基于海量轨迹数据的动态交通诱导技术研究
发布时间：2021-12-29 10:41
在如今的大数据时代,交通数据也呈现了爆发式的增长。交通数据的感知已经不再局限于传统的固定检测器,智能手机、车载智能终端等移动智能设备产生的海量实时的轨迹数据正在成为交通大数据的重要组成部分。随着轨迹数据规模的改变,对轨迹数据的研究内容和方法也要随之转变。海量实时的高频轨迹数据为动态交通诱导提供了丰富的数据资源。本文针对基于轨迹大数据的动态交通诱导技术展开研究。本文研究的总体目标是利用大规模的实时轨迹数据,建立新的数据处理算法与实现方案,对交通状态进行精确的实时估算与动态预测,进而对车辆进行准确而精细的动态诱导。本文取得的主要成果,包括以下几个方面:(1)信号交叉口排队长度实时估算交叉口延误是城市交通状态的一个重要影响因素。实时估算交叉口排队长度一直以来都是一个挑战性的问题。当信号交叉口没有配备固定交通流检测器时,问题将变得更加复杂。本文探讨了在海量GPS数据环境下,计算信号交叉口实时排队长度的关键技术。利用车辆GPS数据,本文提出了基于交通波理论的信号交叉口实时排队长度估算模型,并首次引入了“消散延误”的概念。利用实时排队长度估算模型与车辆的“消散延误”数据,可以实现交叉口每一个信号周...
【文章来源】： 华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：120 页
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及目的
1.1.1 动态交通诱导系统
1.1.2 动态交通诱导的关键技术
1.2 面向诱导的海量实时轨迹数据
1.2.1 海量数据来源
1.2.2 基于导航定位的车辆轨迹数据
1.2.3 面向诱导的实时GPS数据分析
1.3 本文研究内容及研究成果
1.4 本文组织
1.5 本章小结
第二章 国内外研究综述
2.1 交通状态实时估算
2.1.1 路段行程时间实时估算
2.1.2 信号交叉口排队长度实时估算
2.2 短时交通流预测
2.3 信号交叉口车速引导
2.4 区域级动态交通诱导
2.5 本章小结
第三章 基于实时轨迹数据的交通状态实时估算
3.1 基础数据处理
3.1.1 GPS定位
3.1.2 误差校正
3.1.3 坐标转换
3.1.4 地图匹配
3.2 路段行程时间实时估算
3.2.1 路段构成
3.2.2 路段行程时间估算模型
3.3 交叉口排队长度实时估算
3.3.1 交通波分析
3.3.2 信号交叉口排队长度实时估算模型
3.3.3 排队延误时间分析
3.3.4 实时排队长度估算算法
3.3.5 面向诱导的平均延误时间
3.3.6 实验分析
3.4 本章小结
第四章 基于实时轨迹数据的交通流预测
4.1 短时交通流预测
4.1.1 基本模型
4.1.2 变时域动态模型
4.2 短期交通流预测
4.2.1 历史数据的筛选
4.2.2 基于VTDDM的交通流短期预测方案
4.3 实验分析
4.3.1 短时交通流预测
4.3.2 短期交通流预测
4.4 本章小结
第五章 信号交叉口车速引导
5.1 引导策略分析
5.1.1 假设前提
5.1.2 理想状态分析
5.2 引导算法
5.3 算例分析
5.4 本章小结
第六章 区域级动态交通诱导
6.1 动态交通网络模型
6.2 考虑交叉口延误的动态路径诱导算法
6.3 基于HALOOP的算法实现
6.4 模型验证
6.5 本章小结
第七章 基于海量数据的动态交通诱导系统设计与实现
7.1 系统架构设计
7.1.1 表现层
7.1.2 应用层
7.1.3 数据层
7.1.4 基础设施层
7.2 系统功能模块的实现
7.2.1 路段交通状态判别
7.2.2 交叉口交通状态判别
7.2.3 信号交叉口车速引导
7.2.4 区域级动态交通诱导
7.2.5 数据中心
7.3 本章小结
总结与展望
参考文献
攻读博士学位期间取得的研究成果
附件
致谢
【参考文献】：
期刊论文
[1]利用浮动车大数据进行稀疏路段行程时间推断 [J]. 张发明,朱欣焰,呙维,胡涛. 武汉大学学报(信息科学版). 2017(01)
