本文選題：數(shù)據(jù)融合 + 粒子群優(yōu)化算法��； 參考：《北京交通大學(xué)》2017年碩士論文

【摘要】：智能交通系統(tǒng)作為解決城市交通擁堵問題的有效途徑得到了眾多城市的一致認可。諸如車牌識別、RTMS檢測器等交通流參數(shù)智能感知設(shè)備的不斷豐富,在很大程度上促進了交通管理的智能化發(fā)展。然而,不同設(shè)備獲取的交通流參數(shù)信息在格式、種類等方面存在一定的差異,同時單一檢測設(shè)備往往存在信息缺失、信息錯誤等質(zhì)量問題,這將導(dǎo)致決策失誤。因此,如何實現(xiàn)多種設(shè)備信息的互補校驗,從而提高交通流參數(shù)信息的精確度和可靠性尤為重要。本文基于北京市二環(huán)快速路交通流實測數(shù)據(jù),提出了面向區(qū)間實時車速估計的多源異質(zhì)交通流數(shù)據(jù)融合方案。首先,基于多源動態(tài)交通流實測數(shù)據(jù)分析了數(shù)據(jù)的原始屬性和交通流時空相關(guān)特性;其次,通過對交通領(lǐng)域現(xiàn)有融合方法的優(yōu)缺點進行對比分析確定了本文的融合方法;再次,針對交通流參數(shù)的數(shù)據(jù)質(zhì)量問題,依照時間點漂移數(shù)據(jù)、缺失數(shù)據(jù)、冗余數(shù)據(jù)及錯誤數(shù)據(jù)的順序分別進行識別與修正研究,采用動態(tài)閾值識別法與交通流機理識別法相結(jié)合的方式識別錯誤數(shù)據(jù),根據(jù)缺失數(shù)據(jù)個數(shù)的不同選取不同的方法進行修補,同時提出了基于改進埃特金插值的錯誤數(shù)據(jù)修正方法,并對修正后的數(shù)據(jù)進行卡爾曼濾波降噪處理;最后,基于神經(jīng)網(wǎng)絡(luò)建立了小波神經(jīng)網(wǎng)絡(luò)融合模型與自適應(yīng)變異粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)融合模型,通過仿真實現(xiàn)并引入MAE、MAPE、RMSE、MSPE、EC與LSE等誤差指標對模型進行評價,結(jié)果表明本文建立的兩種模型的融合精度要明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò),精度均達到90%以上,且誤差離散程度較小,同時對比了樣本集處理前后的小波神經(jīng)網(wǎng)絡(luò)融合模型的融合效果,驗證了樣本處理的重要性。
[Abstract]:As an effective way to solve the problem of urban traffic congestion, Intelligent Transportation system (its) has been unanimously recognized by many cities. The abundance of intelligent sensing devices for traffic flow parameters, such as license plate recognition and RTMS detector, promotes the intelligent development of traffic management to a great extent. However, there are some differences in the format and type of traffic flow parameter information obtained by different equipments. At the same time, the single detection equipment often has quality problems such as missing information, information error and so on, which will lead to decision-making errors. Therefore, how to realize the complementary calibration of various equipment information and improve the accuracy and reliability of traffic flow parameter information is particularly important. Based on the measured traffic flow data of Beijing second Ring Expressway, a multi-source heterogeneous traffic flow data fusion scheme for interval real-time speed estimation is proposed in this paper. Firstly, based on the measured data of multi-source dynamic traffic flow, the original attributes of the data and the space-time correlation characteristics of the traffic flow are analyzed. Secondly, the fusion method of this paper is determined by comparing the advantages and disadvantages of the existing fusion methods in the field of transportation. Aiming at the problem of data quality of traffic flow parameters, according to the order of time drift data, missing data, redundant data and error data, the recognition and correction of traffic flow parameters are studied respectively. The method of dynamic threshold recognition and traffic flow mechanism recognition is used to identify the wrong data. According to the number of missing data, different methods are selected to repair the error data. At the same time, an error data correction method based on improved Etkin interpolation is proposed, and the modified data is processed by Kalman filter noise reduction. Finally, Wavelet neural network fusion model and adaptive mutation particle swarm optimization wavelet neural network fusion model are established based on neural network. The results show that the fusion accuracy of the two models is obviously better than that of the traditional BP neural network, and the accuracy is more than 90%, and the degree of error dispersion is small. At the same time, the fusion effect of wavelet neural network fusion model before and after sample set processing is compared, and the importance of sample processing is verified.
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U491

