城市动态路径诱导关键技术研究

发布时间：2017-11-02 17:18

  本文关键词：城市动态路径诱导关键技术研究

  更多相关文章： 智能交通 简化路网模型 行程时间短时预测 动态最短路径算法

【摘要】：城市动态路径诱导系统作为缓解城市内部交通拥堵的有效途径之一,通过诱导信息给予出行人路径诱导建议,宏观上可以均衡路网流量,使路网的通行能力达到最大；微观上可以缩短出行费用和时间,实现交通设施运行效率的最大化。路径诱导的核心是最短路径的选择问题,不同的驾驶员对路径的选择有着各自的偏好,其中大部分驾驶员在出行中最关注的是行程时间。作为描述城市交通网络状态的重要参数——路段的行程时间即车辆通过某一路段所需的总时间,不仅能够客观地标明通行时长,还能直观地反映出道路的实际拥堵状态。基于上述分析,本文以路段行程时间为研究目标,对城市动态路径诱导系统的部分关键技术——路网模型抽象、行程时间短时预测、动态最短路径算法进行深入研究。论文的主要研究工作如下：1、首先,本文在满足实际导航需求的前提条件下,重点研究了如何降低路网模型的复杂度。研究提出了面向城市交通的简化路网系列模型,该系列模型仅要求采集相对较少的行程时间数据,却能间接地反映出城市交通的真实特性(交叉口内不同转向延误、路段通行速度、红绿灯和斑马线等复杂因素)对路段行程时间的影响,简单实用。2、继而,在上述简化路网系列模型的基础上,研究了基于车牌图像识别的行程时间采集方法,并对其关键技术——车牌识别算法进行了深入研究,对后期城市动态路径诱导系统的全面应用具有参考价值。同时研究了基于VISSIM微观仿真的行程时间采集方法,并依据真实路段信息进行建模,获取后续研究所需的路段行程时间等其它交通数据。3、其次,针对简化路网模型条件下行程时间的数据特点,研究了基于支持向量机回归的行程时间短时预测模型,并通过VISSIM仿真数据验证了预测模型的有效性和准确性。4、最后,提出了路段动态行程时间权值的计算公式,并对现有的静态最短路径算法进行了改进,提出了动态最短路径算法。该算法考虑了动态变化的交通信息对行程时间的影响,据此产生的诱导路径也更加符合实际需求。通过Visual Studio编译开发工具验证了算法的可行性和有效性。本文所研究的城市动态路径诱导部分关键理论与技术,对满足城市动态路径诱导的实际需求、缓解城市交通拥堵、提高出行效率具有一定的学术和应用参考价值。
【关键词】：智能交通 简化路网模型 行程时间短时预测 动态最短路径算法
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-16
• 1.1 研究背景与意义10-11
• 1.2 国内外研究现状11-13
• 1.3 论文研究内容13-14
• 1.4 论文组织结构14-16
• 第二章 面向城市交通真实特性的简化路网模型16-28
• 2.1 简化静态路网模型的描述16-22
• 2.1.1 常见路网模型及其特点16-17
• 2.1.2 简化静态路网的提出17-22
• 2.2 简化动态路网模型的描述22-27
• 2.2.1 基于时段划分的动态路网模型23-26
• 2.2.2 基于行程时间短时预测的动态路网模型26-27
• 2.3 本章小结27-28
• 第三章 面向简化路网模型的行程时间采集方法28-40
• 3.1 基于车牌图像识别的行程时间采集方法28-35
• 3.1.1 车牌预处理30-32
• 3.1.2 字符分割32-33
• 3.1.3 归一化处理33
• 3.1.4 特征提取33-34
• 3.1.5 支持向量机训练34-35
• 3.1.6 车牌识别35
• 3.2 基于VISSIM微观仿真的行程时间采集方法35-38
• 3.3 本章小结38-40
• 第四章 行程时间短时预测模型40-56
• 4.1 常用的行程时间预测方法40-44
• 4.1.1 历史趋势法40-41
• 4.1.2 时间序列模型41
• 4.1.3 卡尔曼滤波41-42
• 4.1.4 多元回归(非参数回归)42
• 4.1.5 仿真模型42-43
• 4.1.6 神经网络法43-44
• 4.2 支持向量机理论概述44-49
• 4.2.1 线性支持向量机回归46-47
• 4.2.2 非线性支持向量机回归47-48
• 4.2.3 支持向量机回归的实现48-49
• 4.3 行程时间短时预测的支持向量机回归模型49-55
• 4.3.1 预测模型建立49-50
• 4.3.2 核函数的选择、模型结构和参数寻优50-52
• 4.3.3 实例分析52-55
• 4.4 本章小结55-56
• 第五章 动态最短路径算法56-72
• 5.1 路径诱导原理56
• 5.2 图论及其相关概念56-57
• 5.3 经典最短路径算法概述57-62
• 5.3.1 Dijkstra算法57-58
• 5.3.2 Floyd算法58
• 5.3.3 A~*算法58-59
• 5.3.4 分层搜索算法59-60
• 5.3.5 遗传算法60
• 5.3.6 算法比较60-62
• 5.4 动态最短路径算法62-65
• 5.4.1 动态行程时间的表示62
• 5.4.2 路段动态行程时间权值确定方法62-64
• 5.4.3 基于改进Dijkstra的动态最短路径算法64-65
• 5.5 实例验证65-70
• 5.6 本章小结70-72
• 第六章 总结与展望72-74
• 致谢74-76
• 参考文献76-80
• 附录80-88
• 作者简介及在研期间研究成果88

【参考文献】

中国期刊全文数据库 前10条

1 赵冲;贺春林;;基于DA*算法的路径诱导优化研究[J];武汉理工大学学报(信息与管理工程版);2015年04期

2 刘欣;王非;;两种GPU上改进的最短路径算法[J];计算机应用研究;2014年05期

3 李皓天;李俊明;;谈幸福指数没有共同的依据标准[J];青年与社会;2014年03期

4 钱红f;葛文锋;钟鸣;葛铭;;基于分层的改进A算法在路径规划中的应用[J];计算机工程与应用;2014年07期

5 任然;靳文舟;巫威眺;;基于多属性决策的最优路径选择模型[J];交通信息与安全;2013年02期

6 胡萍;马祖军;;实时换乘信息提示下基于乘客偏好的线路选择[J];交通运输系统工程与信息;2013年01期

7 张春辉;宋瑞;孙杨;;基于卡尔曼滤波的公交站点短时客流预测[J];交通运输系统工程与信息;2011年04期

8 高峰;王明哲;;诱导信息下的路径选择行为模型[J];交通运输系统工程与信息;2010年06期

9 欧阳俊;陆锋;刘兴权;段滢滢;;基于多核混合支持向量机的城市短时交通预测[J];中国图象图形学报;2010年11期

10 葛艳;王健;孟友新;江峰;;车辆导航动态路径规划的研究进展[J];公路交通科技;2010年11期

，

本文编号：1132429