基于多维多尺度数据的交通速度预测模型研究

发布时间：2017-04-11 09:18

  本文关键词：基于多维多尺度数据的交通速度预测模型研究，由笔耕文化传播整理发布。

【摘要】：随着我国国民经济的快速发展,交通问题凸显,也引发了交通拥堵、交通事故、空气污染等社会问题。为了缓解城市道路的拥挤问题,智能交通系统应运而生,通过合理调控交通负荷,保证交通安全高效的运行。而智能交通系统中,交通速度预测是实现交通信号控制、交通诱导等关键应用的先决条件。当前,城市内出租车普遍安装了车载GPS装置,向以数据为驱动的智能交通系统提供全天候、大范围的时空信息。由于出租车是一种城市内居民出行的重要交通方式,能够更客观地体现交通状况,所以出租车GPS数据越发受到研究机构的重视,许多学者从海量的GPS数据出发,通过分析和挖掘数据中所蕴含的潜力和价值,为交通速度预测开辟了新途径。但是,已有工作对长时间尺度预测效果不佳,尤其当一些随机事件发生时(如恶劣天气、节假日等),预测精度将大大降低。因此,本文基于杭州市88000多条出租车GPS数据,结合天气、特殊时间等影响交通动态的随机因素,分析了交通速度数据在多个时间尺度的相关性以及不同随机事件对交通速度的影响,提出了一套融合多时间尺度历史数据和多维度随机因素的混杂交通速度预测建模框架。首先,本文搭建了数据分析平台,该平台利用Hadoop分布式计算框架,实现高效的海量GPS数据预处理。接着,基于该平台,本文计算得到了每个路段每小时的平均速度,并将其作为时间序列数据进行相关性分析,结果发现以小时和以天为周期的交通数据均存在一定规律特征；除此之外,本文也分析了天气、特殊时间等随机因素对交通速度的影响。进而,本文提出了基于系统辨识方法的多维多尺度交通速度预测建模框架,框架中包含了一个系统迭代辨识算法用于计算模型的阶次和参数,从而实现了将多个时间尺度的交通速度与天气、特殊时间等多维度随机因素作为系统输入,对交通速度进行建模与预测。最后,基于交通速度历史数据、天气数据和特殊时间数据,本文分别评估了各个维度的数据对模型的影响,结果发现考虑多个时间尺度的历史数据能够有效提高长时间尺度下的预测效果；而且,考虑随机因素对模型精度也有显著提升；此外,对比常用于交通速度预测的机器学习方法——支持向量回归,基于同等的先验知识,本文的算法具有更高的精度。
【关键词】：交通速度预测 相关性分析 大数据处理 出租车GPS数据 系统辨识
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14
【目录】：

• 致谢4-6
• 摘要6-7
• Abstract7-14
• 1 绪论14-24
• 1.1 研究背景及意义14-18
• 1.1.1 交通拥堵问题的现状及智能交通发展趋势14-15
• 1.1.2 多维多尺度数据挖掘15-18
• 1.2 相关研究及研究现状18-22
• 1.2.1 时间序列数据相关性建模18-19
• 1.2.2 交通预测相关研究19-22
• 1.3 本文工作和章节安排22-23
• 1.4 本章小结23-24
• 2 出租车GPS数据分析平台的搭建24-36
• 2.1 多维数据介绍24-26
• 2.1.1 交通数据集24-25
• 2.1.2 天气数据集25
• 2.1.3 特殊时间数据集25-26
• 2.2 大数据分布式处理集群的搭建26-28
• 2.3 数据预处理28-35
• 2.3.1 交通数据预处理28-32
• 2.3.2 其他数据预处理32-35
• 2.4 本章小结35-36
• 3 数据相关性分析36-44
• 3.1 交通速度历史数据相关性分析36-41
• 3.1.1 以小时为周期的交通数据相关性分析36-38
• 3.1.2 以天为周期的交通数据相关性分析38-41
• 3.2 其他数据集与交通速度的相关性分析41-43
• 3.2.1 天气与交通速度的相关性分析42
• 3.2.2 特殊时间与交通速度的相关性分析42-43
• 3.3 本章小结43-44
• 4 基于多维多尺度数据的交通速度动态预测模型44-64
• 4.1 问题描述44-45
• 4.2 系统辨识简介45-47
• 4.3 基于系统辨识的交通速度预测模型47-50
• 4.3.1 模型的基本结构47-48
• 4.3.2 模型的阶次和参数48-49
• 4.3.3 模型的在线辨识49-50
• 4.4 模型性能评估50-59
• 4.4.1 数据集设置50-51
• 4.4.2 评价标准51
• 4.4.3 模型参数分析51-53
• 4.4.4 交通速度预测结果53-54
• 4.4.5 多时间尺度对模型精度的影响54-56
• 4.4.6 随机因素对模型精度的影响56-59
• 4.5 用支持向量回归做交通速度预测59-61
• 4.5.1 支持向量回归方法介绍59-61
• 4.6 本章小结61-64
• 5 总结与展望64-68
• 5.1 本文工作总结64-65
• 5.2 研究工作展望65-68
• 参考文献68-72
• 发表文章目录72

【参考文献】

中国期刊全文数据库 前2条

1 姜健健;;2009福田指数——中国居民机动性指数发布[J];市场研究;2010年02期

2 刘利花;张金喜;;高速公路不良天气交通事故分析[J];道路交通与安全;2006年08期

中国博士学位论文全文数据库 前2条

1 李琦;基于多源数据的交通状态监测与预测方法研究[D];吉林大学;2013年

2 邓中伟;面向交通服务的多源移动轨迹数据挖掘与多尺度居民活动的知识发现[D];华东师范大学;2012年

  本文关键词：基于多维多尺度数据的交通速度预测模型研究，，由笔耕文化传播整理发布。

本文编号：298794