不同交通状态下基于手机GPS轨迹的出行信息采集效果评估研究

发布时间：2017-06-16 15:09

  本文关键词：不同交通状态下基于手机GPS轨迹的出行信息采集效果评估研究，由笔耕文化传播整理发布。

【摘要】：近年来随着我国城市化进程的不断加快和城市人口的集聚,交通拥堵问题日益突显,交通基础数据采集是解决城市交通问题的重要手段。居民出行调查是把握城市居民交通需求的基本途径,是交通相关部门制定科学的交通管理政策以及编制交通规划方案的重要依据。手机GPS定位技术作为一种新型居民出行调查技术,相对于传统的居民出行调查,其采集的个体出行轨迹数据具有实时性、动态性等特点,也极大提高了调查效率和调查数据质量,因此手机GPS调查具有明显的优势,已经成为国内外学者的研究热点。本文提出利用手机GPS技术采集不同交通状态下的个体出行轨迹数据,然后运用模式识别算法对试验数据进行采集效果评估。首先,本文设计了在畅通状态、一般拥堵、严重拥堵三种不同交通状态下的个体出行试验,提出运用地图网络调查的方法实时获取调查路段的交通状态信息,同时在调查途中记录实际出行日志,为后续的出行信息识别与数据采集效果评估奠定坚实的基础。其次,本文通过数理统计和数据挖掘算法提取了GPS轨迹数据特征,提出运用支持向量机算法对个体出行轨迹信息进行识别,结合支持向量机算法理论以及数学模型,依次对搜索步长、特征参数的选取、模型核函数参数值的优化等研究,从而构建了最优的出行信息识别模型,并运用该模型对不同交通状态下的GPS数据进行识别出行方式,在此基础上提取步行-机动车出行方式的换乘点信息。最后,本文主要对交通方式和换乘点识别误差两方面进行数据效果评估：在不同交通状态下,运用支持向量机算法可以对不同交通状态的步行-公交车-步行组合数据进行精确识别,仅用支持向量机算法对步行-小汽车-步行组合得到的交通方式识别正确率差异较大,但在运用地图匹配算法对结果进行修正之后,最终的识别正确率得到极大提高,此外,研究发现不同交通状态对换乘点识别没有明显影响,相对于传统的居民出行调查,其获取的换乘点误差在合理范围之内。
【关键词】：手机GPS技术 不同交通状态 出行信息 效果评估
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495
【目录】：

• 摘要6-7
• Abstract7-10
• 第一章 绪论10-18
• 1.1 研究背景与意义10-12
• 1.1.1 研究背景10-11
• 1.1.2 研究意义11-12
• 1.2 研究综述12-15
• 1.2.1 国外研究现状12-14
• 1.2.2 国内研究现状14-15
• 1.2.3 国内外文献总结15
• 1.3 研究内容15-16
• 1.4 技术路线16-17
• 1.5 论文结构安排17-18
• 第二章 出行调查试验设计及数据采集18-29
• 2.1 出行相关概念18-20
• 2.1.1 出行活动18
• 2.1.2 出行调查18-20
• 2.2 手机GPS定位技术20-21
• 2.2.1 手机GPS技术简介20
• 2.2.2 手机GPS定位系统20-21
• 2.3 手机GPS采集软件21-23
• 2.3.1 手机GPS软件功能21-22
• 2.3.2 手机GPS软件界面22
• 2.3.3 网络数据库管理平台22-23
• 2.4 出行试验设计23-29
• 2.4.1 出行调查方案设计23-25
• 2.4.2 交通状态调查25-27
• 2.4.3 基础数据采集27-29
• 第三章 数据预处理及数据特征分析29-42
• 3.1 数据预处理29-33
• 3.1.1 原始数据29-30
• 3.1.2 数据格式转换30
• 3.1.3 数据过滤及修复30-33
• 3.2 数据定位精确性33-35
• 3.2.1 轨迹匹配精度分析33-34
• 3.2.2 GPS定位误差分析34-35
• 3.3 GPS轨迹数据特征35-42
• 3.3.1 GPS轨迹数据分析类型35-36
• 3.3.2 不同交通状态下的GPS轨迹匹配特征36-37
• 3.3.3 不同交通状态下的GPS轨迹数据分析37-42
• 第四章 出行信息识别算法理论研究42-49
• 4.1 支持向量机简介42
• 4.2 支持向量机算法42-47
• 4.2.1 线性支持向量机43-45
• 4.2.2 非线性支持向量机45-47
• 4.3 算法特点及适用性47-48
• 4.4 支持向量机工具箱48-49
• 4.4.1 LIBSVM软件包48
• 4.4.2 LIBSVM使用方法48-49
• 第五章 不同交通状态下的出行信息采集效果评估49-63
• 5.1 SVM识别模型构建49-52
• 5.1.1 试验数据49
• 5.1.2 搜索步长研究49-50
• 5.1.3 训练特征参数评估50-51
• 5.1.4 核函数参数选取51-52
• 5.2 不同交通状态下出行信息识别52-55
• 5.2.1 组合出行信息识别结果52-54
• 5.2.2 组合方式正确识别统计54-55
• 5.2.3 基于地图匹配法的识别结果修正55
• 5.3 不同交通状态下出行方式识别评估55-58
• 5.3.1 公交车组合识别结果56
• 5.3.2 小汽车组合识别结果56-57
• 5.3.3 小汽车组合修正结果57-58
• 5.4 不同交通状态下交通换乘点识别评估58-63
• 5.4.1 步行-公交车-步行换乘点识别结果58-60
• 5.4.2 步行-小汽车-步行换乘点识别结果60-63
• 结论与展望63-65
• 1.研究结论63-64
• 2.研究展望64-65
• 致谢65-66
• 参考文献66-69
• 攻读硕士学位期间发表的论文69

