基于静态和动态算法结合的公交到站时间预测

发布时间：2017-04-11 15:12

  本文关键词：基于静态和动态算法结合的公交到站时间预测，由笔耕文化传播整理发布。

【摘要】：随着现代化城市的高速发展,市民对于生活质量的要求逐步提高,私家车数量急剧提升,如何解决有限的交通道路资源和提升公共交通形象已经成为急需研究的问题,而在公共交通系统中,提高公交到站时间预测精确度对公交系统满意度以及减少私家车数量、缓解交通压力等方面都有很大帮助。首先,本文介绍了公交到站时间预测的研究背景和相关研究现状,并且介绍了一些已经存在并且用于公交到站时间预测的模型。其次,对可能影响公交到站时间的因素以及通过GPS设备采集的数据产生差错的原因进行了分析,给出了对原始数据进行预处理的过程以及如何纠正错误数据。对于本文提出的静态算法结合动态算法的两个基本算法的内容进行了详尽的描述,介绍了静态算法即支持向量机(SVM)分类和回归的原理以及常用的核函数和核函数的参数等。之后描述的是动态修正算法卡尔曼滤波的基本原理以及五个基本的状态更新递推方程,在不断根据上一个状态以及当前状态的输入变量对下一个状态进行预测。由于卡尔曼滤波只使用了上一个状态的新息,因此考虑了对卡尔曼滤波算法基于多新息理论进行改进,即不只是依赖于上一个状态而是多个过去有用的数据。然后,为了验证本文提出算法的有效性,选择了绍兴BRT1号线作为研究对象,将2013年绍兴BRT1号线的历史数据作为SVM回归训练。经过整理过后包括4个输入向量:高峰期与平峰期、工作日与周末、是否是国家法定节假日、天气情况等。通过卡尔曼滤波算法对预测结果进行动态修正。实验选择了静态SVM回归预测结果、SVM回归结合标准的卡尔曼滤波预测结果、SVM回归结合改进的多新息卡尔曼滤波预测结果进行对比分析,得出本文提出的模型预测值与实际的到站时间相比误差率最低。最后,对本文做的一些工作和贡献进行了总结,对于本文的一些需要进一步改进的地方以及未来的研究内容进行了相应的说明。
【关键词】：公交到站时间预测 支持向量机算法 卡尔曼滤波算法 多新息卡尔曼滤波算法
【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】：2016
【分类号】：U491.17
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 绪论10-18
• 1.1 课题相关背景10-12
• 1.2 课题的意义12-13
• 1.3 国内外研究现状13-14
• 1.4 国内外的公交到站时间预测算法14-16
• 1.4.1 历史平均法14-15
• 1.4.2 BP神经网络15
• 1.4.3 基于动态百分位15-16
• 1.4.4 支持向量机16
• 1.5 论文的主要工作16
• 1.6 论文的组织与结构16-18
• 第2章 公交到站预测影响因素以及相关技术分析18-24
• 2.1 公交到站时间影响因素分析18
• 2.2 影响到站预测数据的精度因素18-19
• 2.3 公交停靠站分类19-20
• 2.3.1 按位置分类19-20
• 2.3.2 按站台类型分类20
• 2.4 公交到站预测系统模块20-22
• 2.5 GPS定位技术原理22-23
• 2.6 本章小结23-24
• 第3章 相关算法介绍24-34
• 3.1 概述24
• 3.2 支持向量机算法24-28
• 3.2.1 支持向量机算法介绍24-28
• 3.2.2 支持向量机回归28
• 3.2.3 支持向量机的优点28
• 3.3 卡尔曼滤波算法28-32
• 3.3.1 卡尔曼滤波算法介绍29
• 3.3.2 最优滤波问题29-30
• 3.3.3 卡尔曼滤波的基本过程30-32
• 3.4 多新息理论32-33
• 3.5 本章小结33-34
• 第4章 静态和动态算法结合的公交到站预测系统34-47
• 4.1 数据预处理34-36
• 4.1.1 数据预处理流程34-35
• 4.1.2 GPS异常数据的识别35
• 4.1.3 GPS异常数据的修补方法35
• 4.1.4 对异常数据的处理35-36
• 4.2 实验工具的选择36-41
• 4.2.1 LIBSVM介绍37
• 4.2.2 LIBSVM的使用方法37-41
• 4.3 公交车到站时间预测系统设计41
• 4.4 到站时间预测模型41-46
• 4.4.1 SVM回归预测42-43
• 4.4.2 标准的动态卡尔曼滤波修正43-44
• 4.4.3 改进的多新息卡尔曼滤波修正44
• 4.4.4 基于多新息的改进卡尔曼滤波算法44-45
• 4.4.5 标准kalman和改进kakman算法结果对比分析45-46
• 4.5 本章小结46-47
• 第5章 公交到站时间预测实例分析47-59
• 5.1 公交到站实例研究47-51
• 5.1.1 实验的环境47-48
• 5.1.2 实验的数据48-51
• 5.2 预测算法性能评估指标51-52
• 5.3 实验结果与对比分析52-58
• 5.3.1 SVM回归预测52-55
• 5.3.2 SVM回归结合标准卡尔曼滤波55-56
• 5.3.3 SVM回归结合多新息卡尔曼滤波56-57
• 5.3.4 结果分析57-58
• 5.4 本章小结58-59
• 第6章 总结与展望59-61
• 6.1 总结59
• 6.2 展望59-61
• 致谢61-62
• 参考文献62-66
• 附录66-67
• 详细摘要67-69

