基于特性分析的短时交通流预测方法研究
发布时间：2021-11-13 08:59
随着我国社会经济的高速发展,城市化水平不断提升,机动车保有量急速增长,城市交通拥堵、交通安全和环境污染问题日益严重。作为解决城市交通问题最有效的方法之一,智能交通系统（Intelligent Traffic System,ITS）受到了世界范围内的广泛关注。交通控制和诱导作为ITS的核心应用,在缓解交通拥堵、提升交通安全和降低环境污染方面发挥着重要作用,而实现交通控制和诱导的基础在于实时准确的交通流预测。在交通流预测研究领域,国内外学者提出了大量具有开拓性和创新性的交通流预测方法。但由于研究重点多集中在模型和算法的优化上,较少考虑交通流数据自身特性,故难以在精度和稳定性上有所突破。因此本文在深入分析交通流数据的基础上,提出适应交通流特性的预测模型,实现实时准确的交通流预测,为交通控制和诱导提供基础。首先,在总结相关研究现状的基础上,对城市快速路的交通流特性进行分析。根据交通流的时空相关性,使用3D形函数时空插值方法进行缺失和错误数据的修复,以减小因异常数据产生的预测误差。根据交通流的混沌特性,使用相空间重构方法进行预测模型输入集的构造,以避免主观选择模型输入带来的误差。其次,在判别交通...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：硕士
【部分图文】：
图１－１智能交通系统原理示意图??Ｆｉｇ．?１－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｏｆ?ＩＴＳ??．
图２－１交通流量分布图??Ｆｉｇ．２－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｆｆｉｃ?ｆｌｏｗ??由图２－１可直观看出，二十二点至七点中间车道流量略大于内侧和外侧车道，??原因与驾驶员夜间行车习惯有关。整体来看外侧车道流量最小，原因为外侧车道??行车易受匝道出入车辆干扰，平均行车速度较低。三车道在一天中呈现出相似的??流量波动，即凌晨零点至六点流量较小；七点至九点为早高峰时段，十点至十??九点为晚高峰时段，该段时间内交通出现拥挤或拥堵，流量下降；二十二点后流??量逐渐减小。??采用频率分布与核密度估计图来表示流量的分布情况，如图２－２所示。可以看??出，平均流量的分布呈现两个峰值。第一个峰值显示全天有２０％左右的时间里，??平均车流量在０辆／两分钟至３０辆／两分钟之间；另一个峰值显示，大多数时段里，??平均车流量分布在１００辆每两分钟至１６０辆每两分钟之间
ｉ?５：Ｌ??００：００?０４：００?０８：００?１２：００?１６：００?２０：００?２４：００??时刻??图２－１交通流量分布图??Ｆｉｇ．２－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｆｆｉｃ?ｆｌｏｗ??由图２－１可直观看出，二十二点至七点中间车道流量略大于内侧和外侧车道，??原因与驾驶员夜间行车习惯有关。整体来看外侧车道流量最小，原因为外侧车道??行车易受匝道出入车辆干扰，平均行车速度较低。三车道在一天中呈现出相似的??流量波动，即凌晨零点至六点流量较小；七点至九点为早高峰时段，十点至十??九点为晚高峰时段，该段时间内交通出现拥挤或拥堵，流量下降；二十二点后流??量逐渐减小。??采用频率分布与核密度估计图来表示流量的分布情况，如图２－２所示。可以看??出，平均流量的分布呈现两个峰值。第一个峰值显示全天有２０％左右的时间里，??平均车流量在０辆／两分钟至３０辆／两分钟之间；另一个峰值显示
【参考文献】：
期刊论文
[1]基于小波和多维重构的BP神经网络交通流短时预测[J]. 曹洁,沈钧珥,张红,侯亮,陈作汉. 计算机应用与软件. 2018(12)
[2]基于时空相关性的交通流故障数据修复方法[J]. 王薇,程泽阳,刘梦依,杨兆升. 浙江大学学报(工学版). 2017(09)
[3]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)
[4]基于ARIMA和小波神经网络组合模型的交通流预测[J]. 成云,成孝刚,谈苗苗,周凯,李海波. 计算机技术与发展. 2017(01)
[5]基于多智能体的城市道路短时交通流预测与仿真研究[J]. 朱湧,徐建川,陈晓利,李远哲. 公路交通技术. 2016(06)
[6]基于K-均值聚类算法RBF神经网络交通流预测[J]. 管硕,高军伟,张彬,刘新,冷子文. 青岛大学学报(工程技术版). 2014(02)
[7]基于稀疏表达和RBF神经网络的交通流预测方法[J]. 史世雄,王敏捷. 微型电脑应用. 2014(05)
[8]基于遗传算法径向基神经网络的交通流预测[J]. 楼旭伟,楼辉波,朱剑锋. 中国科技论文. 2013(11)
[9]基于ESN和Elman神经网络的交通流预测对比研究[J]. 罗轶. 湖南工业大学学报. 2013(06)
