本文關(guān)鍵詞：基于海量數(shù)據(jù)的城市道路運行關(guān)鍵指標(biāo)預(yù)測方法

  更多相關(guān)文章： 旅行時間 車流量預(yù)測 卡爾曼濾波 MapReduce 灰度模型

【摘要】：城市道路的運行指標(biāo)是評價一個城市交通狀況的重要依據(jù),精確、高效、快速的對這些指標(biāo)進(jìn)行合理預(yù)測是多年來的研究重點,它可以用來分析城市的道路規(guī)劃是否合理,提出合理的出行建議,避免持續(xù)的道路擁堵。在相關(guān)的道路運行指標(biāo)之中,旅行時間和車流量是兩個較為重要的基礎(chǔ)指標(biāo),它們在整個指標(biāo)體系中的作用尤為關(guān)鍵。隨著交通數(shù)據(jù)采集手段的不斷豐富,為城市道路運行指標(biāo)的監(jiān)測和預(yù)測提供了充分的數(shù)據(jù)基礎(chǔ),如何利用這些新興實時監(jiān)測數(shù)據(jù)進(jìn)行道路旅行時間和車流量指標(biāo)的預(yù)測就成為一個有意義的研究問題。本文利用城市道路攝像頭采集的海量車牌識別數(shù)據(jù)并通過對車輛時空、時序的變化分析開展這兩個指標(biāo)相關(guān)預(yù)測方法的研究。由于實驗采用的車牌識別數(shù)據(jù)集規(guī)模較大,如何高效處理海量數(shù)據(jù),如何準(zhǔn)確的計算進(jìn)行旅行時間和車流量的實測,以及在實測結(jié)果的基礎(chǔ)上如何實現(xiàn)精度更高的預(yù)測,這些都是旅行時間和車流量預(yù)測中的關(guān)鍵問題。針對以上問題,本文的主要工作和貢獻(xiàn)如下：提出一種基于卡爾曼濾波法的旅行時間預(yù)測方法。該方法給出了基于車牌識別數(shù)據(jù)集的旅行時間定義,并在旅行時間實測計算基礎(chǔ)上采用卡爾曼濾波法完成未來短時間內(nèi)的道路旅行時間的預(yù)測,預(yù)測的結(jié)果對比歷史均值法和一元線性回歸法,顯示預(yù)測結(jié)果的精度有明顯程度的提升。提出一種基于改進(jìn)的灰度模型的車流量預(yù)測方法。該方法基于原始車牌識別數(shù)據(jù)集,在給出的車流量定義基礎(chǔ)上,通過前期對車流量的實測統(tǒng)計計算,利用實測的結(jié)果應(yīng)用殘差改進(jìn)的灰度模型進(jìn)行短時間內(nèi)車流量的預(yù)測。用采用的實驗數(shù)據(jù)集進(jìn)行驗證,對比經(jīng)典的灰度模型結(jié)果顯示,殘差改進(jìn)的灰度模型算法能一定程度的提升算法的精確度。設(shè)計并完成了上述兩種指標(biāo)預(yù)測方法在Hadoop分布式計算環(huán)境中的實現(xiàn),并通過基于百萬量級的真實車牌識別數(shù)據(jù)集的采樣和預(yù)測實驗,驗證了本文方法的有效性,其中：相對于傳統(tǒng)的旅行時間預(yù)測方法,本文方法的預(yù)測精度有顯著提升,相對誤差減小約30%；相對于經(jīng)典灰度模型的車流量預(yù)測方法,本文方法的預(yù)測精度也有一定提升,相對誤差減小約8%。
【關(guān)鍵詞】：旅行時間 車流量預(yù)測 卡爾曼濾波 MapReduce 灰度模型
【學(xué)位授予單位】：北方工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 緒論9-16
• 1.1 研究背景9-12
• 1.2 研究問題12-14
• 1.3 研究內(nèi)容14
• 1.4 論文組織結(jié)構(gòu)14-16
• 第二章 相關(guān)研究16-27
• 2.1 旅行時間理論研究16-18
• 2.1.1 研究現(xiàn)狀16-17
• 2.1.2 旅行時間預(yù)測方法17-18
• 2.2 車流量理論研究18-20
• 2.2.1 研究現(xiàn)狀18-19
• 2.2.2 車流量預(yù)測方法19-20
• 2.3 大數(shù)據(jù)相關(guān)技術(shù)20-27
• 2.3.1 大數(shù)據(jù)相關(guān)技術(shù)簡介20-21
• 2.3.2 大數(shù)據(jù)在處理海量數(shù)據(jù)上的應(yīng)用21
• 2.3.3 Hadoop體系介紹21-27
• 第三章 基于海量車牌識別數(shù)據(jù)的旅行時間預(yù)測方法27-33
• 3.1 旅行時間相關(guān)定義27
• 3.2 旅行時間計算27-29
• 3.3 卡爾曼濾波理論29
• 3.4 旅行時間預(yù)測方法的實現(xiàn)29-33
• 第四章 基于海量車牌識別數(shù)據(jù)的車流量預(yù)測方法33-38
• 4.1 車流量相關(guān)定義33
• 4.2 車流量統(tǒng)計33-35
• 4.3 灰度模型理論35-36
• 4.4 車流量預(yù)測方法的實現(xiàn)36-38
• 第五章 實驗驗證與評估38-46
• 5.1 實驗環(huán)境介紹38
• 5.2 旅行時間預(yù)測實驗38-41
• 5.2.1 模型評價38
• 5.2.2 實驗與分析38-41
• 5.3 車流量預(yù)測實驗41-46
• 5.3.1 模型評價41-42
• 5.3.2 實驗與分析42-46
• 第六章 結(jié)論與展望46-48
• 6.1 主要結(jié)論46
• 6.2 研究展望46-48
• 參考文獻(xiàn)48-51
• 在學(xué)期間的研究成果51-52
• 致謝52

