面向多时段控制的长时交通流预测及分割点优化方法

发布时间：2020-11-19 23:28

　　 信号控制是保障交通流安全运行、缓解城市交通拥堵的重要措施之一,其控制模式可分为感应控制、自适应控制和定时控制。感应控制与自适应控制依据实时交通流数据动态优化控制方案,可以很好的适应交通需求的短时随机波动。定时控制,又称多时段控制(Time of Day,TOD)是根据交通流的变化规律将某一时间单元(通常指一天)划分为若干时段,进而以时段为基本元素优化信号控制方案。该类方法在中低饱和交通状态下具有很好的控制效果,且是任何信号控制系统所必须配置的默认方案,作为检测器损坏、数据传输故障时的降级控制方式。定时控制包括时段划分和信号方案优化两项工作,目前对于定时控制的信号方案优化已有很多研究成果。针对时段划分其传统方法多基于历史数据借助聚类手段完成,存在两大缺陷:一是聚类方法多忽略交通流参数的时间属性,最优的聚类结果无法保证时段划分结果的全局最优性;二是缺乏对交通流参数的精确预测,在待划分对象的真实数据与历史数据存在较大差异时出现划分方案与实际交通流数据的错误匹配。为弥补上述缺陷,本文分别针对长时交通流预测及时段划分开展研究工作。目前,长时交通流预测的相关研究很少,现有方法多借助直观影响因素(例周天)将历史数据进行模式分类,进而根据待划分对象的影响因素属性选择合适的历史数据,并借助统计分析方法完成预测。然而,交通流参数的模式是多重因素叠加作用的结果,包括周天、天气、季节、节假日等。本文首先解析交通流的周期特性,进而构建一种基于密度峰值聚类的模式分类方法及待划分对象的模式匹配方法,并借助神经网络搭建长时交通流预测架构。其次,本文解析了基于K-means聚类思想的时段划分方法所存在的技术缺陷,提出了两类基于过程优化的改进算法。进而考虑交通流参数的时间有序性,借助时间序列分割算法实现交通流参数的最优切换,并引用动态递归构建一种快速求解算法。最后,基于多个城市的实际交通流数据采用仿真手段验证本文方法的实际效果,结果表明:预测方法能够显著提升交通流参数的预测精度,时段划分方法可以有效提高交通流整体运行效率。
【学位单位】：浙江大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：U491.1
【部分图文】：

文构建一种时间序列的分割方法，解决一般聚类离散块过多、得不到最优分割等问??题。最终将算法结果通过仿真进行实验验证，最终按照交通参数中的延误时间与排??队长度，来验证算法的有效性。论文整体框架如图１．１所示。??本文具体章节内容以及各章节间联系如下：??第一章主要阐述了交通领域的发展现状，以及本课题的研究背景及意义。提出??时段划分对于交通信号控制的重要影响，提出交通流长时预测在时段划分中的重要??位置。从交通流预测与交通时段划分两方面总结了国内外发展现状，最后阐述了本??文的主要研究内容。??第二章是论文的核心部分之一。具体介绍了基于模式匹配的交通流长时预测模??型的具体结构。首先基于原始的交通流数据需要进行基本的预处理，包括损坏数据??与缺失数据的修复，数据格式整理等；接下来通过聚类将历史数据分成不同模式；??然后对于待预测数据进行模式匹配；最后用匹配出的模式中的数据进行基于神经网??络的预测。??第三章是论文的核心的第二部分。具体介绍了交通流时段划分方法，首先基于??常用方法Ｋ－ｍｅａｎｓ进行改进，提出了时序化Ｋ－ｍｅａｎｓ与最优化Ｋ－ｍｅａｎｓ，解决了聚类??９??

