基于分形多步预测的高速公路异常驾驶行为预警研究
发布时间：2021-11-19 13:24
高速公路由于车流量大、车辆运行速度快,导致其交通事故后果严重。一旦发生交通事故,不仅路产损失大,还容易引发交通拥堵、二次交通事故等现象,甚至造成大范围交通瘫痪,所以迫切需要交通管理部门采取高科技手段对交通隐患进行防范。高速公路车辆异常驾驶行为是引发交通事故的重要原因,实时监控车辆的运行状态,并预警异常驾驶行为,是实现交通智能化、交通安全出行的有效途径。基于微观参数多步预测的高速公路异常驾驶行为检测预警的研究,及时发现、识别和预判异常驾驶行为,进而对其影响范围进行预警,对于高速公路交通安全管理具有重要的理论意义和实用价值。论文首先基于混沌理论对车辆微观速度、加速度序列数据的混沌性进行分析,证明了车辆微观参数具有可预测性;然后基于R/S分析法证明了两参数具有分形特征,并基于分形理论构建了微观参数的预测模型;通过速度、加速度时间序列数据的指标量化,采用神经网络对其可预测步数进行了估计,得到微观参数可预测步数估计模型;结合分形预测模型和可预测步数估计模型得到分形多步预测模型,对车辆微观参数进行实时多步预测。基于文章提出的分形多步预测模型,实时预测车辆的未来多个时刻的定位数据。根据车辆的实际运行...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：78 页
【学位级别】：硕士
【图文】：
论文技术路线
确定微观参数时间序列特征指标后，则是研究如何利用这些指标进行微观参数的可预测步数进行动态估计。根据所选用的 6 个量化指标预测出速度、加速度时间序列的可预测步数（一个指标），属于一个多对一预测问题。由上文分析，发现时间序列数据的波动性、不确定性、趋势性等指标与数据的可预测步数大致呈现反比关系，但是并非纯粹的线性关系，具有一定的非线性。因此提出的模型方法需要能够处理多对一、非线性预测问题。由于人工神经网络算法能够较好的处理多对一、非线性类问题，应用已训练好的神经网络能够快速的进行数据预测、分类等运算，计算时间短，具有一定的实时性[49]，所以提出采用 BP 神经网络模型对微观参数的动态可预测步数进行实时预测估计。基于速度、加速度时间序列值，计算该序列的平均发展水平、平均发展速度、平均增长量、趋势性指标、波动性指标和不确定性指标，然后标准化这些指标，并将其作为神经网络模型的输入参数，预测步数作为输出参数，进行速度、加速度可预测步数估计模型训练、测试，最后得到速度、加速度的可预测步数估计模型，如图 2-6 所示。平均发展水平
哈尔滨工业大学工程硕士学位论文明，一个三层的 BP 神经网络能够逼近任何非线性连数数据序列的 6 个特征指标作为输入变量，以分形数作为输出变量，构建一个三层神经网络，以 Sigmi最低来选取最优隐含层个数。步数估计模型的评价指标同微观参数预测模型的评分比误差 MAPE 对其进行评估，计算公式见式（2-2数可预测步数估计模型的运算流程图如 2-7 所示。开始
【参考文献】：
期刊论文
[1]基于时空关联和BPAdaboost的短时交通参数预测[J]. 丁闪闪,王维锋,季锦章,党倩. 公路交通科技. 2016(05)
[2]基于跟踪轨迹的车辆异常行为检测[J]. 蒋恩源,王学军. 吉林大学学报(信息科学版). 2016(01)
[3]智能手机车辆异常驾驶行为检测方法[J]. 周后飞,刘华平,石红星. 智能系统学报. 2016(03)
[4]基于车牌识别系统车辆轨迹的行为异常检测[J]. 孙玉砚,孙利民,朱红松,周新运. 计算机研究与发展. 2015(08)
[5]基于向量误差修正模型的短时交通参数预测[J]. 邴其春,杨兆升,周熙阳,马明辉. 吉林大学学报(工学版). 2015(04)
[6]车道模型的高速公路车辆异常行为检测方法[J]. 邱凌赟,韩军,顾明. 计算机应用. 2014(05)
[7]跟驰状态下最小行车安全距离模型的仿真研究[J]. 杨培菲,唐阳山,葛丽娜,张衍成. 黑龙江交通科技. 2013(09)
[8]基于小波和回声状态网络的交通流多步预测模型[J]. 杨飞,方滨兴,王春露,左兴权,李丽香,平源. 吉林大学学报(工学版). 2013(03)
