城市道路交通网络动态特征分析关键技术研究

发布时间：2020-09-15 07:24

　　随着智慧城市的建设发展,大量交通相关的数据不断产生,逐步从数据维度描述着城市交通的变化。结合先进的分析技术剖析这些交通数据,可以从中获取交通状态趋势和规律模式。由现阶段的发展来看,交通数据的分析技术可有效地提高智能交通系统的服务水平。因此,如何透过交通数据认知和分析城市交通网络动态特征,已经成为现代智能交通领域的重要课题。实际城市道路交通网络的数据由每个路段及交叉口产生的交通检测数据组成,从整体上看,数据信息的变化体现着整个路网各个组成元素间交通状态的相互牵制;从局部上看,数据信息的变化体现着路网组成元素上交通状态的时变规律。每个交通数据都是交通网络信息的基本元素,均具有时间和空间的属性。因此,本文以交通数据模型为出发点,从数据模型中提取不同数据对象进行交通特征层面的技术分析,应用集成学习、复杂网络和深度学习理论解决城市交通网络动态特征分析的关键问题。主要研究内容如下:(1)城市交通网络动态特征分析技术框架本研究的核心是城市道路交通网络,根据检测数据的空间特性确定城市交通网络结构模型。在考虑交通数据时空属性的基础上,提出基于网络结构和时序关系的交通数据张量描述。根据数据模型中提取的不同对象(包括数据元素、纤维和张量)进行交通特征层面的技术分层,包括离散交通数据预处理层、时序交通数据分析层和时空交通数据预测层,从而确定了城市交通网络动态特征分析的技术框架。(2)基于多检测源的离散交通数据预处理离散交通数据预处理层主要针对交通数据张量的元素数据,为实现固定检测器采集数据的预处理,提出了基于优化随机森林的多源检测数据校验方法和基于滤波估计的多源检测数据融合方法。为识别交通检测数据中的离群数据,加强训练集采样中相应样本的感知权重,引入决策树关联机制优化随机森林,实现针对多源检测数据的校验。选取多组实际示范区检测数据进行模型验证,并与同类方法进行对比分析。结合实际交通数据的多源性,利用多检测源数据联合估计的方法获取融合交通数据。采用校验筛查后的实例数据验证融合模型,验证表明预处理方法可为后续时序分析提供可靠的交通数据。(3)基于复杂网络的路段时序交通数据特征分析时序交通数据分析层主要针对交通数据张量提取的纤维数据,为实现交通时序数据的状态特征分析,应用相空间重构方法和可视图方法解析交通流动力学特性的信息空间。通过构建相空间重构的交通流时间序列网络,获取对应网络结构的模块化、平均聚类系数和度分布等结构特征。分析不同参量的实例交通流时间序列网络表明网络的度分布具有高斯分布特征,平均聚类系数具有衰减特征,且结构模块化较高。考虑交通流时间序列具有交通状态差异性,提出分解不同状态下的交通流时间序列构建复杂网络的方法。利用CLARA算法对交通状态进行划分,并采用多参量矩阵叠加的方式获取交通流时间序列的网络邻接矩阵。分析实例交通流时间序列的网络结构在不同状态下的模式,挖掘交通状态变化与时间序列网络结构的可视化关系。(4)基于深度学习的网络时空交通拥堵态势预测时空交通数据预测层主要针对时空交通数据张量,为实现交通网络时空拥堵态势预测,提出基于GRU-CNN的时空交通拥堵状态预测方法。考虑到交通数据的时间属性和空间属性,对交通数据三阶张量从时间域角度提取管纤维,利用GRU对其进行交通网络的交通流参量预测;然后,从空间结构角度将多源时空交通数据三阶张量压缩为交通数据图像,利用CNN的图像特征提取技术对其进行拥堵特征提取和识别。选取实际城市交通网络数据进行模型验证,采用实际已分类数据集训练交通流多步预测模型和交通拥堵状态识别模型,验证结果表明模型可有效保证预测的精度,并可利用预测值对网络态势进行有效识别。
【学位单位】：吉林大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：U495

【相似文献】