隨著我國社會經(jīng)濟(jì)的高速發(fā)展,城市化水平不斷提升,機(jī)動車保有量急速增長,城市交通擁堵、交通安全和環(huán)境污染問題日益嚴(yán)重。作為解決城市交通問題最有效的方法之一,智能交通系統(tǒng)（Intelligent Traffic System,ITS）受到了世界范圍內(nèi)的廣泛關(guān)注。交通控制和誘導(dǎo)作為ITS的核心應(yīng)用,在緩解交通擁堵、提升交通安全和降低環(huán)境污染方面發(fā)揮著重要作用,而實(shí)現(xiàn)交通控制和誘導(dǎo)的基礎(chǔ)在于實(shí)時準(zhǔn)確的交通流預(yù)測。在交通流預(yù)測研究領(lǐng)域,國內(nèi)外學(xué)者提出了大量具有開拓性和創(chuàng)新性的交通流預(yù)測方法。但由于研究重點(diǎn)多集中在模型和算法的優(yōu)化上,較少考慮交通流數(shù)據(jù)自身特性,故難以在精度和穩(wěn)定性上有所突破。因此本文在深入分析交通流數(shù)據(jù)的基礎(chǔ)上,提出適應(yīng)交通流特性的預(yù)測模型,實(shí)現(xiàn)實(shí)時準(zhǔn)確的交通流預(yù)測,為交通控制和誘導(dǎo)提供基礎(chǔ)。首先,在總結(jié)相關(guān)研究現(xiàn)狀的基礎(chǔ)上,對城市快速路的交通流特性進(jìn)行分析。根據(jù)交通流的時空相關(guān)性,使用3D形函數(shù)時空插值方法進(jìn)行缺失和錯誤數(shù)據(jù)的修復(fù),以減小因異常數(shù)據(jù)產(chǎn)生的預(yù)測誤差。根據(jù)交通流的混沌特性,使用相空間重構(gòu)方法進(jìn)行預(yù)測模型輸入集的構(gòu)造,以避免主觀選擇模型輸入帶來的誤差。其次,在判別交通... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：127 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１智能交通系統(tǒng)原理示意圖??Ｆｉｇ．?１－１?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｏｆ?ＩＴＳ??．

圖２－１交通流量分布圖??Ｆｉｇ．２－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｆｆｉｃ?ｆｌｏｗ??由圖２－１可直觀看出，二十二點(diǎn)至七點(diǎn)中間車道流量略大于內(nèi)側(cè)和外側(cè)車道，??原因與駕駛員夜間行車習(xí)慣有關(guān)。整體來看外側(cè)車道流量最小，原因?yàn)橥鈧?cè)車道??行車易受匝道出入車輛干擾，平均行車速度較低。三車道在一天中呈現(xiàn)出相似的??流量波動，即凌晨零點(diǎn)至六點(diǎn)流量較��；七點(diǎn)至九點(diǎn)為早高峰時段，十點(diǎn)至十??九點(diǎn)為晚高峰時段，該段時間內(nèi)交通出現(xiàn)擁擠或擁堵，流量下降；二十二點(diǎn)后流??量逐漸減小。??采用頻率分布與核密度估計圖來表示流量的分布情況，如圖２－２所示�？梢钥�??出，平均流量的分布呈現(xiàn)兩個峰值。第一個峰值顯示全天有２０％左右的時間里，??平均車流量在０輛／兩分鐘至３０輛／兩分鐘之間；另一個峰值顯示，大多數(shù)時段里，??平均車流量分布在１００輛每兩分鐘至１６０輛每兩分鐘之間

ｉ?５：Ｌ??００：００?０４：００?０８：００?１２：００?１６：００?２０：００?２４：００??時刻??圖２－１交通流量分布圖??Ｆｉｇ．２－１?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｔｒａｆｆｉｃ?ｆｌｏｗ??由圖２－１可直觀看出，二十二點(diǎn)至七點(diǎn)中間車道流量略大于內(nèi)側(cè)和外側(cè)車道，??原因與駕駛員夜間行車習(xí)慣有關(guān)。整體來看外側(cè)車道流量最小，原因?yàn)橥鈧?cè)車道??行車易受匝道出入車輛干擾，平均行車速度較低。三車道在一天中呈現(xiàn)出相似的??流量波動，即凌晨零點(diǎn)至六點(diǎn)流量較��；七點(diǎn)至九點(diǎn)為早高峰時段，十點(diǎn)至十??九點(diǎn)為晚高峰時段，該段時間內(nèi)交通出現(xiàn)擁擠或擁堵，流量下降；二十二點(diǎn)后流??量逐漸減小。??采用頻率分布與核密度估計圖來表示流量的分布情況，如圖２－２所示�？梢钥�??出，平均流量的分布呈現(xiàn)兩個峰值。第一個峰值顯示全天有２０％左右的時間里，??平均車流量在０輛／兩分鐘至３０輛／兩分鐘之間；另一個峰值顯示

【參考文獻(xiàn)】：
期刊論文
[1]基于小波和多維重構(gòu)的BP神經(jīng)網(wǎng)絡(luò)交通流短時預(yù)測[J]. 曹潔,沈鈞珥,張紅,侯亮,陳作漢.  計算機(jī)應(yīng)用與軟件. 2018(12)
[2]基于時空相關(guān)性的交通流故障數(shù)據(jù)修復(fù)方法[J]. 王薇,程澤陽,劉夢依,楊兆升.  浙江大學(xué)學(xué)報(工學(xué)版). 2017(09)
[3]基于ARIMA和Kalman濾波的道路交通狀態(tài)實(shí)時預(yù)測（英文）[J]. Dong-wei XU,Yong-dong WANG,Li-min JIA,Yong QIN,Hong-hui DONG.  Frontiers of Information Technology & Electronic Engineering. 2017(02)
[4]基于ARIMA和小波神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測[J]. 成云,成孝剛,談苗苗,周凱,李海波.  計算機(jī)技術(shù)與發(fā)展. 2017(01)
[5]基于多智能體的城市道路短時交通流預(yù)測與仿真研究[J]. 朱湧,徐建川,陳曉利,李遠(yuǎn)哲.  公路交通技術(shù). 2016(06)
[6]基于K-均值聚類算法RBF神經(jīng)網(wǎng)絡(luò)交通流預(yù)測[J]. 管碩,高軍偉,張彬,劉新,冷子文.  青島大學(xué)學(xué)報(工程技術(shù)版). 2014(02)
[7]基于稀疏表達(dá)和RBF神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法[J]. 史世雄,王敏捷.  微型電腦應(yīng)用. 2014(05)
[8]基于遺傳算法徑向基神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測[J]. 樓旭偉,樓輝波,朱劍鋒.  中國科技論文. 2013(11)
[9]基于ESN和Elman神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測對比研究[J]. 羅軼.  湖南工業(yè)大學(xué)學(xué)報. 2013(06)
[10]交通流短時預(yù)測研究進(jìn)展[J]. 袁健,范炳全.  城市交通. 2012(06)

博士論文
[1]基于回聲狀態(tài)網(wǎng)絡(luò)的交通流預(yù)測模型及其相關(guān)研究[D]. 楊飛.北京郵電大學(xué) 2012

碩士論文
[1]基于混沌理論和數(shù)據(jù)融合的短時交通流預(yù)測[D]. 蔣肖.重慶郵電大學(xué) 2016
[2]基于混沌和小波神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測方法研究[D]. 金玉婷.西南交通大學(xué) 2014
[3]基于Paramics平臺的交通仿真設(shè)計[D]. 胡淼.北京交通大學(xué) 2011



本文編號：3492734