隨著智慧城市的高速發(fā)展,高速路網(wǎng)不斷擴大,我國汽車數(shù)量不斷增長,交通擁堵的頻繁發(fā)生,這就要求對高速路網(wǎng)進行科學的監(jiān)控和管理。目前高速路交通信息獲取方式主要通過固定檢測器或車載GPS,因為其覆蓋范圍窄和成本高,所以不能滿足智能交通系統(tǒng)的需求。移動信令數(shù)據(jù)具有低成本、全覆蓋和實時全天候等特點,利用移動信令數(shù)據(jù)進行交通擁堵識別及預測是智能交通系統(tǒng)的熱門研究方向,但準確度不夠高一直是難點問題,本文基于移動信令數(shù)據(jù)的高速路擁堵識別及預測的相關(guān)問題展開研究,實現(xiàn)準確的擁堵識別和預測。本文首先分析了移動信令數(shù)據(jù)的特點及其中摻雜的“噪聲數(shù)據(jù)”的特征,研究了高速路車輛速度和密度計算的常用方法,選取并研究了BP神經(jīng)網(wǎng)絡和SVM支持向量機預測算法的原理。然后,利用物理運動學的思想,根據(jù)包含一個道路柵格的兩軌跡點的路程距離越短,則對該道路柵格車輛速度的貢獻值越大,以及平行道路噪聲數(shù)據(jù)的特點,提出一種融合路程加權(quán)并消除平行道路噪聲數(shù)據(jù)的高速路車輛平均速度計算方法;根據(jù)車載手機用戶的多個特征屬性,利用聚類方法進行人車匹配來識別路段車輛數(shù),進而計算車輛密度;然后以車輛速度和密度為輸入?yún)?shù),構(gòu)建多參數(shù)綜合閾值擁堵識別方法進行高速路擁堵識別。最后,針對多個子預測模型可以優(yōu)勢互補的特點,采用最優(yōu)權(quán)重組合方法構(gòu)建一種高速路短時交通擁堵組合預測模型,并考慮數(shù)據(jù)的時空維度特性進行擁堵預測。最后,利用移動運營商提供的信令數(shù)據(jù)采集系統(tǒng)以及數(shù)據(jù)處理平臺對模型進行驗證,將模型結(jié)果與固定檢測器數(shù)據(jù)進行對比,將擁堵識別模型的車輛速度和車輛密度計算方法的結(jié)果分別與傳統(tǒng)方法的計算結(jié)果進行MAE、RMSE和MAPE對比,可知本文提出的模型方法結(jié)果均優(yōu)于傳統(tǒng)方法,并且最終的擁堵識別準確率達到91.19%;將本文提出的組合預測模型結(jié)果與子預測模型結(jié)果進行MAE、RMSE和MAPE對比,結(jié)果均優(yōu)于子預測模型,并且最終的擁堵預測準確率達到81.25%。滿足模型的設計需求,具有一定的實用價值。
【學位單位】：重慶郵電大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TN929.5;U491.265
【部分圖文】：

高速路周邊干擾噪聲用戶表示圖

BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

模型需求功能需求性能需求路網(wǎng)與軌跡匹配路段平均速度計算路段車輛密度計算擁堵識別路段車輛密度平均誤差路段平均速度平均誤差每五分鐘實時更新圖 3.1 擁堵識別模型整體需求圖型方案設計數(shù)據(jù)的采集高速路移動網(wǎng)絡的覆蓋地圖匹配

【參考文獻】

相關(guān)期刊論文 前8條

1 胡斌杰;詹益旺;;基于手機信令的道路交通流量狀態(tài)識別及預測[J];移動通信;2015年10期

2 何兆成;陳展球;范秋明;褚俊飛;;基于手機基站數(shù)據(jù)的混合地圖匹配算法研究[J];交通運輸系統(tǒng)工程與信息;2014年03期

3 王靜遠;李超;熊璋;單志廣;;以數(shù)據(jù)為中心的智慧城市研究綜述[J];計算機研究與發(fā)展;2014年02期

4 楊廷方;周力行;李景祿;曾祥君;;基于最優(yōu)權(quán)值的組合模型診斷變壓器故障[J];電網(wǎng)技術(shù);2013年01期

5 范秋明;何兆成;;基于手機基站定位數(shù)據(jù)的地圖匹配研究[J];交通信息與安全;2011年04期

6 楊飛;惠英;;基于手機切換變化模式的道路匹配方法[J];系統(tǒng)工程;2007年11期

7 孫棣華,馬麗,陳偉霞;基于手機定位及聚類分析的實時交通參數(shù)估計[J];交通運輸系統(tǒng)工程與信息;2005年03期

8 韓超,宋蘇,王成紅;基于ARIMA模型的短時交通流實時自適應預測[J];系統(tǒng)仿真學報;2004年07期

相關(guān)博士學位論文 前1條

1 袁月明;基于手機切換定位技術(shù)的交通信息提取方法研究[D];北京交通大學;2012年

相關(guān)碩士學位論文 前10條

1 谷勇;基于移動用戶信息的高速路擁堵監(jiān)測模型研究[D];重慶郵電大學;2016年

2 季雪美;基于優(yōu)化的BP神經(jīng)網(wǎng)絡的短時交通流預測算法研究[D];青島大學;2016年

3 王錫偉;基于改進粒子群優(yōu)化BP和RBF組合算法短時交通流預測[D];青島大學;2016年

4 武瓊;基于支持向量回歸的短時交通流預測方法研究與應用[D];長安大學;2016年

5 劉鍇;基于手機信令數(shù)據(jù)的動態(tài)OD分析與交通速度估算[D];北京交通大學;2016年

6 張富強;城市主干路交通擁堵預測方法研究[D];長安大學;2015年

7 徐云飛;高速公路擁堵事件檢測中的背景建模及狀態(tài)判別方法研究[D];重慶大學;2014年

8 陳震霆;基于手機定位數(shù)據(jù)的城市道路交通狀態(tài)探測[D];昆明理工大學;2012年

9 劉賀楠;高速路網(wǎng)交通運行狀態(tài)評價與判定方法研究[D];重慶交通大學;2010年

10 韓延全;基于小區(qū)逗留時間法的交通參數(shù)估計方法研究[D];哈爾濱工業(yè)大學;2009年

本文編號：2820484