[9]基于蚁群优化支持向量机的短时交通流量预测[J]. 徐鹏,姜凤茹. 计算机应用与软件. 2013(03)
[10]SCATS线圈数据短时多步双重预测方法[J]. 李琦,姜桂艳. 哈尔滨工业大学学报. 2013(02)
硕士论文
[1]基于移动智能终端的高速公路异常驾驶行为检测技术[D]. 陈恺.浙江大学 2015
[2]基于移动终端的驾驶行为分析系统设计与实现[D]. 顾嘉.复旦大学 2014
[3]交通流预测的分形理论与系统仿真[D]. 李健.长安大学 2010
本文编号：3505131
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：78 页
【学位级别】：硕士
【图文】：
论文技术路线
确定微观参数时间序列特征指标后，则是研究如何利用这些指标进行微观参数的可预测步数进行动态估计。根据所选用的 6 个量化指标预测出速度、加速度时间序列的可预测步数（一个指标），属于一个多对一预测问题。由上文分析，发现时间序列数据的波动性、不确定性、趋势性等指标与数据的可预测步数大致呈现反比关系，但是并非纯粹的线性关系，具有一定的非线性。因此提出的模型方法需要能够处理多对一、非线性预测问题。由于人工神经网络算法能够较好的处理多对一、非线性类问题，应用已训练好的神经网络能够快速的进行数据预测、分类等运算，计算时间短，具有一定的实时性[49]，所以提出采用 BP 神经网络模型对微观参数的动态可预测步数进行实时预测估计。基于速度、加速度时间序列值，计算该序列的平均发展水平、平均发展速度、平均增长量、趋势性指标、波动性指标和不确定性指标，然后标准化这些指标，并将其作为神经网络模型的输入参数，预测步数作为输出参数，进行速度、加速度可预测步数估计模型训练、测试，最后得到速度、加速度的可预测步数估计模型，如图 2-6 所示。平均发展水平
哈尔滨工业大学工程硕士学位论文明，一个三层的 BP 神经网络能够逼近任何非线性连数数据序列的 6 个特征指标作为输入变量，以分形数作为输出变量，构建一个三层神经网络，以 Sigmi最低来选取最优隐含层个数。步数估计模型的评价指标同微观参数预测模型的评分比误差 MAPE 对其进行评估，计算公式见式（2-2数可预测步数估计模型的运算流程图如 2-7 所示。开始
【参考文献】：
期刊论文
[1]基于时空关联和BPAdaboost的短时交通参数预测[J]. 丁闪闪,王维锋,季锦章,党倩. 公路交通科技. 2016(05)
[2]基于跟踪轨迹的车辆异常行为检测[J]. 蒋恩源,王学军. 吉林大学学报(信息科学版). 2016(01)
[3]智能手机车辆异常驾驶行为检测方法[J]. 周后飞,刘华平,石红星. 智能系统学报. 2016(03)
[4]基于车牌识别系统车辆轨迹的行为异常检测[J]. 孙玉砚,孙利民,朱红松,周新运. 计算机研究与发展. 2015(08)
[5]基于向量误差修正模型的短时交通参数预测[J]. 邴其春,杨兆升,周熙阳,马明辉. 吉林大学学报(工学版). 2015(04)
[6]车道模型的高速公路车辆异常行为检测方法[J]. 邱凌赟,韩军,顾明. 计算机应用. 2014(05)
[7]跟驰状态下最小行车安全距离模型的仿真研究[J]. 杨培菲,唐阳山,葛丽娜,张衍成. 黑龙江交通科技. 2013(09)
[8]基于小波和回声状态网络的交通流多步预测模型[J]. 杨飞,方滨兴,王春露,左兴权,李丽香,平源. 吉林大学学报(工学版). 2013(03)
[9]基于蚁群优化支持向量机的短时交通流量预测[J]. 徐鹏,姜凤茹. 计算机应用与软件. 2013(03)
[10]SCATS线圈数据短时多步双重预测方法[J]. 李琦,姜桂艳. 哈尔滨工业大学学报. 2013(02)
硕士论文
[1]基于移动智能终端的高速公路异常驾驶行为检测技术[D]. 陈恺.浙江大学 2015
[2]基于移动终端的驾驶行为分析系统设计与实现[D]. 顾嘉.复旦大学 2014
[3]交通流预测的分形理论与系统仿真[D]. 李健.长安大学 2010
本文编号：3505131
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3505131.html
