隨著人們生活水平的不斷提高,城市出行也愈發(fā)顯得多樣化,日益龐大的出行量給當(dāng)下的交通系統(tǒng)造成了巨大的壓力,在此背景下智能交通控制系統(tǒng)（Intelligent Transportation System,ITS）應(yīng)運(yùn)而生并獲得快速發(fā)展。其中,城市短時(shí)車(chē)流量預(yù)測(cè)（Short-term Traffic Flow Prediction）作為智能交通控制系統(tǒng)中的一個(gè)重要環(huán)節(jié)和分支顯得尤為重要。然后車(chē)聯(lián)網(wǎng)（Vehicular Ad-Hoc Network,VANET）通過(guò)V2X傳輸協(xié)議和無(wú)線通信實(shí)現(xiàn)在車(chē)與車(chē)、車(chē)與路、車(chē)與人和車(chē)與互聯(lián)網(wǎng)之間的互聯(lián),以保障信息動(dòng)態(tài)交互和車(chē)輛智能控制。5G移動(dòng)網(wǎng)絡(luò)具有高速率、低延時(shí)等眾多優(yōu)點(diǎn),本文通過(guò)將車(chē)聯(lián)網(wǎng)與5G網(wǎng)絡(luò)相結(jié)合設(shè)計(jì)出一種基于5G車(chē)聯(lián)網(wǎng)交通流預(yù)測(cè)模型,致力于推動(dòng)ITS獲得突破性發(fā)展。首先,針對(duì)KNN算法用于短時(shí)交通流預(yù)測(cè)中預(yù)測(cè)效率不高的問(wèn)題,本文提出了一種改進(jìn)的基于非參數(shù)回歸的KNN短時(shí)交通流預(yù)測(cè)方法,該方法基于非參數(shù)回歸的思想,通過(guò)KNN算法先在非預(yù)測(cè)時(shí)間段內(nèi),從歷史數(shù)據(jù)中為系統(tǒng)尋找與當(dāng)前狀態(tài)相似的候選輸入數(shù)據(jù);然后在預(yù)測(cè)點(diǎn)從候選輸入數(shù)據(jù)中識(shí)別用于預(yù)測(cè)的最佳... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

車(chē)聯(lián)網(wǎng)示意圖

圖 1.3 交通流預(yù)測(cè)在智能交通控制系統(tǒng)中的應(yīng)用紀(jì) 60 年代以來(lái)，人們開(kāi)始將工程上的很多已經(jīng)經(jīng)過(guò)驗(yàn)證且非常成交通流預(yù)測(cè)上，然后經(jīng)過(guò)學(xué)者的不斷研究和探索，逐漸發(fā)展出許起來(lái)，這些方法和模型基本可分為三個(gè)大類，依次為：基于數(shù)理能理論的方法和基于非線性回歸理論的方法[18]。數(shù)理統(tǒng)計(jì)理論的方法是利用數(shù)理統(tǒng)計(jì)的方法對(duì)交通歷史數(shù)據(jù)進(jìn)行流量、行程時(shí)間、行車(chē)速度、占有率等數(shù)據(jù)進(jìn)行交通流的預(yù)測(cè)。預(yù)測(cè)，通常來(lái)說(shuō)未來(lái)的交通流與過(guò)去的交通流狀況之間具有極大預(yù)測(cè)數(shù)據(jù)與歷史數(shù)據(jù)之間的相關(guān)性來(lái)預(yù)測(cè)未來(lái)時(shí)刻的交通流量。方法和模型大概有：歷史平均模型、線性回歸模型、kalman 濾波ARIMA 模型等[19]。文獻(xiàn)[20]分析了短時(shí)交通流的混沌特性，結(jié)合中的卡爾曼濾波短時(shí)交通流預(yù)測(cè)模型，提高了短時(shí)交通流預(yù)測(cè)的

為此，首先需要了解短時(shí)交通流相關(guān)的基礎(chǔ)理論知識(shí)。本章分別介概念、短時(shí)交通流的主要特性、短時(shí)交通流預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)系數(shù)主要模型和方法的分類。在對(duì)比不同類型的預(yù)測(cè)方法及模型的預(yù)測(cè)效果當(dāng)?shù)念A(yù)測(cè)算法來(lái)應(yīng)對(duì)不同場(chǎng)景和路段的交通流預(yù)測(cè)，為后面的短時(shí)交交通流理論交通流的概念量是交通道路上行駛車(chē)輛的流量的簡(jiǎn)稱，表示為某一時(shí)間段 t 到 t+ t間隔)內(nèi)通過(guò)某一道路段并被該路段觀測(cè)點(diǎn)檢測(cè)到的實(shí)際的車(chē)輛的數(shù)目間隔 t≤15min 的預(yù)測(cè)稱為短時(shí)（short-term）交通流預(yù)測(cè)[31]。

【參考文獻(xiàn)】：
期刊論文
[1]基于KNN-LSTM的短時(shí)交通流預(yù)測(cè)[J]. 羅向龍,李丹陽(yáng),楊彧,張生瑞.  北京工業(yè)大學(xué)學(xué)報(bào). 2018(12)
[2]面向5G車(chē)聯(lián)網(wǎng)連通性關(guān)鍵理論綜述[J]. 張登銀,張敏,丁飛.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[3]5G車(chē)聯(lián)網(wǎng)展望[J]. 王良民,劉曉龍,李春曉,楊睛,楊衛(wèi)東.  網(wǎng)絡(luò)與信息安全學(xué)報(bào). 2016(06)
[4]基于KNN回歸的短時(shí)交通流預(yù)測(cè)[J]. 陳婧敏.  微型電腦應(yīng)用. 2015(09)
[5]多源檢測(cè)器的交通數(shù)據(jù)融合研究[J]. 史巖,董宏輝,張瑜,單慶超,劉鍇.  道路交通與安全. 2015(03)
[6]5G移動(dòng)通信發(fā)展趨勢(shì)與若干關(guān)鍵技術(shù)[J]. 尤肖虎,潘志文,高西奇,曹淑敏,鄔賀銓.  中國(guó)科學(xué):信息科學(xué). 2014(05)
[7]公路短時(shí)車(chē)流量預(yù)測(cè)模型研究[J]. 宋子房.  科學(xué)決策. 2014(04)
[8]灰色預(yù)測(cè)模型在高速公路車(chē)流預(yù)測(cè)中的應(yīng)用[J]. 汪超,孫衛(wèi)華,何元烈.  廣東工業(yè)大學(xué)學(xué)報(bào). 2012(01)
[9]車(chē)聯(lián)網(wǎng)現(xiàn)狀與發(fā)展研究[J]. 程剛,郭達(dá).  移動(dòng)通信. 2011(17)
[10]核函數(shù)法與最鄰近法在短時(shí)交通流預(yù)測(cè)應(yīng)用中的對(duì)比研究[J]. 錢(qián)海峰,陳陽(yáng)舟,李振龍,楊玉珍.  交通與計(jì)算機(jī). 2008(06)



本文編號(hào)：3273851