交通流預(yù)測行程時間與路徑規(guī)劃是智能交通系統(tǒng)研究的熱點,城市道路交通流基本信息是智能交通系統(tǒng)運行的基礎(chǔ),同時也為智能交通系統(tǒng)的優(yōu)化提升提供了根本支持。通過更細(xì)致地研究交通流基礎(chǔ)理論和技術(shù),才能給駕駛員提供實時更新的路徑以及精確的行程時間,進(jìn)而達(dá)到緩解交通擁堵、實時交通誘導(dǎo)的目的。隨著預(yù)測模型研究的發(fā)展和大數(shù)據(jù)時代的到來,交通流理論正朝著智能化、數(shù)字化方向發(fā)展,在交通流理論中開展大數(shù)據(jù)研究是當(dāng)前和未來的發(fā)展趨勢。本文開篇詳細(xì)講述了交通流大數(shù)據(jù)中幾種主要的特性參數(shù)及其它們之間的關(guān)系與采集方法,并根據(jù)本文使用特性參數(shù)的性質(zhì),使用道路交通視頻采集技術(shù)獲得交通信息數(shù)據(jù),再使用交通流大數(shù)據(jù)預(yù)處理方法,獲取本文所需要的優(yōu)質(zhì)交通流大數(shù)據(jù),為之后路程時間預(yù)測模型的校定與仿真對比給予根本保障。然后,以更精準(zhǔn)地估計城市交通路段時間為目標(biāo),將城市所有實驗交通路段作為研究對象,分析了經(jīng)典的卡爾曼濾波行程時間預(yù)測模型,并結(jié)合道路監(jiān)管限速加入限速機(jī)制優(yōu)化卡爾曼濾波預(yù)測模型,通過實例計算驗證了模型準(zhǔn)確性。本文同時針對交通流大數(shù)據(jù)多種因素問題,進(jìn)行屬性子集選擇,根據(jù)子集特性建立一次指數(shù)平滑和二次指數(shù)平滑預(yù)測模型,并用實測...

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 行程時間預(yù)測與路徑規(guī)劃國內(nèi)外現(xiàn)狀
        1.3.1 行程時間預(yù)測國內(nèi)外研究現(xiàn)狀
        1.3.2 路徑規(guī)劃國內(nèi)外研究現(xiàn)狀
    1.4 論文的主要研究內(nèi)容
2.交通流大數(shù)據(jù)基本特性與采集處理方法
    2.1 交通流數(shù)據(jù)基本特性參數(shù)
        2.1.1 交通量
        2.1.2 速度
        2.1.3 交通流密度和車道占有率
        2.1.4 車頭間距和車頭時距
    2.2 交通流數(shù)據(jù)特性參數(shù)關(guān)系
    2.3 交通流數(shù)據(jù)檢測
        2.3.1 車輛檢測器
        2.3.2 交通流數(shù)據(jù)調(diào)查方法
    2.4 交通流數(shù)據(jù)預(yù)處理方法
        2.4.1 數(shù)據(jù)清理
        2.4.2 數(shù)據(jù)降噪
        2.4.3 數(shù)據(jù)規(guī)約
    2.5 本章小結(jié)
3.卡爾曼濾波預(yù)測行程時間研究
    3.1 卡爾曼濾波算法概述
        3.1.1 卡爾曼濾波算法來源
        3.1.2 卡爾曼濾波算法基本思想
        3.1.3 卡爾曼濾波算法流程
    3.2 卡爾曼濾波預(yù)測行程時間
        3.2.1 卡爾曼濾波預(yù)測模型建立
        3.2.2 卡爾曼濾波預(yù)測模型仿真與結(jié)果分析
    3.3 改進(jìn)卡爾曼濾波算法
        3.3.1 仿真實驗與結(jié)果分析
        3.3.2 性能指標(biāo)分析
    3.4 本章小結(jié)
4.指數(shù)平滑預(yù)測行程時間研究
    4.1 指數(shù)平滑算法概述
        4.1.1 指數(shù)平滑法基本思想
        4.1.2 指數(shù)平滑算法流程
    4.2 指數(shù)平滑預(yù)測行程時間
        4.2.1 屬性子集選擇
        4.2.2 一次指數(shù)平滑預(yù)測模型建立
        4.2.3 二次指數(shù)平滑預(yù)測模型建立
    4.3 仿真實驗與結(jié)果分析
    4.4 本章小結(jié)
5.數(shù)據(jù)融合預(yù)測模型與最短時間路徑規(guī)劃
    5.1 融合預(yù)測模型
        5.1.1 融合預(yù)測模型建立
        5.1.2 熵值法計算權(quán)重
        5.1.3 融合預(yù)測模型仿真結(jié)果分析
    5.2 Dijkstra算法概述
        5.2.1 Dijkstra算法基本思想
        5.2.2 Dijkstra算法流程
    5.3 Dijkstra算法最短時間路徑規(guī)劃
        5.3.1 仿真實驗
        5.3.2 結(jié)果分析
    5.4 本章小結(jié)
總結(jié)與展望
    本文總結(jié)
    未來展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號：3738631