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 黃建梅;吳建平;奇格奇;;基于RFID數(shù)據(jù)的路段旅行時間分布趨勢研究[J];數(shù)字技術(shù)與應(yīng)用;2013年12期

2 Bill Howard ,阮曉星;物有所值的PC[J];個人電腦;1997年04期

3 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 桑麗;范青藍(lán);郭艷梅;秦玲;吳鵬;;旅行時間數(shù)據(jù)采集及預(yù)測技術(shù)綜述[A];2008第四屆中國智能交通年會論文集[C];2008年

2 孫宇星;張可;劉浩;;基于模糊信息提取計算的旅行時間預(yù)測方法[A];2008第四屆中國智能交通年會論文集[C];2008年

3 沙云飛;曹瑾鑫;史其信;;基于GPS的路段旅行時間和速度估計算法研究[A];第一屆中國智能交通年會論文集[C];2005年

4 金治富;;基于燈控路口交通負(fù)荷水平的旅行時間的估計[A];第一屆中國智能交通年會論文集[C];2005年

中國重要報紙全文數(shù)據(jù)庫 前4條

1 記者 孫杰 劉詩平;10月鐵路再提速[N];新華每日電訊;2001年

2 王士偉 韓鋼;“十五”期間我國鐵路將進(jìn)行三次提速[N];國際經(jīng)貿(mào)消息;2001年

3 甘林;鐵路大提速讓西南百姓得利[N];人民鐵道;2007年

4 記者 王豐豐　杜靜;美國為發(fā)展高鐵擬融逾千億美元[N];新華每日電訊;2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳小君;引入?yún)⒄拯c的旅行時間價值分析[D];北京交通大學(xué);2014年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 雷甜;基于時延賦色Petri網(wǎng)的車輛旅行時間預(yù)測與分析[D];長安大學(xué);2015年

2 劉家東;基于卡口系統(tǒng)的路段旅行時間預(yù)測及系統(tǒng)原型設(shè)計[D];山東大學(xué);2015年

3 王群;基于藍(lán)牙技術(shù)的城市道路短時旅行時間預(yù)測方法研究[D];上海交通大學(xué);2015年

4 楊宗潤;基于海量數(shù)據(jù)的城市道路運行關(guān)鍵指標(biāo)預(yù)測方法[D];北方工業(yè)大學(xué);2016年

5 李朝;基于統(tǒng)計模型的城市道路交通旅行時間分析及預(yù)測方法研究[D];北方工業(yè)大學(xué);2015年

6 陶洪;旅行時間價值的理論研究[D];北京交通大學(xué);2011年

7 朱達(dá);基于旅客出行選擇的旅行時間價值研究[D];北京交通大學(xué);2008年

8 黃龍超;基于數(shù)據(jù)驅(qū)動的路段旅行時間估計與預(yù)測研究[D];北京交通大學(xué);2015年

9 王晶;廣義費用識別中的城市道路路段旅行時間預(yù)測[D];北京交通大學(xué);2008年

10 王玫;基于旅行時間可靠性的城市軌道交通客流分配模型研究[D];北京交通大學(xué);2015年

，

本文編號：731412