之间的最小距离，当子序列／的距离表值远远大于其他子序列的距离表值时，该??子序列应该考虑被选作为聚类中心。??当每条子序列的密度代与距离木被计算出来后，可得到如图２．１中图（ｂ）中的??决策图，图２．１中图（ａ）表示数据的二维分布。通过定义，聚类中心具有较高的密??度，聚类中心之间具有较高的距离这两条性质，可决定出聚类中心，如下图２．１中??图（ｂ）中“丨”号点与“１０”号点所示。如下图２．１中图（ａ）将时间序列数据转化??为２Ｄ平面结果图，每一个点代表一条子序列，相同颜色被聚为一类，分布可明显??看出数据被分为三类，其中黑色数据为离散点。??？?？?１０－?①??＠?０．３：?？??＠?？（Ｄ？?＠?？时?。６－?＠??＠?＠?。４：?｜??。。：＾＾｜麵發鑛??（２８）?Ｉ?＇?ｉ?＇?Ｉ?＇?Ｉ?＇?Ｉ?１?Ｉ?＇?Ｉ?１?Ｉ?１?！????０１２３４５６７８??Ｐ??（ａ）２Ｄ平面结果阁?（ｂ）聚类中心决策图??图２．１密度峰值聚类??利用密度值将非聚类中心序列进ｉ于分类：将毎１、非聚类中心子序列的密度值??按照从大到小的顺序进行排序，毎个子序列被分到一个具有较高密度值的最近相邻??子序列所在的类当中：通过界定类域边缘中的最高密度子序列来定义类域的边界子??１５??

之间的最小距离，当子序列／的距离表值远远大于其他子序列的距离表值时，该??子序列应该考虑被选作为聚类中心。??当每条子序列的密度代与距离木被计算出来后，可得到如图２．１中图（ｂ）中的??决策图，图２．１中图（ａ）表示数据的二维分布。通过定义，聚类中心具有较高的密??度，聚类中心之间具有较高的距离这两条性质，可决定出聚类中心，如下图２．１中??图（ｂ）中“丨”号点与“１０”号点所示。如下图２．１中图（ａ）将时间序列数据转化??为２Ｄ平面结果图，每一个点代表一条子序列，相同颜色被聚为一类，分布可明显??看出数据被分为三类，其中黑色数据为离散点。??？?？?１０－?①??＠?０．３：?？??＠?？（Ｄ？?＠?？时?。６－?＠??＠?＠?。４：?｜??。。：＾＾｜麵發鑛??（２８）?Ｉ?＇?ｉ?＇?Ｉ?＇?Ｉ?＇?Ｉ?１?Ｉ?＇?Ｉ?１?Ｉ?１?！????０１２３４５６７８??Ｐ??（ａ）２Ｄ平面结果阁?（ｂ）聚类中心决策图??图２．１密度峰值聚类??利用密度值将非聚类中心序列进ｉ于分类：将毎１、非聚类中心子序列的密度值??按照从大到小的顺序进行排序，毎个子序列被分到一个具有较高密度值的最近相邻??子序列所在的类当中：通过界定类域边缘中的最高密度子序列来定义类域的边界子??１５??
【参考文献】

相关期刊论文 前10条

1 林培群;卓福庆;姚凯斌;冉斌;徐建闽;;车联网环境下交叉口交通流微观控制模型及其求解与仿真[J];中国公路学报;2015年08期

2 赵伟明;王殿海;朱文韬;戴美伟;;基于改进NJW算法的交通控制时段划分[J];浙江大学学报(工学版);2014年12期

3 金玉婷;余立建;;基于小波神经网络的短时交通流预测[J];交通科技与经济;2014年01期

4 刘洋;马寿峰;;基于聚类分析的非参数回归短时交通流预测方法[J];交通信息与安全;2013年02期

5 苏巴提;张晓;;基于改进的K-means算法的异常检测[J];软件导刊;2011年11期

6 赵晓华;谈玲珑;胡敦利;;基于Sub_FCM聚类算法的交通流量段自动划分方法[J];北京工业大学学报;2011年08期

7 陈雪平;曾盛;胡刚;;基于BP神经网络的短时交通流预测[J];公路交通技术;2008年03期

8 孙湘海;刘潭秋;;基于SARIMA模型的城市道路短期交通流预测研究[J];公路交通科技;2008年01期

9 杨兆升;王媛;管青;;基于支持向量机方法的短时交通流量预测方法[J];吉林大学学报(工学版);2006年06期

10 周小鹏;冯奇;孙立军;;基于最近邻法的短时交通流预测[J];同济大学学报(自然科学版);2006年11期

相关硕士学位论文 前3条

1 谢凯兵;基于马尔可夫链组合模型的交通流量长时预测[D];北京交通大学;2017年

2 江超阳;基于二型模糊集合理论的交通流长时预测方法研究[D];北京交通大学;2016年

3 王春娥;基于数据融合的城市道路交通状态判别算法研究[D];吉林大学;2008年

本文编号：2890584