基于海量数据的城市道路运行关键指标预测方法

发布时间：2017-08-24 12:49

  本文关键词：基于海量数据的城市道路运行关键指标预测方法

  更多相关文章： 旅行时间 车流量预测 卡尔曼滤波 MapReduce 灰度模型

【摘要】：城市道路的运行指标是评价一个城市交通状况的重要依据,精确、高效、快速的对这些指标进行合理预测是多年来的研究重点,它可以用来分析城市的道路规划是否合理,提出合理的出行建议,避免持续的道路拥堵。在相关的道路运行指标之中,旅行时间和车流量是两个较为重要的基础指标,它们在整个指标体系中的作用尤为关键。随着交通数据采集手段的不断丰富,为城市道路运行指标的监测和预测提供了充分的数据基础,如何利用这些新兴实时监测数据进行道路旅行时间和车流量指标的预测就成为一个有意义的研究问题。本文利用城市道路摄像头采集的海量车牌识别数据并通过对车辆时空、时序的变化分析开展这两个指标相关预测方法的研究。由于实验采用的车牌识别数据集规模较大,如何高效处理海量数据,如何准确的计算进行旅行时间和车流量的实测,以及在实测结果的基础上如何实现精度更高的预测,这些都是旅行时间和车流量预测中的关键问题。针对以上问题,本文的主要工作和贡献如下：提出一种基于卡尔曼滤波法的旅行时间预测方法。该方法给出了基于车牌识别数据集的旅行时间定义,并在旅行时间实测计算基础上采用卡尔曼滤波法完成未来短时间内的道路旅行时间的预测,预测的结果对比历史均值法和一元线性回归法,显示预测结果的精度有明显程度的提升。提出一种基于改进的灰度模型的车流量预测方法。该方法基于原始车牌识别数据集,在给出的车流量定义基础上,通过前期对车流量的实测统计计算,利用实测的结果应用残差改进的灰度模型进行短时间内车流量的预测。用采用的实验数据集进行验证,对比经典的灰度模型结果显示,残差改进的灰度模型算法能一定程度的提升算法的精确度。设计并完成了上述两种指标预测方法在Hadoop分布式计算环境中的实现,并通过基于百万量级的真实车牌识别数据集的采样和预测实验,验证了本文方法的有效性,其中：相对于传统的旅行时间预测方法,本文方法的预测精度有显著提升,相对误差减小约30%；相对于经典灰度模型的车流量预测方法,本文方法的预测精度也有一定提升,相对误差减小约8%。
【关键词】：旅行时间 车流量预测 卡尔曼滤波 MapReduce 灰度模型
【学位授予单位】：北方工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 绪论9-16
• 1.1 研究背景9-12
• 1.2 研究问题12-14
• 1.3 研究内容14
• 1.4 论文组织结构14-16
• 第二章 相关研究16-27
• 2.1 旅行时间理论研究16-18
• 2.1.1 研究现状16-17
• 2.1.2 旅行时间预测方法17-18
• 2.2 车流量理论研究18-20
• 2.2.1 研究现状18-19
• 2.2.2 车流量预测方法19-20
• 2.3 大数据相关技术20-27
• 2.3.1 大数据相关技术简介20-21
• 2.3.2 大数据在处理海量数据上的应用21
• 2.3.3 Hadoop体系介绍21-27
• 第三章 基于海量车牌识别数据的旅行时间预测方法27-33
• 3.1 旅行时间相关定义27
• 3.2 旅行时间计算27-29
• 3.3 卡尔曼滤波理论29
• 3.4 旅行时间预测方法的实现29-33
• 第四章 基于海量车牌识别数据的车流量预测方法33-38
• 4.1 车流量相关定义33
• 4.2 车流量统计33-35
• 4.3 灰度模型理论35-36
• 4.4 车流量预测方法的实现36-38
• 第五章 实验验证与评估38-46
• 5.1 实验环境介绍38
• 5.2 旅行时间预测实验38-41
• 5.2.1 模型评价38
• 5.2.2 实验与分析38-41
• 5.3 车流量预测实验41-46
• 5.3.1 模型评价41-42
• 5.3.2 实验与分析42-46
• 第六章 结论与展望46-48
• 6.1 主要结论46
• 6.2 研究展望46-48
• 参考文献48-51
• 在学期间的研究成果51-52
• 致谢52

【相似文献】

中国期刊全文数据库 前3条

1 黄建梅;吴建平;奇格奇;;基于RFID数据的路段旅行时间分布趋势研究[J];数字技术与应用;2013年12期

2 Bill Howard ,阮晓星;物有所值的PC[J];个人电脑;1997年04期

3 ;[J];;年期

中国重要会议论文全文数据库 前4条

1 桑丽;范青蓝;郭艳梅;秦玲;吴鹏;;旅行时间数据采集及预测技术综述[A];2008第四届中国智能交通年会论文集[C];2008年

2 孙宇星;张可;刘浩;;基于模糊信息提取计算的旅行时间预测方法[A];2008第四届中国智能交通年会论文集[C];2008年

3 沙云飞;曹瑾鑫;史其信;;基于GPS的路段旅行时间和速度估计算法研究[A];第一届中国智能交通年会论文集[C];2005年

4 金治富;;基于灯控路口交通负荷水平的旅行时间的估计[A];第一届中国智能交通年会论文集[C];2005年

中国重要报纸全文数据库 前4条

1 记者 孙杰 刘诗平;10月铁路再提速[N];新华每日电讯;2001年

2 王士伟 韩钢;“十五”期间我国铁路将进行三次提速[N];国际经贸消息;2001年

3 甘林;铁路大提速让西南百姓得利[N];人民铁道;2007年

4 记者 王丰丰　杜静;美国为发展高铁拟融逾千亿美元[N];新华每日电讯;2010年

中国博士学位论文全文数据库 前1条

1 陈小君;引入参照点的旅行时间价值分析[D];北京交通大学;2014年

中国硕士学位论文全文数据库 前10条

1 雷甜;基于时延赋色Petri网的车辆旅行时间预测与分析[D];长安大学;2015年

2 刘家东;基于卡口系统的路段旅行时间预测及系统原型设计[D];山东大学;2015年

3 王群;基于蓝牙技术的城市道路短时旅行时间预测方法研究[D];上海交通大学;2015年

4 杨宗润;基于海量数据的城市道路运行关键指标预测方法[D];北方工业大学;2016年

5 李朝;基于统计模型的城市道路交通旅行时间分析及预测方法研究[D];北方工业大学;2015年

6 陶洪;旅行时间价值的理论研究[D];北京交通大学;2011年

7 朱达;基于旅客出行选择的旅行时间价值研究[D];北京交通大学;2008年

8 黄龙超;基于数据驱动的路段旅行时间估计与预测研究[D];北京交通大学;2015年

9 王晶;广义费用识别中的城市道路路段旅行时间预测[D];北京交通大学;2008年

10 王玫;基于旅行时间可靠性的城市轨道交通客流分配模型研究[D];北京交通大学;2015年

，

本文编号：731412