[2]大数据分析中轨迹数据挖掘的现状与挑战 [J]. 谢邦昌,斯介生. 中国统计. 2016(08)
[3]基于相空间重构和RELM的短时交通流量预测 [J]. 商强,杨兆升,李志林,李霖,曲鑫. 华南理工大学学报(自然科学版). 2016(04)
[4]出租车GPS轨迹大数据在智能交通中的应用 [J]. 张红,王晓明,过秀成,曹洁,朱昶胜,郭义戎. 兰州理工大学学报. 2016(01)
[5]轨迹大数据:数据、应用与技术现状 [J]. 许佳捷,郑凯,池明旻,朱扬勇,禹晓辉,周晓方. 通信学报. 2015(12)
[6]低频GPS数据和交叉口延误下的行程时间估计 [J]. 王志建,马超锋,李梁. 西南交通大学学报. 2015(02)
[7]基于灰色系统和神经网络的实时交通量预测组合模型研究 [J]. 杨志勇. 公路. 2015(03)
[8]一种基于MapReduce的短时交通流预测方法 [J]. 梁轲,谭建军,李英远. 计算机工程. 2015(01)
[9]时空轨迹大数据模式挖掘研究进展 [J]. 吉根林,赵斌. 数据采集与处理. 2015(01)
[10]基于云计算的城市路网最短路径遗传算法求解 [J]. 杨庆芳,梅朵,郑黎黎,马明辉,王伟. 华南理工大学学报(自然科学版). 2014(03)
博士论文
[1]海量低频浮动车数据道路匹配及行程时间估算[D]. 李宇光.武汉大学. 2013
[2]基于相似性的交通流分析方法[D]. 李星毅.北京交通大学. 2010
硕士论文
[1]基于Storm平台的路段行程时间估算与拥堵评价应用研究[D]. 王在振.武汉理工大学. 2015
[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]基于交通数据融合技术的行程时间预测模型[D]. 刘春华.湖南大学. 2013
[4]基于浮动车的城市路段平均行程时间估计研究[D]. 陈仕骁.浙江工业大学. 2012
[5]基于卡尔曼滤波的短时交通流预测方法研究[D]. 石曼曼.西南交通大学. 2012
[6]GPS/DR车辆组合导航定位系统关键理论问题的研究[D]. 严镭.兰州理工大学. 2011
[7]基于出租车浮动车数据和地图匹配的城市道路行程速度估计[D]. 温金辉.华南理工大学. 2011
[8]基于混沌和SVR的短时交通流预测方法研究[D]. 徐永俊.西南交通大学. 2011
[9]基于浮动车数据的高速公路路段行程时间预测方法研究及系统实现[D]. 唐俊.中山大学. 2011
[10]基于GPS浮动车的城市交通路段行程时间实时估算方法研究[D]. 武小云.华南理工大学. 2010
本文编号：3555964
【文章来源】： 华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：120 页
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及目的
1.1.1 动态交通诱导系统
1.1.2 动态交通诱导的关键技术
1.2 面向诱导的海量实时轨迹数据
1.2.1 海量数据来源
1.2.2 基于导航定位的车辆轨迹数据
1.2.3 面向诱导的实时GPS数据分析
1.3 本文研究内容及研究成果
1.4 本文组织
1.5 本章小结
第二章 国内外研究综述
2.1 交通状态实时估算
2.1.1 路段行程时间实时估算
2.1.2 信号交叉口排队长度实时估算
2.2 短时交通流预测
2.3 信号交叉口车速引导
2.4 区域级动态交通诱导
2.5 本章小结
第三章 基于实时轨迹数据的交通状态实时估算
3.1 基础数据处理
3.1.1 GPS定位
3.1.2 误差校正
3.1.3 坐标转换
3.1.4 地图匹配
3.2 路段行程时间实时估算
3.2.1 路段构成
3.2.2 路段行程时间估算模型
3.3 交叉口排队长度实时估算
3.3.1 交通波分析
3.3.2 信号交叉口排队长度实时估算模型
3.3.3 排队延误时间分析
3.3.4 实时排队长度估算算法
3.3.5 面向诱导的平均延误时间
3.3.6 实验分析
3.4 本章小结
第四章 基于实时轨迹数据的交通流预测
4.1 短时交通流预测
