基于多源数据的交通流状态识别与预测系统
发布时间：2022-01-22 02:35
在智能交通领域中,城市快速路交通流状态识别与预测是非常重要的研究热点,通过合理判断交通流状态及正确预测交通流状态可以提供实时的道路通行状况评估。我国现有的一些交通流状态识别与预测系统在实时性、直观性方面仍有不足之处,而且由于使用一种数据源导致的系统识别与预测不够准确。本文设计实现了基于多源数据的交通流状态识别与预测系统,使得系统在实时性、直观性和准确性方面有了较大的提高。主要工作包括以下几方面:首先,通过对多种来源的原始交通流数据（卡口牌照识别数据、浮动车GPS数据和互联网路况数据）进行分析和计算,获得对应城市快速路相同时间间隔多种来源的车辆平均路段行驶速度,并根据己有研究选择合适的预处理方法,对异常数据进行识别,对缺失数据进行修复,保证了多源交通流速度数据的正确性与完整性,有效提高数据的实际应用效果。其次,针对交通流状态的模糊性和不确定性特点,研究并分析了FCM算法及流程,由于传统FCM聚类算法需要事先指定聚类个数,在不知道具体分类个数时,此方法有一定的局限性,并且传统FCM聚类算法对初始聚类中心也比较敏感,为此,在进行FCM聚类前,先通过DBSCAN密度聚类得到最优的聚类个数和此时...
【文章来源】：河北科技大学河北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
多边形地理围栏
12表2-7返回参数参数参数含义类型备注status状态码int显示请求成功与否message响应信息string对status的中文描述distance轨迹里程double经过轨迹纠偏后的里程值纠偏后的轨迹会沿着道路进行实际的计算和显示，其与实际有一定误差的轨迹路线比较的示意图如下2-2所示。a)轨迹纠偏前b)轨迹纠偏后图2-2轨迹纠偏前后示意图由上述过程得到的浮动车轨迹纠偏后的信息如下表2-8所示。表2-8轨迹纠偏后浮动车数据车牌最后定位点时间（Unix时间戳）轨迹时间/s纠偏后里程/m轨迹平均速度/(m·s－1)029907b1e8c0ac8877c0a564bd1b6f30152216649581195024.171110b8c5adc45b20cec61b6bb224750152216650984197523.568e6759c104dcbfc756caec7066c5ff71522166512350619680.6……………24e16f85e5625b7ef43d7cd986a6da96152216783178196025.1上表2-8中可以看出第三条数据由于速度值过小，存在异常情况，在下一节中进行讨论。以车辆的最后定位时间为车辆路段平均速度值的对应时间，将定位时间按顺序进行排序，每隔2分钟进行分组求平均值，计算结果作为时间段最后时刻的速度对应值。计算得到的车辆平均速度如下表2-9所示。
24结果，聚类中的距离选用欧式距离。目前对参数Eps和MinPts的设定没有通用的理论成果，需要依靠经验设置。然后对聚类后的结果进行轮廓系数的比较，最后选定合适参数值。DBSCAN算法实验结果如下表3-2所示。表3-2DBSCAN算法实验结果实验编号EpsMinPts聚类数噪声比/%轮廓系数11.49459.630.45521.495511.420.44831.496311.51.0.45741.497413.810.40451.498514.120.42861.59434.850.49871.59543.760.54381.59644.830.51391.59736.740.481101.59836.810.476上图可得实验编号7的轮廓系数最大，且此时噪声比最小，表明聚类效果最佳。取Eps=1.5，Minpts=95对应的DBSCAN密度聚类结果，以其各聚类中心作为FCM的初始聚类中心，并取参数c为4，代入模糊聚类算法，进行第二次聚类。具体模糊聚类划分结果如下图3-2所示。浮动车轨迹速度数据/(m·s－1)5.010.015.017.55.010.015.020.02.55.07.510.012.515.017.520.022.5图3-2改进模糊聚类划分结果为了更直观的看到模糊聚类的结果，在二维坐标系中显示3月29日当天三种速度数据的变化趋势。如下图3-3所示。
【参考文献】：
期刊论文
