發(fā)布時間：2017-11-25 06:28

  本文關(guān)鍵詞：基于多源檢測器的城市快速路區(qū)間車速融合算法研究

  更多相關(guān)文章： 區(qū)間車速融合 城市快速路 RBF 遺傳算法 BP神經(jīng)網(wǎng)絡 ANFIS

【摘要】：為解決因城市化進程的加快所帶來的一系列交通問題,很多城市開始發(fā)展智能交通系統(tǒng),但智能交通系統(tǒng)若想有效發(fā)揮作用,必須有辦法能夠及時準確地獲取動態(tài)交通信息。近年來,除傳統(tǒng)固定檢測設備之外,基于車輛的浮動車系統(tǒng)也越來越多地被應用于數(shù)據(jù)采集中。但由于固定檢測技術(shù)與浮動車檢測技術(shù)之間有諸多差異,采集到的信息有著各種問題,例如不精確、不一致、缺失等,導致目前智能交通系統(tǒng)中的信息在精度、完整性和可靠性等方面存在局限性。本文旨在通過城市快速路區(qū)間車速的融合實現(xiàn)微波檢測器和浮動車系統(tǒng)檢測數(shù)據(jù)的相互補充校驗,得到更加精確、全面、可靠的城市快速路交通信息。首先,基于在北京市快速路上收集到的多源檢測器交通流數(shù)據(jù),對交通流三參數(shù)的時空特性和參數(shù)間關(guān)系模型進行了分析,介紹了幾種常用的多源數(shù)據(jù)融合方法,結(jié)合它們的優(yōu)缺點提出本文的融合模型。其次,針對所采集到的數(shù)據(jù)中存在的噪聲干擾、異常數(shù)據(jù)等問題,使用卡爾曼濾波算法降低噪聲干擾,采用閾值理論和交通流機理相結(jié)合的方法識別錯誤數(shù)據(jù),對浮動車異常數(shù)據(jù)采用簡單實用的修復方法,對微波異常數(shù)據(jù)的修復提出徑向基(RBF)神經(jīng)網(wǎng)絡曲面重構(gòu)的方法。最后,建立較為完整、有效的數(shù)據(jù)融合方案,采用自適應神經(jīng)網(wǎng)絡模糊推理系統(tǒng)(ANFIS)和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡兩種模型應用于多源檢測器區(qū)間速度數(shù)據(jù)的融合,并與單純的BP神經(jīng)網(wǎng)絡融合模型進行比對。將浮動車速度和微波檢測速度作為融合的輸入數(shù)據(jù),因車牌識別視頻檢測數(shù)據(jù)能反映實際道路交通情況,將其作為速度真實值用于對融合模型的檢驗。采用平均相對誤差(MRE)和最小誤差平方和(LSE)這兩個指標來評價模型的融合效果。檢驗結(jié)果表明：ANFIS和遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡兩種模型都取得了比較滿意的融合效果,融合模型精度相差不大,均在90%以上：融合后的速度值均比融合之前的任何單源檢測器速度數(shù)據(jù)更接近真實值,融合模型的精度和有效性得到了很好的驗證,且兩種組合模型的融合效果優(yōu)于單一BP神經(jīng)網(wǎng)絡的融合結(jié)果。
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U491

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 郭繼孚,全永q，

本文編號：1225115