流密度是表征交通流特性的三个基本指标。此三个指标之间均存在的一定的关系。 总体特征交通量、速度与密度之间的基本关系（图 2-1）为：QVKs 为平均交通流量（辆/h）；sV 为空间平均速度（km/h）；K 为车流密度（辆/km）。

驾证安全的情jK K时，表密度较高，，车辆基本在 C 点的左侧，流量随着车流密度的增大而增大，此时道路并不拥挤。在 C 点的右侧，流量随着密度的增大而减小，表明道路较为拥挤。AB、AC、AD 等矢径的斜率代表速度。该和同量流fV ：畅行速度；jK ：阻塞密度。选择标实质上有着一种映射关系。假设 A、B的任何元素组合，唯一对应 B 中某个元素：A→B。按照此定义，可以将交通运行状B，它们之间通过某种法则 f 对应。如图 2

【参考文献】：
期刊论文
[1]基于模糊C均值聚类的城市道路交通状态判别[J]. 李晓璐.  交通科技与经济. 2016(04)
[2]优化BPAdaBoost算法及其交通事件检测[J]. 刘庆华,丁文涛,涂娟娟,方守恩.  同济大学学报(自然科学版). 2015(12)
[3]高速公路交通状态判别模型研究[J]. 于泉,丰柱林,徐红领,任广丽.  交通运输工程与信息学报. 2015(02)
[4]基于模糊C均值聚类的城市道路交通状态判别[J]. 黄艳国,许伦辉,邝先验.  重庆交通大学学报(自然科学版). 2015(02)
[5]改进的二分K均值聚类算法[J]. 刘广聪,黄婷婷,陈海南.  计算机应用与软件. 2015(02)
[6]基于收费数据的高速公路交通状态判别方法[J]. 杨庆芳,马明辉,梁士栋,梅朵.  华南理工大学学报(自然科学版). 2014(12)
[7]《公路工程技术标准》（JTGB01-2014）新变化解读[J]. 李彦武,霍明.  中国公路. 2014(23)
[8]基于多SVM分类器融合的高速公路异常事件检测方法[J]. 吴晓佩.  现代交通技术. 2014(04)
[9]基于朴素贝叶斯分类的高速公路交通事件检测[J]. 张轮,杨文臣,刘拓,施奕骋.  同济大学学报(自然科学版). 2014(04)
[10]基于模糊聚类的城市快速路交通流状态划分[J]. 殷俊杰,丁宏飞,薄雾,钟媚.  重庆交通大学学报(自然科学版). 2013(04)

博士论文
[1]重庆市公共建筑能耗定额方法研究[D]. 李沁.重庆大学 2014
[2]基于非参数密度估计点样本分析建模的应用研究[D]. 牛君.山东大学 2007

硕士论文
[1]基于网络核密度估计城市路网事故黑点鉴别研究[D]. 陈金林.东南大学 2015
[2]基于模糊c均值的城市道路交通状态判别研究[D]. 顾超然.北京交通大学 2012
[3]基于FCM聚类的算法改进[D]. 宁绍芬.中国海洋大学 2007
[4]非参数密度估计在判别分析中的应用[D]. 朱干江.南京信息工程大学 2007



本文编号：3619093