[1]基于深度学习的车流量预测方法研究[J]. 史亚星. 计算机与数字工程. 2019(05)
[2]基于改进的隐马尔可夫模型交通拥堵识别研究[J]. 王忻. 兰州交通大学学报. 2018(05)
[3]融合多源数据的ABC-SVM快速路交通事件检测[J]. 丁宏飞,秦政,李演洪,刘博. 中国安全科学学报. 2015(06)
[4]基于神经网络与遗传算法的刀具磨损检测与控制[J]. 秦国华,谢文斌,王华敏. 光学精密工程. 2015(05)
[5]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)
[6]基于递归神经网络的TVS电磁脉冲响应建模[J]. 纪志强,魏明,吴启蒙,于毅成. 河北科技大学学报. 2015(02)
[7]基于SVM与自适应时空数据融合的短时交通流量预测模型[J]. 李巧茹,赵蓉,陈亮. 北京工业大学学报. 2015(04)
[8]基于模糊C均值聚类的城市道路交通状态判别[J]. 黄艳国,许伦辉,邝先验. 重庆交通大学学报(自然科学版). 2015(02)
[9]基于BP神经网络和模糊推理系统的短时交通流预测[J]. 熊伟晴,燕晓波,姜守旭,李治军. 智能计算机与应用. 2015(02)
[10]基于组合模型的短时交通流预测[J]. 钱伟,杨矿利,杨慧慧,徐青政. 计算机仿真. 2015(02)
博士论文
[1]基于手机信令的道路交通状态识别及预测研究[D]. 詹益旺.华南理工大学 2017
[2]基于MapReduce的移动轨迹大数据挖掘方法与应用研究[D]. 夏大文.西南大学 2016
硕士论文
[1]基于出租车GPS数据的城市快速路交通状态识别与预测[D]. 梁迪.吉林大学 2019
[2]基于LSTM深度网络的城市道路短时交通状态预测模型研究[D]. 陈韫.福建工程学院 2018
[3]基于深度学习的交通流量预测与可视化方法研究[D]. 史亚星.北方工业大学 2018
[4]城市道路交通流预测与交通状态识别方法研究[D]. 汪静.中国石油大学（北京） 2017
[5]模拟退火混沌粒子群算法在短时交通流预测中的应用[D]. 罗婷.西南交通大学 2016
[6]基于信息融合的智能交通信号灯控制系统研究[D]. 王鹏.沈阳工业大学 2016
[7]基于交通流预测的控制子区交通状态识别技术研究[D]. 朱芸.浙江大学 2014
[8]基于DE-WNN模型的交通流预测方法研究[D]. 冯巳洋.西南交通大学 2013
[9]城市快速路交通状态识别与预测研究[D]. 殷俊杰.西南交通大学 2013
[10]基于城市快速路和主干道多源交通检测信息的数据融合技术研究[D]. 邱奉翠.北京交通大学 2012
本文编号：3601399
【文章来源】：河北科技大学河北省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
多边形地理围栏
12表2-7返回参数参数参数含义类型备注status状态码int显示请求成功与否message响应信息string对status的中文描述distance轨迹里程double经过轨迹纠偏后的里程值纠偏后的轨迹会沿着道路进行实际的计算和显示，其与实际有一定误差的轨迹路线比较的示意图如下2-2所示。a)轨迹纠偏前b)轨迹纠偏后图2-2轨迹纠偏前后示意图由上述过程得到的浮动车轨迹纠偏后的信息如下表2-8所示。表2-8轨迹纠偏后浮动车数据车牌最后定位点时间（Unix时间戳）轨迹时间/s纠偏后里程/m轨迹平均速度/(m·s－1)029907b1e8c0ac8877c0a564bd1b6f30152216649581195024.171110b8c5adc45b20cec61b6bb224750152216650984197523.568e6759c104dcbfc756caec7066c5ff71522166512350619680.6……………24e16f85e5625b7ef43d7cd986a6da96152216783178196025.1上表2-8中可以看出第三条数据由于速度值过小，存在异常情况，在下一节中进行讨论。以车辆的最后定位时间为车辆路段平均速度值的对应时间，将定位时间按顺序进行排序，每隔2分钟进行分组求平均值，计算结果作为时间段最后时刻的速度对应值。计算得到的车辆平均速度如下表2-9所示。