[10]交通流短时预测研究进展[J]. 袁健,范炳全. 城市交通. 2012(06)
博士论文
[1]基于回声状态网络的交通流预测模型及其相关研究[D]. 杨飞.北京邮电大学 2012
硕士论文
[1]基于混沌理论和数据融合的短时交通流预测[D]. 蒋肖.重庆邮电大学 2016
[2]基于混沌和小波神经网络的短时交通流预测方法研究[D]. 金玉婷.西南交通大学 2014
[3]基于Paramics平台的交通仿真设计[D]. 胡淼.北京交通大学 2011
本文编号：3492734
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：127 页
【学位级别】：硕士
【部分图文】：
图１－１智能交通系统原理示意图??Ｆｉｇ．?１－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｏｆ?ＩＴＳ??．
图２－１交通流量分布图??Ｆｉｇ．２－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｆｆｉｃ?ｆｌｏｗ??由图２－１可直观看出，二十二点至七点中间车道流量略大于内侧和外侧车道，??原因与驾驶员夜间行车习惯有关。整体来看外侧车道流量最小，原因为外侧车道??行车易受匝道出入车辆干扰，平均行车速度较低。三车道在一天中呈现出相似的??流量波动，即凌晨零点至六点流量较小；七点至九点为早高峰时段，十点至十??九点为晚高峰时段，该段时间内交通出现拥挤或拥堵，流量下降；二十二点后流??量逐渐减小。??采用频率分布与核密度估计图来表示流量的分布情况，如图２－２所示。可以看??出，平均流量的分布呈现两个峰值。第一个峰值显示全天有２０％左右的时间里，??平均车流量在０辆／两分钟至３０辆／两分钟之间；另一个峰值显示，大多数时段里，??平均车流量分布在１００辆每两分钟至１６０辆每两分钟之间
ｉ?５：Ｌ??００：００?０４：００?０８：００?１２：００?１６：００?２０：００?２４：００??时刻??图２－１交通流量分布图??Ｆｉｇ．２－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｆｆｉｃ?ｆｌｏｗ??由图２－１可直观看出，二十二点至七点中间车道流量略大于内侧和外侧车道，??原因与驾驶员夜间行车习惯有关。整体来看外侧车道流量最小，原因为外侧车道??行车易受匝道出入车辆干扰，平均行车速度较低。三车道在一天中呈现出相似的??流量波动，即凌晨零点至六点流量较小；七点至九点为早高峰时段，十点至十??九点为晚高峰时段，该段时间内交通出现拥挤或拥堵，流量下降；二十二点后流??量逐渐减小。??采用频率分布与核密度估计图来表示流量的分布情况，如图２－２所示。可以看??出，平均流量的分布呈现两个峰值。第一个峰值显示全天有２０％左右的时间里，??平均车流量在０辆／两分钟至３０辆／两分钟之间；另一个峰值显示
【参考文献】：
期刊论文
[1]基于小波和多维重构的BP神经网络交通流短时预测[J]. 曹洁,沈钧珥,张红,侯亮,陈作汉. 计算机应用与软件. 2018(12)
[2]基于时空相关性的交通流故障数据修复方法[J]. 王薇,程泽阳,刘梦依,杨兆升. 浙江大学学报(工学版). 2017(09)
[3]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)
[4]基于ARIMA和小波神经网络组合模型的交通流预测[J]. 成云,成孝刚,谈苗苗,周凯,李海波. 计算机技术与发展. 2017(01)
[5]基于多智能体的城市道路短时交通流预测与仿真研究[J]. 朱湧,徐建川,陈晓利,李远哲. 公路交通技术. 2016(06)
[6]基于K-均值聚类算法RBF神经网络交通流预测[J]. 管硕,高军伟,张彬,刘新,冷子文. 青岛大学学报(工程技术版). 2014(02)
[7]基于稀疏表达和RBF神经网络的交通流预测方法[J]. 史世雄,王敏捷. 微型电脑应用. 2014(05)
[8]基于遗传算法径向基神经网络的交通流预测[J]. 楼旭伟,楼辉波,朱剑锋. 中国科技论文. 2013(11)
[9]基于ESN和Elman神经网络的交通流预测对比研究[J]. 罗轶. 湖南工业大学学报. 2013(06)
[10]交通流短时预测研究进展[J]. 袁健,范炳全. 城市交通. 2012(06)
博士论文
[1]基于回声状态网络的交通流预测模型及其相关研究[D]. 杨飞.北京邮电大学 2012
硕士论文
[1]基于混沌理论和数据融合的短时交通流预测[D]. 蒋肖.重庆邮电大学 2016
[2]基于混沌和小波神经网络的短时交通流预测方法研究[D]. 金玉婷.西南交通大学 2014
[3]基于Paramics平台的交通仿真设计[D]. 胡淼.北京交通大学 2011
本文编号：3492734
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3492734.html