【相似文献】

中国期刊全文数据库 前10条

1 韩悦臻,曹三鹏;城市道路交通状态指标体系设计探讨[J];公路;2005年06期

2 皮晓亮;王正;韩皓;孙亚;;基于环形线圈检测器采集信息的交通状态分类方法应用研究[J];公路交通科技;2006年04期

3 劳云腾;杨晓光;云美萍;刘竞宇;;交通状态检测方法的评价研究[J];交通与计算机;2006年06期

4 王伟;杨兆升;李贻武;刘新杰;陈昕;;基于信息协同的子区交通状态加权计算与判别方法[J];吉林大学学报(工学版);2007年03期

5 戢晓峰;;城市道路交通状态分析方法回顾与展望[J];道路交通与安全;2008年03期

6 李娟;罗霞;姚琛;;基于多源数据的交通状态判定研究[J];铁道运输与经济;2009年03期

7 李清泉;高德荃;杨必胜;;基于模糊支持向量机的城市道路交通状态分类[J];吉林大学学报(工学版);2009年S2期

8 强添纲;邱洁;;基于熵和耗散结构理论的道路交通状态演变机理[J];交通标准化;2010年Z1期

9 窦慧丽;王国华;;基于模糊聚类和判别分析的交通状态提取算法[J];交通信息与安全;2010年02期

10 曹成涛;崔凤;林晓辉;;基于神经网络的交通状态模糊判别方法[J];科学技术与工程;2010年21期

中国重要会议论文全文数据库 前3条

1 郭义荣;张晓栋;董宝田;吴蕾;;基于模糊理论的交通状态快速识别与跃迁转变方法[A];2013年中国智能自动化学术会议论文集（第四分册）[C];2013年

2 窦瑞;云美萍;杨晓光;;基于视频录像的交通状态判别算法准确度评测[A];第七届中国智能交通年会优秀论文集——智能交通技术[C];2012年

3 余碧莹;邵春福;;基于时空模型的道路网交通状态预测[A];2008第四届中国智能交通年会论文集[C];2008年

中国博士学位论文全文数据库 前9条

1 马旭辉;城市道路交通网络过饱和状态信号控制方法研究[D];北京交通大学;2016年

2 徐东伟;道路交通状态多维多粒度获取方法研究[D];北京交通大学;2014年

3 宋淑敏;非常态下异常道路交通状态信息获取技术研究[D];吉林大学;2012年

4 许昱玮;VANETs中面向交通状态的车辆主动探测方法研究[D];南开大学;2012年

5 孙晓亮;城市道路交通状态评价和预测方法及应用研究[D];北京交通大学;2013年

6 钱U，

本文编号：455711