城市道路旅行时间预测研究

发布时间：2021-01-02 16:42

　　道路旅行时间能够直观地反映路段的交通拥堵状态,它是发展智能交通系统的重要基础。实时地预测各关键路段的旅行时间,不仅有助于交通管理部门针对某些潜在拥堵的路段采取交通管制,也可以为行人提供实时的路况信息以及制定最佳出行计划。在交通网络初具规模的今天,利用数据驱动的方法构建智慧交通是目前缓解和预防交通拥堵的主要手段。由于道路旅行时间受诸多环境因素的影响,如何利用交通历史数据集准确且实时地预测各路段的旅行时间,是研究智能交通系统的一个难点。现有的预测算法中要么使用的预测模型过于简单,不能充分结合路网的时空特性提取关键的特征,要么建立的模型在预测的实时性方面受到了限制。考虑到这些问题,本文将选用一种基于回归树的集成算法——随机森林,作为城市道路旅行时间的预测方法。因为随机森林算法更能适应路网的不确定性和复杂性,该算法具有很强的抗干扰能力,算法的预测性能不会受异常值和缺失值的影响,而且模型的训练时间短,比较适合实时性较强的预测场景。论文的研究内容主要包括三部分:首先,采用最大相关最小冗余算法（mRMR）为预测模型选择特征,该算法通过减少或消除冗余的特征来提升预测模型的性能。其次,在构建预测模型时将... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

DBSCAN原理图

重庆邮电大学硕士学位论文 第 3 章 构建道路旅行时间的预测模型进行有放回的抽样，并选取样本数据进行回归树的训练，在构造特征子空间时引入最大相关最小冗余(mRMR)算法降低或消除特征子空间中的冗余特征的影响；在算法决策过程中，整合基于密度聚类算法的回归树模型(DB-CART)的预测结果，即采用密度聚类算法(DBSCAN)处理每棵回归树(CART)中叶子节点的数据，然后使用加权的欧式距离在叶子节点中找到与测试样本最相似的类簇，计算簇中样本的均值作为当前回归树的预测结果，最后整合每棵树的预测结果，求其均值作为随机森林的预测结果。训D1

(http://www.tianqi.com)爬取贵阳市3月表如下：性字段有路段的标识 ID（脱敏数据）、次干道）。表 4.1 路段属性表长 宽 14 55（米） 12（米） 4 846（米） 9（米） 关系表段有当前路段 ID、直接上游路段 ID 以路的上下游关系，可以抽象出路网的

【参考文献】：
期刊论文
[1]基于自适应密度聚类分析的雷电定位算法[J]. 李涛,张帅弛,张灿,任永珍.  科学技术与工程. 2018(36)
[2]基于CART决策树的冲压成形仿真数据挖掘[J]. 王伟,黄宇星,余鸿敏.  工程科学学报. 2018(11)
[3]人工智能在智能交通中的应用[J]. 李泽新.  科技传播. 2018(19)
[4]基于PCA-GBDT的城市道路旅行时间预测方法[J]. 张威威,李瑞敏,谢中教.  公路工程. 2017(06)
[5]基于改进A*算法的最优路径搜索[J]. 朱云虹,袁一.  计算机技术与发展. 2018(04)
[6]大数据中高速公路旅行时间预测仿真研究[J]. 刘伟铭,李松松.  计算机仿真. 2017(03)
[7]基于ARIMA和Kalman滤波的道路交通状态实时预测（英文）[J]. Dong-wei XU,Yong-dong WANG,Li-min JIA,Yong QIN,Hong-hui DONG.  Frontiers of Information Technology & Electronic Engineering. 2017(02)
[8]基于Kalman和ARIMA组合模型的路段行程时间预测[J]. 田甜,王秀玲,吕芳.  信息技术. 2016(03)
[9]基于K最近邻算法的高速公路短时行程时间预测[J]. 王翔,陈小鸿,杨祥妹.  中国公路学报. 2015(01)
[10]道路网上最短路径算法综述[J]. 张波良,张瑞昌,关佶红.  计算机应用与软件. 2014(10)

博士论文
[1]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014

硕士论文
[1]基于经验路径的路径规划系统[D]. 曹佳清.苏州大学 2018
[2]基于统计模型的城市道路交通旅行时间分析及预测方法研究[D]. 李朝.北方工业大学 2015
[3]基于蓝牙技术的城市道路短时旅行时间预测方法研究[D]. 王群.上海交通大学 2015
[4]基于数据驱动的路段旅行时间估计与预测研究[D]. 黄龙超.北京交通大学 2015



本文编号：2953271