本文關(guān)鍵詞：城市動態(tài)路徑誘導(dǎo)關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 智能交通 簡化路網(wǎng)模型 行程時間短時預(yù)測 動態(tài)最短路徑算法

【摘要】：城市動態(tài)路徑誘導(dǎo)系統(tǒng)作為緩解城市內(nèi)部交通擁堵的有效途徑之一,通過誘導(dǎo)信息給予出行人路徑誘導(dǎo)建議,宏觀上可以均衡路網(wǎng)流量,使路網(wǎng)的通行能力達(dá)到最大；微觀上可以縮短出行費(fèi)用和時間,實(shí)現(xiàn)交通設(shè)施運(yùn)行效率的最大化。路徑誘導(dǎo)的核心是最短路徑的選擇問題,不同的駕駛員對路徑的選擇有著各自的偏好,其中大部分駕駛員在出行中最關(guān)注的是行程時間。作為描述城市交通網(wǎng)絡(luò)狀態(tài)的重要參數(shù)——路段的行程時間即車輛通過某一路段所需的總時間,不僅能夠客觀地標(biāo)明通行時長,還能直觀地反映出道路的實(shí)際擁堵狀態(tài)。基于上述分析,本文以路段行程時間為研究目標(biāo),對城市動態(tài)路徑誘導(dǎo)系統(tǒng)的部分關(guān)鍵技術(shù)——路網(wǎng)模型抽象、行程時間短時預(yù)測、動態(tài)最短路徑算法進(jìn)行深入研究。論文的主要研究工作如下：1、首先,本文在滿足實(shí)際導(dǎo)航需求的前提條件下,重點(diǎn)研究了如何降低路網(wǎng)模型的復(fù)雜度。研究提出了面向城市交通的簡化路網(wǎng)系列模型,該系列模型僅要求采集相對較少的行程時間數(shù)據(jù),卻能間接地反映出城市交通的真實(shí)特性(交叉口內(nèi)不同轉(zhuǎn)向延誤、路段通行速度、紅綠燈和斑馬線等復(fù)雜因素)對路段行程時間的影響,簡單實(shí)用。2、繼而,在上述簡化路網(wǎng)系列模型的基礎(chǔ)上,研究了基于車牌圖像識別的行程時間采集方法,并對其關(guān)鍵技術(shù)——車牌識別算法進(jìn)行了深入研究,對后期城市動態(tài)路徑誘導(dǎo)系統(tǒng)的全面應(yīng)用具有參考價值。同時研究了基于VISSIM微觀仿真的行程時間采集方法,并依據(jù)真實(shí)路段信息進(jìn)行建模,獲取后續(xù)研究所需的路段行程時間等其它交通數(shù)據(jù)。3、其次,針對簡化路網(wǎng)模型條件下行程時間的數(shù)據(jù)特點(diǎn),研究了基于支持向量機(jī)回歸的行程時間短時預(yù)測模型,并通過VISSIM仿真數(shù)據(jù)驗證了預(yù)測模型的有效性和準(zhǔn)確性。4、最后,提出了路段動態(tài)行程時間權(quán)值的計算公式,并對現(xiàn)有的靜態(tài)最短路徑算法進(jìn)行了改進(jìn),提出了動態(tài)最短路徑算法。該算法考慮了動態(tài)變化的交通信息對行程時間的影響,據(jù)此產(chǎn)生的誘導(dǎo)路徑也更加符合實(shí)際需求。通過Visual Studio編譯開發(fā)工具驗證了算法的可行性和有效性。本文所研究的城市動態(tài)路徑誘導(dǎo)部分關(guān)鍵理論與技術(shù),對滿足城市動態(tài)路徑誘導(dǎo)的實(shí)際需求、緩解城市交通擁堵、提高出行效率具有一定的學(xué)術(shù)和應(yīng)用參考價值。
【關(guān)鍵詞】：智能交通 簡化路網(wǎng)模型 行程時間短時預(yù)測 動態(tài)最短路徑算法
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-16
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.3 論文研究內(nèi)容13-14
• 1.4 論文組織結(jié)構(gòu)14-16
• 第二章 面向城市交通真實(shí)特性的簡化路網(wǎng)模型16-28
• 2.1 簡化靜態(tài)路網(wǎng)模型的描述16-22
• 2.1.1 常見路網(wǎng)模型及其特點(diǎn)16-17
• 2.1.2 簡化靜態(tài)路網(wǎng)的提出17-22
• 2.2 簡化動態(tài)路網(wǎng)模型的描述22-27
• 2.2.1 基于時段劃分的動態(tài)路網(wǎng)模型23-26
• 2.2.2 基于行程時間短時預(yù)測的動態(tài)路網(wǎng)模型26-27
• 2.3 本章小結(jié)27-28
• 第三章 面向簡化路網(wǎng)模型的行程時間采集方法28-40
• 3.1 基于車牌圖像識別的行程時間采集方法28-35
• 3.1.1 車牌預(yù)處理30-32
• 3.1.2 字符分割32-33
• 3.1.3 歸一化處理33
• 3.1.4 特征提取33-34
• 3.1.5 支持向量機(jī)訓(xùn)練34-35
• 3.1.6 車牌識別35
• 3.2 基于VISSIM微觀仿真的行程時間采集方法35-38
• 3.3 本章小結(jié)38-40
• 第四章 行程時間短時預(yù)測模型40-56
• 4.1 常用的行程時間預(yù)測方法40-44
• 4.1.1 歷史趨勢法40-41
• 4.1.2 時間序列模型41
• 4.1.3 卡爾曼濾波41-42
• 4.1.4 多元回歸(非參數(shù)回歸)42
• 4.1.5 仿真模型42-43
• 4.1.6 神經(jīng)網(wǎng)絡(luò)法43-44
• 4.2 支持向量機(jī)理論概述44-49
• 4.2.1 線性支持向量機(jī)回歸46-47
• 4.2.2 非線性支持向量機(jī)回歸47-48
• 4.2.3 支持向量機(jī)回歸的實(shí)現(xiàn)48-49
• 4.3 行程時間短時預(yù)測的支持向量機(jī)回歸模型49-55
• 4.3.1 預(yù)測模型建立49-50
• 4.3.2 核函數(shù)的選擇、模型結(jié)構(gòu)和參數(shù)尋優(yōu)50-52
• 4.3.3 實(shí)例分析52-55
• 4.4 本章小結(jié)55-56
• 第五章 動態(tài)最短路徑算法56-72
• 5.1 路徑誘導(dǎo)原理56
• 5.2 圖論及其相關(guān)概念56-57
• 5.3 經(jīng)典最短路徑算法概述57-62
• 5.3.1 Dijkstra算法57-58
• 5.3.2 Floyd算法58
• 5.3.3 A~*算法58-59
• 5.3.4 分層搜索算法59-60
• 5.3.5 遺傳算法60
• 5.3.6 算法比較60-62
• 5.4 動態(tài)最短路徑算法62-65
• 5.4.1 動態(tài)行程時間的表示62
• 5.4.2 路段動態(tài)行程時間權(quán)值確定方法62-64
• 5.4.3 基于改進(jìn)Dijkstra的動態(tài)最短路徑算法64-65
• 5.5 實(shí)例驗證65-70
• 5.6 本章小結(jié)70-72
• 第六章 總結(jié)與展望72-74
• 致謝74-76
• 參考文獻(xiàn)76-80
• 附錄80-88
• 作者簡介及在研期間研究成果88