4.1.1 基本模型
4.1.2 变时域动态模型
4.2 短期交通流预测
4.2.1 历史数据的筛选
4.2.2 基于VTDDM的交通流短期预测方案
4.3 实验分析
4.3.1 短时交通流预测
4.3.2 短期交通流预测
4.4 本章小结
第五章 信号交叉口车速引导
5.1 引导策略分析
5.1.1 假设前提
5.1.2 理想状态分析
5.2 引导算法
5.3 算例分析
5.4 本章小结
第六章 区域级动态交通诱导
6.1 动态交通网络模型
6.2 考虑交叉口延误的动态路径诱导算法
6.3 基于HALOOP的算法实现
6.4 模型验证
6.5 本章小结
第七章 基于海量数据的动态交通诱导系统设计与实现
7.1 系统架构设计
7.1.1 表现层
7.1.2 应用层
7.1.3 数据层
7.1.4 基础设施层
7.2 系统功能模块的实现
7.2.1 路段交通状态判别
7.2.2 交叉口交通状态判别
7.2.3 信号交叉口车速引导
7.2.4 区域级动态交通诱导
7.2.5 数据中心
7.3 本章小结
总结与展望
参考文献
攻读博士学位期间取得的研究成果
附件
致谢
【参考文献】：
期刊论文
[1]利用浮动车大数据进行稀疏路段行程时间推断 [J]. 张发明,朱欣焰,呙维,胡涛. 武汉大学学报(信息科学版). 2017(01)
[2]大数据分析中轨迹数据挖掘的现状与挑战 [J]. 谢邦昌,斯介生. 中国统计. 2016(08)
[3]基于相空间重构和RELM的短时交通流量预测 [J]. 商强,杨兆升,李志林,李霖,曲鑫. 华南理工大学学报(自然科学版). 2016(04)
[4]出租车GPS轨迹大数据在智能交通中的应用 [J]. 张红,王晓明,过秀成,曹洁,朱昶胜,郭义戎. 兰州理工大学学报. 2016(01)
[5]轨迹大数据:数据、应用与技术现状 [J]. 许佳捷,郑凯,池明旻,朱扬勇,禹晓辉,周晓方. 通信学报. 2015(12)
[6]低频GPS数据和交叉口延误下的行程时间估计 [J]. 王志建,马超锋,李梁. 西南交通大学学报. 2015(02)
[7]基于灰色系统和神经网络的实时交通量预测组合模型研究 [J]. 杨志勇. 公路. 2015(03)
[8]一种基于MapReduce的短时交通流预测方法 [J]. 梁轲,谭建军,李英远. 计算机工程. 2015(01)
[9]时空轨迹大数据模式挖掘研究进展 [J]. 吉根林,赵斌. 数据采集与处理. 2015(01)
[10]基于云计算的城市路网最短路径遗传算法求解 [J]. 杨庆芳,梅朵,郑黎黎,马明辉,王伟. 华南理工大学学报(自然科学版). 2014(03)
博士论文
[1]海量低频浮动车数据道路匹配及行程时间估算[D]. 李宇光.武汉大学. 2013
[2]基于相似性的交通流分析方法[D]. 李星毅.北京交通大学. 2010
硕士论文
[1]基于Storm平台的路段行程时间估算与拥堵评价应用研究[D]. 王在振.武汉理工大学. 2015
[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]基于交通数据融合技术的行程时间预测模型[D]. 刘春华.湖南大学. 2013
[4]基于浮动车的城市路段平均行程时间估计研究[D]. 陈仕骁.浙江工业大学. 2012
[5]基于卡尔曼滤波的短时交通流预测方法研究[D]. 石曼曼.西南交通大学. 2012
[6]GPS/DR车辆组合导航定位系统关键理论问题的研究[D]. 严镭.兰州理工大学. 2011
[7]基于出租车浮动车数据和地图匹配的城市道路行程速度估计[D]. 温金辉.华南理工大学. 2011
[8]基于混沌和SVR的短时交通流预测方法研究[D]. 徐永俊.西南交通大学. 2011
[9]基于浮动车数据的高速公路路段行程时间预测方法研究及系统实现[D]. 唐俊.中山大学. 2011
[10]基于GPS浮动车的城市交通路段行程时间实时估算方法研究[D]. 武小云.华南理工大学. 2010
本文编号：3555964
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3555964.html
