基于网约车GPS数据的城市交通拥堵状况研究
发布时间：2021-08-08 01:00
机动车数量的迅猛增长与城市道路建设的限制造成了严重的道路供需矛盾,从而导致了拥堵情况的频繁发生。如何利用合适的历史交通流参数数据对交通拥堵情况进行精准快速地识别与预测,并通过识别和预测的结果及时采用合理的交通干预措施,是缓解交通拥堵的关键所在。目前网约车的蓬勃发展一方面在一定程度上解决了人们出行打车难的问题,另一方面网约车产生了大量的GPS定位点出行数据,这些数据具有数据量大、覆盖范围广、数据准确等优点,因此非常适合用于交通拥堵状态的研究当中。本文基于网约车市场占有率最大的滴滴出行提供的GPS定位点数据,通过分析数据特点并充分挖掘数据中蕴含的信息,结合机器学习等相关的先进算法,对GPS数据预处理与交通流参数提取、交通拥堵状态划分与识别、交通流参数预测等方面进行了研究。本文首先分析了网约车GPS数据存在的时序混乱、数据冗余、数据漂移等问题,针对这些问题进行了相应的处理,然后进一步进行了坐标转换、地图匹配等工作,对处理干净的GPS数据提取了单一路段的流量、速度、密度、时间延误指数四个交通流参数,针对提取的参数中存在的问题进一步进行了空白时段填补、小波去噪等处理。在上述处理之后,本文提出了一...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
基于网约车GPS数据的交通拥堵状态研究技术路线图
西南交通大学硕士研究生学位论文 数据素的影响并提高数据处理的准确度和速度，本文堵情况。由于原始数据量过于巨大，全部数据量为预处理耗时巨大。而本文主要研究单一路段的交性的前提下，本文初步将数据空间范围缩小到经在 104.048 到 104.066 的区域内，下图所示为 201点展示，轨迹点相对地图有较大范围的偏移，后续
图 2-2 坐标转换后效果图可见轨迹点与路网之间已基本符合，但放大局部仍会发现数据与路网之间存在，这是因为 GCJ-02 坐标是对 WGS-84 坐标进行的非线性加偏，使用的参数会随着度变化而变化，在将 GCJ-02 解偏时，算法无法完全准确地将其还原为 WGS-84 实标，因此需要进行进一步的地图匹配处理。由于地图匹配不是本文的研究重点，文采用的原始数据精度较高，这里结合 arcgis 软件，采用点（轨迹点）到线（路近邻分析方法进行地图匹配。点到线的匹配算法即将轨迹点向路段做垂线，选择最近的路段作为最终匹配路段，垂足作为最终匹配到路段的位置。地图匹配后的如图 2-3 所示：
【参考文献】：
期刊论文
[1]基于GPS轨迹数据的城市路段交通拥堵时序分析[J]. 赵夏君. 湖南交通科技. 2018(03)
[2]基于机动车音频信号的交通状态判别研究[J]. 姚雪娇,蔡铭. 中国公共安全(学术版). 2017(03)
[3]基于投影寻踪动态聚类的快速路交通状态判别[J]. 邴其春,龚勃文,杨兆升,林赐云,曲鑫. 西南交通大学学报. 2015(06)
[4]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春. 计算机应用研究. 2015(10)
[5]基于收费数据的高速公路交通状态判别方法[J]. 杨庆芳,马明辉,梁士栋,梅朵. 华南理工大学学报(自然科学版). 2014(12)
[6]短时交通流预测的改进K近邻算法[J]. 谢海红,戴许昊,齐远. 交通运输工程学报. 2014(03)
[7]基于马尔可夫链模型的交通拥挤状态预测[J]. 郑建湖,林小惠,郑礼席,张书虎. 交通标准化. 2012(22)
[8]谱聚类算法综述[J]. 蔡晓妍,戴冠中,杨黎斌. 计算机科学. 2008(07)
[9]基于探测车技术和多级模糊模式识别的道路交通状态评价方法[J]. 王力,范耀祖,张海. 公路交通科技. 2007(09)
[10]基于卡尔曼滤波的高速道路行程时间动态预测[J]. 杭明升,杨晓光,彭国雄. 同济大学学报(自然科学版). 2002(09)
博士论文
[1]基于机器学习的交通状态判别与预测方法研究[D]. 商强.吉林大学 2017
[2]基于集成学习的交通状态预报方法研究[D]. 刘擎超.东南大学 2015
[3]城市快速路交通运行状态评价及预测方法研究[D]. 张亮亮.北京交通大学 2016
[4]基于混沌理论的交通状态预测研究[D]. 马庆禄.重庆大学 2012
硕士论文
