基于交通数据融合的行程速度预测研究

发布时间：2020-04-02 22:06

【摘要】：本文主要针对智能交通系统(Intelligent Transport System,简称ITS)领域中交通数据融合在预测行程速度方面展开分析与研究。一方面,行程速度是反映交通状态的硬性指之一。在实际的交通路况中,由于通行量在一天中的起伏较大,使得交通数据流的时空变化规律具有时变性,这间接导致行程速度依赖于交通流的变化。因此,准确的行程速度预测是反映ITS提供服务的重要基础数据。另一方面,由于行程路段上的交通数据具有高度的不确定性、随机性和复杂性,基于感应线圈和GPS浮动车的单类型检测器在对行程速度预测方面,两者取得的效果并不是令人很满意。鉴于两种检测技术在预测速度方面的互补性,本文在多源交通数据融合的基础上,提出改进的BP神经网络算法对其两种检测器预测到的行程速度进行融合,以期望进一步提高行程速度的准确性。首先,对感应线圈检测器和GPS浮动车检测器获取的交通数据用阈值法和交通流理论法对问题数据进行识别,对这些数据进行修正。本文提出了相邻时段数据平均值法,从而提高采集数据的质量。接着介绍了数据融合的原理、概念、层次和方法,对数据融合技术在先进的交通信息系统中的应用进行了宏观层面上的研究。对于不同单类型检测器在预测行程速度方面。本论文在对多辆浮动车数据(Floating Car Data,简称FCD)融合算法预测行程速度上,引入了浮动车(Floating Car,简称FC)单样本的基础权重值、处理策略权重值、路况状态权重值及其三者所对应的融合系数,通过融合算法对行程速度进行预测。最后,由于单类型检测器在计算行程速度的不准确性,故提出了一种改进的反向传播(Back Propagation,简称BP)神经网络对两种检测器获取的行程速度数据进行融合的方法,从而建立了基于交通数据融合的行程速度预测模型。
【图文】：

城市交通,道路,信息,运营系统

第一章绪论1.1 研究背景与意义随着智慧城市建设步伐不断提速和汽车工业的发展，家庭汽车的普及程度越来越高，导致了诸多交通问题的产生，例如：交通阻塞、车辆事故等。为了缓解城市的交通问题（如图 1.1），除了常规的修建道路以增加交通运输量之外，还可以通过设置道路交通路障、标线等传统的应急措施提高路段的流畅度，以便改善道路的交通运行环境，这仅仅在短期内缓解了城市的拥塞问题。但是，随着交通需求量的爆发式增长、交通网络系统日益错综复杂，仅仅通过修建道路和交通管制这些传统的手法来解决这个棘手问题，不仅成本高、耗资大，而且这些措施对于缓解城市的交通拥堵、提高道路通行能力的成效也非立竿见影。为了解决交通问题，交通工作的参与者将计算机、通信、控制等技术综合的应用于交通运营系统来提高交通运输的效率，便产生了 ITS[1]。它的本质在于利用当今前沿的技术对存在的无法解决的问题进行一个尝试以找到一种较优的交通运营系统。

结构图,路段,路网,次干路

括交通流量、路线选择点位置、数据采集点的位置、停车信号位置。2.2.1 道路交通仿真环境设计作为研究对象的的仿真交通环境路网的结构图如 2.2 所示。线路为“学源街文泽路—高教西公园南—下沙高教文溯”。行程速度检测器感应线圈检测器学源街文泽路下沙高教文溯高教西公园南停车线北C M图 2.2 仿真路网课题主要研究是从东向西的车流方向，第一个交叉口的停车线到第二个交叉口停车线的两直线车道的道路行程速度进行预测。路段的长度默认设置为 12 公里，仿真路网在 VISSIM 软件中的 3D 动画效果图如 2.3 所示。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491

【相似文献】