【參考文獻】

相關(guān)期刊論文 前10條

1 張勝賓;趙祚喜;;多傳感器融合的車輛自主定位試驗[J];機電工程技術(shù);2016年08期

2 徐程;曲昭偉;陶鵬飛;金盛;;動態(tài)交通數(shù)據(jù)異常值的實時篩選與恢復(fù)方法[J];哈爾濱工程大學(xué)學(xué)報;2016年02期

3 陸化普;孫智源;屈聞聰;;基于動態(tài)閾值的交通流故障數(shù)據(jù)實時識別方法[J];土木工程學(xué)報;2015年11期

4 王雪;雷勝華;;改進埃特金插值理論在智能變電站中的應(yīng)用[J];電力系統(tǒng)保護與控制;2015年15期

5 陸化普;屈聞聰;孫智源;;基于S-G濾波的交通流故障數(shù)據(jù)識別與修復(fù)算法[J];土木工程學(xué)報;2015年05期

6 劉江;蔡伯根;王云鵬;;基于GNSS/DSRC融合的協(xié)同車輛定位方法[J];交通運輸工程學(xué)報;2014年04期

7 宋鴻;陳寧;彭建國;蔣程;劉玉印;;多源交通信息融合技術(shù)在重慶市智能交通誘導(dǎo)系統(tǒng)中的應(yīng)用研究[J];交通標準化;2013年01期

8 姜桂艷;牛世峰;李紅偉;;動態(tài)交通數(shù)據(jù)質(zhì)量評價方法研究[J];北京工業(yè)大學(xué)學(xué)報;2011年08期

9 姜桂艷;李琦;常安德;;數(shù)據(jù)融合技術(shù)在交通事件檢測中的應(yīng)用綜述[J];交通信息與安全;2011年03期

10 李莉;;基于手機采集與車載GPS采集方式的交通狀態(tài)信息融合技術(shù)[J];黑龍江科技信息;2011年09期

相關(guān)博士學(xué)位論文 前8條

1 丁宏飛;城市快速路交通信息提取與協(xié)同優(yōu)化研究[D];西南交通大學(xué);2015年

2 趙新勇;基于多源異構(gòu)數(shù)據(jù)的高速公路交通安全評估方法[D];哈爾濱工業(yè)大學(xué);2013年

3 謝濤;基于（多）小波（包）、神經(jīng)網(wǎng)絡(luò)及優(yōu)化的模擬電路故障診斷研究[D];湖南大學(xué);2011年

4 高德荃;城市道路交通狀態(tài)數(shù)據(jù)模式分析研究[D];武漢大學(xué);2009年

5 閆允一;粒子群優(yōu)化及其在圖像處理中的應(yīng)用研究[D];西安電子科技大學(xué);2008年

6 王欣;多傳感器數(shù)據(jù)融合問題的研究[D];吉林大學(xué);2006年

7 譚振江;多傳感器光測系統(tǒng)數(shù)據(jù)融合技術(shù)的應(yīng)用研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2003年

8 衡彤;小波分析及其應(yīng)用研究[D];四川大學(xué);2003年

相關(guān)碩士學(xué)位論文 前10條

1 趙瑩;基于多源檢測器的城市快速路區(qū)間車速融合算法研究[D];北京交通大學(xué);2016年

2 王鵬;基于信息融合的智能交通信號燈控制系統(tǒng)研究[D];沈陽工業(yè)大學(xué);2016年

3 鹿高娜;基于D-S證據(jù)理論的融合事件檢測算法研究[D];北京交通大學(xué);2016年

4 閆光;基于多傳感器信息融合的動態(tài)目標檢測與識別[D];北京理工大學(xué);2015年

5 高強;城市快速路交通流多源數(shù)據(jù)修正方法研究[D];北京交通大學(xué);2014年

6 閆紀如;粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)在交通流預(yù)測中的應(yīng)用[D];浙江工業(yè)大學(xué);2013年

7 邱奉翠;基于城市快速路和主干道多源交通檢測信息的數(shù)據(jù)融合技術(shù)研究[D];北京交通大學(xué);2012年

8 徐桂鑫;基于數(shù)據(jù)融合的路段行程時間估計[D];山東大學(xué);2012年

9 趙亮;基于數(shù)據(jù)融合與GIS技術(shù)的動態(tài)交通信息誘導(dǎo)系統(tǒng)研究與設(shè)計[D];山東大學(xué);2010年

10 張旭;面向交通運行狀態(tài)評價的多源異質(zhì)交通流數(shù)據(jù)融合技術(shù)方法研究[D];北京交通大學(xué);2008年

，

本文編號：1788591