基于出租车GPS数据的城市快速路交通状态识别与预测
发布时间：2021-07-06 19:57
交通拥堵不仅是交通管理者的难题,同时也是人们热议的话题。面对日益增加的车辆保有量、现有道路路网基本成型,想要从增加路段通行能力方面缓解交通拥堵已经是“天方夜谭”。快速准确地对交通状态进行识别、预测,成为缓解交通拥堵的重要手段。城市快速路作为城市路网的“骨干”部分,承担着城市很高比重的交通量。城市快速路的拥堵问题得不到解决,很有可能会演变成整个路网的交通拥堵。本文从解决实际交通拥堵问题出发,结合GPS数据与交通流理论分析,建立了交通状态划分与预测模型,主要内容如下:1、快速路GPS有效数据的获取。论文首先分析了GPS数据特征,针对数据冗余、数据漂移、数据缺失等异常数据提出了GPS数据预处理方法;借助ArcGIS平台的地图匹配算法对GPS数据进行空间优化,利用非线性支持向量机分类算法实现了快速路数据与路面数据的有效分离,从而筛选出位于快速路上的GPS有效数据,为后文分析快速路交通状态提供数据基础。2、快速路交通状态的划分。结合GPS数据的特点,选取路段行程速度以及速度方差为特征参数;根据数理统计理论确定实际交通状态划分所需的最小样本量并提出子路段空间长度与时间长度划分方法;利用回归分析确定...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
切割后的实验拍摄视频图
表 3.10(b)样本车速与真实道路车速的拟合效果表回归系数 标准误差 t 统计值 P 值 下限（95%） 上限（95%）截距 3.349058 0.646472 5.180518 0.0000020 2.059711 4.638405自变量0.845876 0.013213 64.0205 0.0000000 0.819524 0.872228相关系数Multiple R为0.991568，证明真实平均车速与出租车样本平均车速为高度正相关。复测定系数R Square为0.983208，标准误差为1.642902，证明拟合效果很好。得到回归方程为:( ) 0.845876 ( ) 3.349058r ybV k V k (3.9)式中： ( )rV k 是指第 k 统计周期内路段真实行程速度；( )ybV k 是指第 k 统计周期内出租车样本行程速度；之后用 2018 年 3 月 18 日（休息日）和 2018 年 3 月 26 日（工作日）的平峰时段和高峰时段的 144 组数据进行验证，得到的效果如图 3.2 所示。
图 3.3 回归速度值与真实值的差值由图 3-3 可见，测试的 144 个周期的误差大部分在[-4km/h,4km/h],其余的也未超过 8km/h，均满足公式（3.10）要求，证明提出的回归方程的有效性。3.3 城市快速路交通状态划分模型的建立要由出租车 GPS 数据进行交通状态识别，首先要对快速路交通状态进行合
【参考文献】：
期刊论文
[1]基于浮动车数据的城市快速路瓶颈识别与特征分析（英文）[J]. 张建波,宋国华,于雷,郭继孚,鲁洪语. Journal of Central South University. 2018(08)
[2]基于出租车GPS大数据的城市交通状况实时分析[J]. 唐帅,李青. 商. 2016(30)
[3]基于动态贝叶斯网络的交通流状态辨识方法[J]. 张敬磊,王晓原,马立云,谭德荣. 北京理工大学学报. 2014(01)
[4]基于支持向量机的城市道路交通状态模式识别研究[J]. 于荣,王国祥,郑继媛,王海燕. 交通运输系统工程与信息. 2013(01)
[5]基于优化SVM的城市快速路网交通流状态判别[J]. 董春娇,邵春福,熊志华. 北京交通大学学报. 2011(06)
[6]基于BP神经网络的道路交通状态判别方法研究[J]. 巫威眺,靳文舟,林培群. 交通信息与安全. 2011(04)
[7]基于神经网络的交通状态模糊判别方法[J]. 曹成涛,崔凤,林晓辉. 科学技术与工程. 2010(21)
[8]《概率论与数理统计》课程教学的探索与实践[J]. 徐群芳. 大学数学. 2010(01)
[9]短时交通状态预测参数粒子群算法优化研究[J]. 熊志华,邵春福,姚智胜. 交通运输系统工程与信息. 2008(03)
[10]基于非参数回归的快速路行程速度短期预测算法[J]. 翁剑成,荣建,任福田,魏中华. 公路交通科技. 2007(03)