24结果，聚类中的距离选用欧式距离。目前对参数Eps和MinPts的设定没有通用的理论成果，需要依靠经验设置。然后对聚类后的结果进行轮廓系数的比较，最后选定合适参数值。DBSCAN算法实验结果如下表3-2所示。表3-2DBSCAN算法实验结果实验编号EpsMinPts聚类数噪声比/%轮廓系数11.49459.630.45521.495511.420.44831.496311.51.0.45741.497413.810.40451.498514.120.42861.59434.850.49871.59543.760.54381.59644.830.51391.59736.740.481101.59836.810.476上图可得实验编号7的轮廓系数最大，且此时噪声比最小，表明聚类效果最佳。取Eps=1.5，Minpts=95对应的DBSCAN密度聚类结果，以其各聚类中心作为FCM的初始聚类中心，并取参数c为4，代入模糊聚类算法，进行第二次聚类。具体模糊聚类划分结果如下图3-2所示。浮动车轨迹速度数据/(m·s－1)5.010.015.017.55.010.015.020.02.55.07.510.012.515.017.520.022.5图3-2改进模糊聚类划分结果为了更直观的看到模糊聚类的结果，在二维坐标系中显示3月29日当天三种速度数据的变化趋势。如下图3-3所示。
【参考文献】：
期刊论文
[1]基于深度学习的车流量预测方法研究[J]. 史亚星. 计算机与数字工程. 2019(05)
[2]基于改进的隐马尔可夫模型交通拥堵识别研究[J]. 王忻. 兰州交通大学学报. 2018(05)
[3]融合多源数据的ABC-SVM快速路交通事件检测[J]. 丁宏飞,秦政,李演洪,刘博. 中国安全科学学报. 2015(06)
[4]基于神经网络与遗传算法的刀具磨损检测与控制[J]. 秦国华,谢文斌,王华敏. 光学精密工程. 2015(05)
[5]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)
[6]基于递归神经网络的TVS电磁脉冲响应建模[J]. 纪志强,魏明,吴启蒙,于毅成. 河北科技大学学报. 2015(02)
[7]基于SVM与自适应时空数据融合的短时交通流量预测模型[J]. 李巧茹,赵蓉,陈亮. 北京工业大学学报. 2015(04)
[8]基于模糊C均值聚类的城市道路交通状态判别[J]. 黄艳国,许伦辉,邝先验. 重庆交通大学学报(自然科学版). 2015(02)
[9]基于BP神经网络和模糊推理系统的短时交通流预测[J]. 熊伟晴,燕晓波,姜守旭,李治军. 智能计算机与应用. 2015(02)
[10]基于组合模型的短时交通流预测[J]. 钱伟,杨矿利,杨慧慧,徐青政. 计算机仿真. 2015(02)
博士论文
[1]基于手机信令的道路交通状态识别及预测研究[D]. 詹益旺.华南理工大学 2017
[2]基于MapReduce的移动轨迹大数据挖掘方法与应用研究[D]. 夏大文.西南大学 2016
硕士论文
[1]基于出租车GPS数据的城市快速路交通状态识别与预测[D]. 梁迪.吉林大学 2019
[2]基于LSTM深度网络的城市道路短时交通状态预测模型研究[D]. 陈韫.福建工程学院 2018
[3]基于深度学习的交通流量预测与可视化方法研究[D]. 史亚星.北方工业大学 2018
[4]城市道路交通流预测与交通状态识别方法研究[D]. 汪静.中国石油大学（北京） 2017
[5]模拟退火混沌粒子群算法在短时交通流预测中的应用[D]. 罗婷.西南交通大学 2016
[6]基于信息融合的智能交通信号灯控制系统研究[D]. 王鹏.沈阳工业大学 2016
[7]基于交通流预测的控制子区交通状态识别技术研究[D]. 朱芸.浙江大学 2014
[8]基于DE-WNN模型的交通流预测方法研究[D]. 冯巳洋.西南交通大学 2013
[9]城市快速路交通状态识别与预测研究[D]. 殷俊杰.西南交通大学 2013
[10]基于城市快速路和主干道多源交通检测信息的数据融合技术研究[D]. 邱奉翠.北京交通大学 2012
本文编号：3601399
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3601399.html