【相似文献】

中国期刊全文数据库 前10条

1 兰义华;任浩征;张勇;赵雪峰;;一种基于“当前”模型的改进卡尔曼滤波算法[J];山东大学学报(工学版);2012年05期

2 张哲;陈德树;;卡尔曼滤波算法与富氏算法的分析比较[J];电力系统自动化;1990年04期

3 万建伟,皇甫堪,梁甸农;基于推广卡尔曼滤波算法的声测定位技术[J];国防科技参考;1997年04期

4 夏建涛,任震,陈立,景占荣;极坐标下卡尔曼滤波算法的研究[J];西北工业大学学报;2000年03期

5 高磊,崔鑫水;一种自适应协方差矩阵旋转变换卡尔曼滤波算法及其应用[J];航天控制;2004年03期

6 高磊;一种反馈修正推广卡尔曼滤波算法及其应用[J];航天控制;2004年05期

7 刘剑锋;庄志洪;刘中;;卡尔曼滤波算法在最佳起爆角估计中的应用[J];弹箭与制导学报;2005年S1期

8 阮建国;陈炯;;一种适于快速实现的卡尔曼滤波算法的改进[J];电测与仪表;2009年02期

9 陈陌寒;巴晓辉;何璐;陈杰;;复杂信号环境下的鲁棒卡尔曼滤波算法[J];科学技术与工程;2011年17期

10 李莉;宋志强;;转换坐标卡尔曼滤波算法在雷达数据融合中的应用[J];仪器仪表用户;2011年04期

中国重要会议论文全文数据库 前9条

1 刘栋;王惠林;;卡尔曼滤波算法在目标定位系统中的应用[A];第九届全国光电技术学术交流会论文集（上册）[C];2010年

2 周红波;耿伯英;;基于目标跟踪的无偏转换测量卡尔曼滤波算法研究[A];2007中国控制与决策学术年会论文集[C];2007年

3 陈婧;谢磊;李备;;水路交通中的卡尔曼滤波算法综述[A];第七届中国智能交通年会论文集[C];2012年

4 赵汝祺;赵祚喜;赵汝准;;基于多项式卡尔曼滤波算法的车辆定位试验研究[A];中国农业工程学会2011年学术年会论文集[C];2011年

5 曾翠娟;杜传利;;动态GPS自适应卡尔曼滤波算法的FPGA实现[A];第13届全国计算机、网络在现代科学技术领域的应用学术会议论文集[C];2007年

6 李鹏;宋申民;陈兴林;;自适应平方根无迹卡尔曼滤波算法[A];2009年中国智能自动化会议论文集（第八分册）[控制理论与应用（专刊）][C];2009年

7 程慧俐;王纪文;张洪钺;;在未知噪声统计情况下的一种新的自适应卡尔曼滤波算法[A];1994中国控制与决策学术年会论文集[C];1994年

8 刘健;刘忠;玄兆林;;纯方位目标运动分析的自适应扩展卡尔曼滤波算法[A];2005年全国水声学学术会议论文集[C];2005年

9 朱宁;钱伟康;郭强;;基于嵌入式XP的光谱分析系统[A];全国第一届嵌入式技术联合学术会议论文集[C];2006年

中国博士学位论文全文数据库 前5条

1 孙景荣;X射线脉冲星导航及其增强方法研究[D];西安电子科技大学;2014年

2 葛磊;容积卡尔曼滤波算法研究及其在导航中的应用[D];哈尔滨工程大学;2013年

3 冯波;线性滤波估计算法研究及在惯性导航系统中的应用[D];北京理工大学;2014年

4 孟军英;基于粒子滤波框架目标跟踪优化算法的研究[D];燕山大学;2014年

5 周聪;基于非线性估计理论的线控转向汽车状态估计研究[D];西南交通大学;2012年

中国硕士学位论文全文数据库 前10条

1 庞瀛洲;关于电池BMS系统SOC估测算法的研究[D];长安大学;2015年

2 马康健;基于分布式共识的无线传感器网络目标跟踪技术研究[D];哈尔滨工业大学;2016年

3 周暄承;可穿戴计算中能效提高策略研究[D];南京邮电大学;2016年

4 杜振新;基于无迹卡尔曼滤波算法的动力电池剩余电量估算[D];长安大学;2016年

5 张弛;基于无迹卡尔曼滤波算法的某民航发动机性能衰退分析[D];中国民航大学;2016年

6 张兵;基于突变扰动的SOC估算研究[D];重庆邮电大学;2016年

7 陶炬;汽油机进气道油膜效应动态参数辨识的研究[D];重庆邮电大学;2016年

8 武勃良;Robocup武术擂台赛视频中运动目标的检测与跟踪[D];内蒙古大学;2016年

9 彭俊伟;基于静态和动态算法结合的公交到站时间预测[D];杭州电子科技大学;2016年

10 徐红珍;基于粒子群的卡尔曼滤波算法改进和优化[D];武汉理工大学;2013年

  本文关键词：基于静态和动态算法结合的公交到站时间预测，，由笔耕文化传播整理发布。

本文编号：299353