多源数据融合的城市道路交通状态实时判别方法研究

发布时间：2017-10-24 07:19

  本文关键词：多源数据融合的城市道路交通状态实时判别方法研究

  更多相关文章： 城市道路 交通状态判别 异常数据 累积直方图模型 云模型

【摘要】：随着城市道路交通需求量的快速增长以及道路网络结构的逐渐成熟,由城市道路交通时空资源供需不均衡引起的交通拥挤越来越严重。交通高峰期的持续时间不断延长,拥堵范围也从局部向区域扩展,交通拥堵已经逐渐转变为常态化交通现象,不但严重降低了道路运行效率,而且影响了交通通行的安全性,因此,及时准确地检测出城市交通中存在的常发性拥挤已经逐步成为动态交通管理监控的重要内容之一。然而,受到目前交通状态判别方法在参数选取及交通状态判别方法等方面的限制,充分利用交通系统时空资源的交通状态实时判别及预测还存在提升空间。因此,为了进一步提高交通状态监测效果,本文改进了原有交通参数预测模型,设计了交通参数可用性标准的权重分配模型,并以此为基础运用云模型判别道路交通运行状态,本文研究内容主要为如下五部分。第一部分,通过分析交通动态数据获取技术,总结了目前用于数据集中异常数据检测的常见方法,利用简单插值法及构建灰色GM(1,N)模型修复检测设备获取的交通异常数据;第二部分,针对现有行程时间计算模型存在忽略交叉口不同出口转向交通运行状况不均衡性的特点,提出交叉口上、下游出口转向概念,通过融合检测器及探测车数据设计了优化的累积直方图模型,新模型依据计算出的交叉口不同出口转向的行程时间可以有效地判断路口各个方向交通是否处于交通饱和状态;第三部分,针对目标路段交通流量会受到其上下游路段交通流影响的强时空特性,提出了基于卡尔曼滤波的交通流量计算模型,通过将观测信息和变量状态转移规律进行联合,能够得到交通流量的最优估计;第四部分,鉴于交通状态存在的模糊性和不确定性,本文选取正态云模型进行交通状态刻画,通过隶属度函数对模糊事物进行描画,实现交通状态的定性定量转换;第五部分,基于前文研究基础,将目标路段分时段运用云模型进行交通状态判别,通过对比实际交通状态验证模型的实用性。
【关键词】：城市道路 交通状态判别 异常数据 累积直方图模型 云模型
【学位授予单位】：青岛理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491
【目录】：

• 摘要9-10
• ABSTRACT10-12
• 第1章 绪论12-23
• 1.1 研究背景及意义12-13
• 1.2 国内外研究现状13-21
• 1.2.1 道路交通数据获取及预处理研究现状13-15
• 1.2.2 道路交通参数预测研究现状15-18
• 1.2.3 道路交通状态判别研究现状18-21
• 1.3 研究内容及技术路线21-22
• 1.4 本章小结22-23
• 第2章 交通数据获取及其预处理23-39
• 2.1 动态交通数据采集24-29
• 2.1.1 固定点交通数据采集24-26
• 2.1.2 轨迹线交通数据采集26-29
• 2.1.3 大空间交通数据采集29
• 2.2 交通异常数据识别29-33
• 2.2.1 基于统计的方法29-30
• 2.2.2 基于距离的方法30-31
• 2.2.3 基于密度的方法31-32
• 2.2.4 基于偏差的方法32-33
• 2.3 交通异常数据修复33-37
• 2.3.1 简单插值的异常数据修复方法33-34
• 2.3.2 基于灰色GM(1,N)模型的异常数据修复方法34-37
• 2.4 交通数据滤波处理37-38
• 2.5 本章小结38-39
• 第3章 交通状态参数计算模型构建39-56
• 3.1 交通流参数及其特性39-41
• 3.2 交通状态参数的选择41-43
• 3.3 行程时间计算模型的构建43-50
• 3.3.1 行程时间研究基础43-44
• 3.3.2 行程时间特性分析44-45
• 3.3.3 行程时间累积直方图模型45-46
• 3.3.4 改进的行程时间累积直方图模型46-50
• 3.4 交通流量计算模型的构建50-55
• 3.4.1 交通流量时间特性51-52
• 3.4.2 交通流量空间特性52
• 3.4.3 基于卡尔曼滤波的交通流量计算52-55
• 3.5 本章小结55-56
• 第4章 基于云模型的交通状态判别56-71
• 4.1 交通状态的概念56-57
• 4.2 云模型简介57-62
• 4.2.1 云模型的定义57-59
• 4.2.2 云模型的数字特征59-60
• 4.2.3 正态云及其性质60-62
• 4.3 输入变量的选取62-65
• 4.4 指标权重的确定65-67
• 4.5 交通状态综合评价67-70
• 4.6 本章小结70-71
• 第5章 实例验证71-85
• 5.1 交通数据预处理72-74
• 5.2 行程时间短时预测74-79
• 5.3 交通流量短时预测79-80
• 5.4 基于云模型的交通状态判别80-84
• 5.5 本章小结84-85
• 第6章 结论与展望85-87
• 6.1 研究结论85-86
• 6.2 研究展望86-87
• 参考文献87-91
• 攻读硕士学位期间论文发表及科研情况91-92
• 致谢92

【参考文献】

中国期刊全文数据库 前10条

1 徐程;曲昭伟;陶鹏飞;金盛;;动态交通数据异常值的实时筛选与恢复方法[J];哈尔滨工程大学学报;2016年02期

2 曲腾姣;杨希锐;陈秀锋;陈文娇;曹俊业;万孟飞;;基于定点检测器的路段交通状态实时评价方法[J];青岛理工大学学报;2015年05期

3 李瑞敏;陈熙怡;;多源数据融合的道路旅行时间估计方法研究[J];公路交通科技;2014年02期

4 姜桂艳;王秋兰;李琦;;基于多时间尺度一步外推的短时交通参数多步预测方法[J];公路交通科技;2013年02期

5 王晨;樊小红;;基于特征加权的交通事件检测研究[J];微电子学与计算机;2012年10期

6 姜桂艳;牛世峰;李红伟;;动态交通数据质量评价方法研究[J];北京工业大学学报;2011年08期

7 杨兆升;高学英;;基于影响因素分类的路段行程时间融合研究[J];公路交通科技;2010年04期

8 段后利;李志恒;李力;张毅;尹胜超;;一种基于伪色彩图的网络交通状态观测分析方法[J];交通运输系统工程与信息;2009年04期

9 蒋锐;王均;;道路交通流数据检验与修复方法[J];交通与计算机;2006年06期

10 邵春福;赵熠;吴戈;;道路交通数据采集技术研究展望[J];现代交通技术;2006年06期

，

本文编号：1087673