结合浮动车数据的干线控制策略研究
发布时间：2021-08-09 11:21
随着众多网约车平台的出现,浮动车的数量越来越多,这给交通诱导与控制、智慧停车、交通组织优化等研究提供了大量的数据源,有助于提高道路资源的利用率,降低车辆的行车延误。而在不同交通状态下,干线控制策略的选择以及策略的具体实施方法,同样是值得研究的一个问题。本文在综合分析浮动车数据的运用和干线控制策略的选择这两个大方向的前提下,分别进行了以下几个方面的研究:首先,本文确定了在非拥堵状态下采用干线协调控制策略、在拥堵状态下采用干线均衡控制策略的方向。在此基础上,分析了车载设备上传的真实浮动车数据预处理方法和地图匹配过程,以及仿真浮动车数据的获取与预处理方法,并结合两者优缺点以及适用情形,选择仿真浮动车数据进行模型与算法的分析验证,选择真实浮动车数据进行实例分析。同时,对基于浮动车数据的交通状态划分进行了分析,为干线控制策略的选择提供了依据。然后,在非拥堵状态下,进行干线协调控制研究。根据复化梯形数值积分法,求得单车行程时间估计值;采用平均中值法,计算得到基于浮动车数据的路段平均行程时间,并结合VISSIM仿真验证,发现平均中值法效果优于算术平均法,且浮动车比例越高,估计值越准确。在此基础上,利...
【文章来源】：中国人民公安大学北京市
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
路段的选定
图 3.1 路段的选定3.2.2.2 原始数据格式转换本文收集的浮动车数据对出租车编号数据进行了脱敏处理。其中经纬度信息为GCJ-02 坐标系展现的格式，该坐标系不是原始坐标系，并对经纬度进行了加密处理，存在随机偏差，如果将该种形式的数据进行地图匹配，会出现较大的匹配误差。因此，为实现地图精准匹配，在 Python 编程语言环境下将 GCJ-02 坐标系转化为 WGS84 坐标系，即 GPS 原始坐标体系，经纬度转换程序界面如图 3.2 所示。最后转换的结果如表3.1 所示。
选定团结大街部分路段，进行路段矢量化处理，将 2018 年 6 月 25 日上午 8:30 至10:30 在该路段的浮动车数据导入矢量化后的道路中，并进行栅格划分，设置缓冲区，结果如图3.3 所示。图 3.3 浮动车数据匹配示意图采集得到的该路段浮动车数据已经经过预处理和坐标转换，所以地图匹配较为精准，且所研究的浮动车数据采样频率较高，即每 3 秒上传一次位置和速度信息，因此反映的信息较为精准。同时导入各个浮动车数据点的基本属性，能够得到每一固定采样间隔内每辆车在地图上的具体位置以及瞬时速度，如图 3.4 所示。这样就为后面基于浮动车数据进行路段行程时间估计做好了铺垫。
【参考文献】：
期刊论文
[1]一种浮动车技术的道路行程时间估计方法[J]. 宋承波,燕雪峰. 小型微型计算机系统. 2018(09)
[2]基于车联网的城市路网实时行程时间预测[J]. 黄叶娜. 公路交通技术. 2017(03)
[3]基于移动导航数据的信号配时反推[J]. 谭墍元,尹凯莉,李萌,郭伟伟,王力,黄怡斌. 交通运输系统工程与信息. 2017(02)
[4]基于多源数据融合的信号交叉口延误估计研究[J]. 陈百旺,成卫. 价值工程. 2017(10)
[5]基于智能手机大数据的交通出行方式识别研究[J]. 李喆,孙健,倪训友. 计算机应用研究. 2016(12)
[6]低频GPS数据和交叉口延误下的行程时间估计[J]. 王志建,马超锋,李梁. 西南交通大学学报. 2015(02)
[7]基于智能终端的浮动数据应用研究[J]. 饶众博,王大珊,李雯,王志民. 数字通信世界. 2015(02)
[8]基于浮动车数据的交通状态估计精度仿真评价[J]. 唐克双,梅雨,李克平. 同济大学学报(自然科学版). 2014(09)
[9]车路协同环境下基于动态车速的相位差优化模型[J]. 吴伟,马万经,杨晓光. 控制理论与应用. 2014(04)
[10]面向欠采样公交GPS数据的信号交叉口延误估计[J]. 王华,张志松,张瞫,刘昕. 交通运输系统工程与信息. 2014(02)
博士论文
[1]城市道路交通信号区域均衡控制方法及应用研究[D]. 项俊平.中国科学技术大学 2018
[2]城市主次干路的路段行程时间估计与预测方法研究[D]. 李继伟.吉林大学 2012
[3]干道过饱和交叉口群的实时交通控制策略研究[D]. 吴洋.西南交通大学 2009