硕士论文
[1]基于GIS的出租车辆GPS地图匹配研究[D]. 钱颖.云南大学 2015
[2]基于GPS数据的交通速度估计及短时预测研究[D]. 丁涛杰.国防科学技术大学 2014
[3]面向城市快速路的道路交通状态预测方法的研究[D]. 孙晓亮.北京交通大学 2009
[4]城市道路交通拥挤状态识别关键技术研究[D]. 李家伟.西南交通大学 2009
[5]一种利用粒子滤波的实时交通状态估计方法[D]. 程松.复旦大学 2008
本文编号：3268876
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
切割后的实验拍摄视频图
表 3.10(b)样本车速与真实道路车速的拟合效果表回归系数 标准误差 t 统计值 P 值 下限（95%） 上限（95%）截距 3.349058 0.646472 5.180518 0.0000020 2.059711 4.638405自变量0.845876 0.013213 64.0205 0.0000000 0.819524 0.872228相关系数Multiple R为0.991568，证明真实平均车速与出租车样本平均车速为高度正相关。复测定系数R Square为0.983208，标准误差为1.642902，证明拟合效果很好。得到回归方程为:( ) 0.845876 ( ) 3.349058r ybV k V k (3.9)式中： ( )rV k 是指第 k 统计周期内路段真实行程速度；( )ybV k 是指第 k 统计周期内出租车样本行程速度；之后用 2018 年 3 月 18 日（休息日）和 2018 年 3 月 26 日（工作日）的平峰时段和高峰时段的 144 组数据进行验证，得到的效果如图 3.2 所示。
图 3.3 回归速度值与真实值的差值由图 3-3 可见，测试的 144 个周期的误差大部分在[-4km/h,4km/h],其余的也未超过 8km/h，均满足公式（3.10）要求，证明提出的回归方程的有效性。3.3 城市快速路交通状态划分模型的建立要由出租车 GPS 数据进行交通状态识别，首先要对快速路交通状态进行合
【参考文献】：
期刊论文
[1]基于浮动车数据的城市快速路瓶颈识别与特征分析（英文）[J]. 张建波,宋国华,于雷,郭继孚,鲁洪语. Journal of Central South University. 2018(08)
[2]基于出租车GPS大数据的城市交通状况实时分析[J]. 唐帅,李青. 商. 2016(30)
[3]基于动态贝叶斯网络的交通流状态辨识方法[J]. 张敬磊,王晓原,马立云,谭德荣. 北京理工大学学报. 2014(01)
[4]基于支持向量机的城市道路交通状态模式识别研究[J]. 于荣,王国祥,郑继媛,王海燕. 交通运输系统工程与信息. 2013(01)
[5]基于优化SVM的城市快速路网交通流状态判别[J]. 董春娇,邵春福,熊志华. 北京交通大学学报. 2011(06)
[6]基于BP神经网络的道路交通状态判别方法研究[J]. 巫威眺,靳文舟,林培群. 交通信息与安全. 2011(04)
[7]基于神经网络的交通状态模糊判别方法[J]. 曹成涛,崔凤,林晓辉. 科学技术与工程. 2010(21)
[8]《概率论与数理统计》课程教学的探索与实践[J]. 徐群芳. 大学数学. 2010(01)
[9]短时交通状态预测参数粒子群算法优化研究[J]. 熊志华,邵春福,姚智胜. 交通运输系统工程与信息. 2008(03)
[10]基于非参数回归的快速路行程速度短期预测算法[J]. 翁剑成,荣建,任福田,魏中华. 公路交通科技. 2007(03)
硕士论文
[1]基于GIS的出租车辆GPS地图匹配研究[D]. 钱颖.云南大学 2015
[2]基于GPS数据的交通速度估计及短时预测研究[D]. 丁涛杰.国防科学技术大学 2014
[3]面向城市快速路的道路交通状态预测方法的研究[D]. 孙晓亮.北京交通大学 2009
[4]城市道路交通拥挤状态识别关键技术研究[D]. 李家伟.西南交通大学 2009
[5]一种利用粒子滤波的实时交通状态估计方法[D]. 程松.复旦大学 2008
本文编号：3268876
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3268876.html