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 趙沖;賀春林;;基于DA*算法的路徑誘導(dǎo)優(yōu)化研究[J];武漢理工大學(xué)學(xué)報(信息與管理工程版);2015年04期

2 劉欣;王非;;兩種GPU上改進(jìn)的最短路徑算法[J];計算機(jī)應(yīng)用研究;2014年05期

3 李皓天;李俊明;;談幸福指數(shù)沒有共同的依據(jù)標(biāo)準(zhǔn)[J];青年與社會;2014年03期

4 錢紅f;葛文鋒;鐘鳴;葛銘;;基于分層的改進(jìn)A算法在路徑規(guī)劃中的應(yīng)用[J];計算機(jī)工程與應(yīng)用;2014年07期

5 任然;靳文舟;巫威眺;;基于多屬性決策的最優(yōu)路徑選擇模型[J];交通信息與安全;2013年02期

6 胡萍;馬祖軍;;實(shí)時換乘信息提示下基于乘客偏好的線路選擇[J];交通運(yùn)輸系統(tǒng)工程與信息;2013年01期

7 張春輝;宋瑞;孫楊;;基于卡爾曼濾波的公交站點(diǎn)短時客流預(yù)測[J];交通運(yùn)輸系統(tǒng)工程與信息;2011年04期

8 高峰;王明哲;;誘導(dǎo)信息下的路徑選擇行為模型[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年06期

9 歐陽俊;陸鋒;劉興權(quán);段瀅瀅;;基于多核混合支持向量機(jī)的城市短時交通預(yù)測[J];中國圖象圖形學(xué)報;2010年11期

10 葛艷;王健;孟友新;江峰;;車輛導(dǎo)航動態(tài)路徑規(guī)劃的研究進(jìn)展[J];公路交通科技;2010年11期

，

本文編號：1132429