[4]局部拥挤条件下城市道路交通信号控制方法研究[D]. 郭海锋.吉林大学 2008
[5]平面信号交叉口延误分析[D]. 邵长桥.北京工业大学 2002
硕士论文
[1]基于数据融合的城市道路行程时间预测模型研究[D]. 焦德军.大连海事大学 2014
[2]信号交叉口延误估计方法研究[D]. 郑远.同济大学 2008
[3]基于浮动车调查方法的信号交叉口延误估计研究[D]. 孙玲.北京工业大学 2007
[4]基于浮动车的城市道路行程时间采集与预测方法研究[D]. 杨立娟.吉林大学 2007
本文编号：3331974
【文章来源】：中国人民公安大学北京市
【文章页数】：102 页
【学位级别】：硕士
【部分图文】：
路段的选定
图 3.1 路段的选定3.2.2.2 原始数据格式转换本文收集的浮动车数据对出租车编号数据进行了脱敏处理。其中经纬度信息为GCJ-02 坐标系展现的格式，该坐标系不是原始坐标系，并对经纬度进行了加密处理，存在随机偏差，如果将该种形式的数据进行地图匹配，会出现较大的匹配误差。因此，为实现地图精准匹配，在 Python 编程语言环境下将 GCJ-02 坐标系转化为 WGS84 坐标系，即 GPS 原始坐标体系，经纬度转换程序界面如图 3.2 所示。最后转换的结果如表3.1 所示。
选定团结大街部分路段，进行路段矢量化处理，将 2018 年 6 月 25 日上午 8:30 至10:30 在该路段的浮动车数据导入矢量化后的道路中，并进行栅格划分，设置缓冲区，结果如图3.3 所示。图 3.3 浮动车数据匹配示意图采集得到的该路段浮动车数据已经经过预处理和坐标转换，所以地图匹配较为精准，且所研究的浮动车数据采样频率较高，即每 3 秒上传一次位置和速度信息，因此反映的信息较为精准。同时导入各个浮动车数据点的基本属性，能够得到每一固定采样间隔内每辆车在地图上的具体位置以及瞬时速度，如图 3.4 所示。这样就为后面基于浮动车数据进行路段行程时间估计做好了铺垫。
【参考文献】：
期刊论文
[1]一种浮动车技术的道路行程时间估计方法[J]. 宋承波,燕雪峰. 小型微型计算机系统. 2018(09)
[2]基于车联网的城市路网实时行程时间预测[J]. 黄叶娜. 公路交通技术. 2017(03)
[3]基于移动导航数据的信号配时反推[J]. 谭墍元,尹凯莉,李萌,郭伟伟,王力,黄怡斌. 交通运输系统工程与信息. 2017(02)
[4]基于多源数据融合的信号交叉口延误估计研究[J]. 陈百旺,成卫. 价值工程. 2017(10)
[5]基于智能手机大数据的交通出行方式识别研究[J]. 李喆,孙健,倪训友. 计算机应用研究. 2016(12)
[6]低频GPS数据和交叉口延误下的行程时间估计[J]. 王志建,马超锋,李梁. 西南交通大学学报. 2015(02)
[7]基于智能终端的浮动数据应用研究[J]. 饶众博,王大珊,李雯,王志民. 数字通信世界. 2015(02)
[8]基于浮动车数据的交通状态估计精度仿真评价[J]. 唐克双,梅雨,李克平. 同济大学学报(自然科学版). 2014(09)
[9]车路协同环境下基于动态车速的相位差优化模型[J]. 吴伟,马万经,杨晓光. 控制理论与应用. 2014(04)
[10]面向欠采样公交GPS数据的信号交叉口延误估计[J]. 王华,张志松,张瞫,刘昕. 交通运输系统工程与信息. 2014(02)
博士论文
[1]城市道路交通信号区域均衡控制方法及应用研究[D]. 项俊平.中国科学技术大学 2018
[2]城市主次干路的路段行程时间估计与预测方法研究[D]. 李继伟.吉林大学 2012
[3]干道过饱和交叉口群的实时交通控制策略研究[D]. 吴洋.西南交通大学 2009
[4]局部拥挤条件下城市道路交通信号控制方法研究[D]. 郭海锋.吉林大学 2008
[5]平面信号交叉口延误分析[D]. 邵长桥.北京工业大学 2002
硕士论文
[1]基于数据融合的城市道路行程时间预测模型研究[D]. 焦德军.大连海事大学 2014
[2]信号交叉口延误估计方法研究[D]. 郑远.同济大学 2008
[3]基于浮动车调查方法的信号交叉口延误估计研究[D]. 孙玲.北京工业大学 2007
[4]基于浮动车的城市道路行程时间采集与预测方法研究[D]. 杨立娟.吉林大学 2007
本文编号：3331974
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3331974.html