[1]高速公路实时交通状态判别方法研究[D]. 杜崇.北京交通大学 2017
[2]基于机器学习技术的交通流预测模型研究与实现[D]. 樊汉勤.西南交通大学 2017
[3]城市道路交通拥挤状态判别及预测研究[D]. 杨俊瑛.西南交通大学 2014
[4]基于浮动车轨迹的城市交通拥堵评估与预测[D]. 张本士.大连理工大学 2014
[5]基于模糊理论的城市道路交通状态判别研究[D]. 晏承玲.重庆大学 2013
[6]交通拥挤的度量方法与基于浮动车的交通拥挤检测[D]. 路加.清华大学 2003
本文编号：3328887
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
基于网约车GPS数据的交通拥堵状态研究技术路线图
西南交通大学硕士研究生学位论文 数据素的影响并提高数据处理的准确度和速度，本文堵情况。由于原始数据量过于巨大，全部数据量为预处理耗时巨大。而本文主要研究单一路段的交性的前提下，本文初步将数据空间范围缩小到经在 104.048 到 104.066 的区域内，下图所示为 201点展示，轨迹点相对地图有较大范围的偏移，后续
图 2-2 坐标转换后效果图可见轨迹点与路网之间已基本符合，但放大局部仍会发现数据与路网之间存在，这是因为 GCJ-02 坐标是对 WGS-84 坐标进行的非线性加偏，使用的参数会随着度变化而变化，在将 GCJ-02 解偏时，算法无法完全准确地将其还原为 WGS-84 实标，因此需要进行进一步的地图匹配处理。由于地图匹配不是本文的研究重点，文采用的原始数据精度较高，这里结合 arcgis 软件，采用点（轨迹点）到线（路近邻分析方法进行地图匹配。点到线的匹配算法即将轨迹点向路段做垂线，选择最近的路段作为最终匹配路段，垂足作为最终匹配到路段的位置。地图匹配后的如图 2-3 所示：
【参考文献】：
期刊论文
[1]基于GPS轨迹数据的城市路段交通拥堵时序分析[J]. 赵夏君. 湖南交通科技. 2018(03)
[2]基于机动车音频信号的交通状态判别研究[J]. 姚雪娇,蔡铭. 中国公共安全(学术版). 2017(03)
[3]基于投影寻踪动态聚类的快速路交通状态判别[J]. 邴其春,龚勃文,杨兆升,林赐云,曲鑫. 西南交通大学学报. 2015(06)
[4]基于深度学习的交通拥堵预测模型研究[J]. 谭娟,王胜春. 计算机应用研究. 2015(10)
[5]基于收费数据的高速公路交通状态判别方法[J]. 杨庆芳,马明辉,梁士栋,梅朵. 华南理工大学学报(自然科学版). 2014(12)
[6]短时交通流预测的改进K近邻算法[J]. 谢海红,戴许昊,齐远. 交通运输工程学报. 2014(03)
[7]基于马尔可夫链模型的交通拥挤状态预测[J]. 郑建湖,林小惠,郑礼席,张书虎. 交通标准化. 2012(22)
[8]谱聚类算法综述[J]. 蔡晓妍,戴冠中,杨黎斌. 计算机科学. 2008(07)
[9]基于探测车技术和多级模糊模式识别的道路交通状态评价方法[J]. 王力,范耀祖,张海. 公路交通科技. 2007(09)
[10]基于卡尔曼滤波的高速道路行程时间动态预测[J]. 杭明升,杨晓光,彭国雄. 同济大学学报(自然科学版). 2002(09)
博士论文
[1]基于机器学习的交通状态判别与预测方法研究[D]. 商强.吉林大学 2017
[2]基于集成学习的交通状态预报方法研究[D]. 刘擎超.东南大学 2015
[3]城市快速路交通运行状态评价及预测方法研究[D]. 张亮亮.北京交通大学 2016
[4]基于混沌理论的交通状态预测研究[D]. 马庆禄.重庆大学 2012
硕士论文
[1]高速公路实时交通状态判别方法研究[D]. 杜崇.北京交通大学 2017
[2]基于机器学习技术的交通流预测模型研究与实现[D]. 樊汉勤.西南交通大学 2017
[3]城市道路交通拥挤状态判别及预测研究[D]. 杨俊瑛.西南交通大学 2014
[4]基于浮动车轨迹的城市交通拥堵评估与预测[D]. 张本士.大连理工大学 2014
[5]基于模糊理论的城市道路交通状态判别研究[D]. 晏承玲.重庆大学 2013
[6]交通拥挤的度量方法与基于浮动车的交通拥挤检测[D]. 路加.清华大学 2003
本文编号：3328887
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3328887.html
