本文選題：汽車 + 車速預(yù)測�。� 參考：《重慶大學(xué)》2015年碩士論文

【摘要】：汽車車速預(yù)測的研究已經(jīng)成為智能汽車以及智能交通領(lǐng)域的研究重點之一。基于車聯(lián)網(wǎng)預(yù)測汽車未來行駛車速,可用于汽車路徑導(dǎo)航、碰撞預(yù)警及節(jié)能輔助駕駛系統(tǒng),其研究具有重要的理論與應(yīng)用價值。本文的主要研究內(nèi)容如下:①通過VISSIM交通流仿真軟件構(gòu)建市區(qū)路網(wǎng)模型,模擬實際交通的不同交通狀態(tài),包括擁堵、暢通、緩行等交通工況,獲得車速預(yù)測的原始數(shù)據(jù)。建立了路段實時動態(tài)劃分模型,將變長劃分與定長劃分結(jié)合,對汽車未來行駛路段進行細致劃分,確定基本路段及其子路段合成的劃分方法。②建立兩種灰色車速預(yù)測模型,即簡單灰色預(yù)測模型GM(1,1)與灰色神經(jīng)網(wǎng)絡(luò)模型GNN。研究表明簡單灰色車速預(yù)測模型GM(1,1)適用于車輛穩(wěn)速行駛、趨于加速行駛、趨于減速行駛的車速軌跡預(yù)測中,灰色神經(jīng)網(wǎng)絡(luò)則適用于擁堵路段走走停停工況。分析了不同時間間隔對車速預(yù)測模型預(yù)測時長與精度的影響,并驗證了兩種灰色車速模型的預(yù)測精度。③建立最相似近鄰車速預(yù)測模型,在路段劃分的基礎(chǔ)上提取路段平均車速,構(gòu)建當前路段的歷史數(shù)據(jù)庫,并從中找到與當前路段平均速度變化特性最為相似的路段歷史平均車速序列,作為未來多個時刻路段平均速度的預(yù)測值。分析了不同采樣間隔與樣本時間的歷史數(shù)據(jù)庫對最相似近鄰預(yù)測模型的影響,并驗證了模型的預(yù)測效果。④通過4種典型工況路段內(nèi)所有車輛的車速軌跡、加速度及車間距分布數(shù)據(jù),分析了7個基本特征參數(shù)在暢通、緩行、小擁堵、大擁堵這4種典型工況下的箱線圖,確定路段平均速度、速度均方差作為工況識別的2個參數(shù),并制定了工況識別的判斷規(guī)則。最后論文給出了灰色車速預(yù)測模型、最相似近鄰車速預(yù)測模型、基于其它車輛速度軌跡近似預(yù)測方法及路段平均車速近似預(yù)測方法的適用條件與范圍。
[Abstract]:The research of vehicle speed prediction has become one of the key points in intelligent vehicle and intelligent transportation field. The prediction of future vehicle speed based on vehicle networking can be used in vehicle path navigation, collision warning and energy-saving driving system, which has important theoretical and application value. The main contents of this paper are as follows: 1. The traffic flow simulation software of VISSIM is used to build the urban road network model to simulate different traffic conditions, including congestion, smooth and slow traffic conditions, and to obtain the original data of speed prediction. In this paper, a real-time dynamic partition model of road sections is established, which combines variable length partition with fixed length division, and then makes a detailed division of the future segment of the vehicle, and establishes two kinds of grey speed prediction models, which are composed of the basic road sections and their sub-sections. That is, the simple grey prediction model GM (1 + 1) and the grey neural network model (GNN). The research shows that the simple grey prediction model GM (1 / 1) is suitable for vehicle speed control, tends to speed up, and tends to decelerate, and grey neural network is suitable for stop and stop condition in congested sections. The influence of different time intervals on the prediction time and accuracy of the vehicle speed prediction model is analyzed, and the prediction accuracy of the two grey speed models is verified. 3. The most similar nearest neighbor speed prediction model is established. Based on the division of road sections, the average speed of road sections is extracted, the historical database of current sections is constructed, and the sequence of historical average speed of sections most similar to the changing characteristics of average speed of current sections is found. As the predicted value of the average speed at many times in the future. The influence of historical database with different sampling interval and sample time on the most similar nearest neighbor prediction model is analyzed, and the prediction effect of the model is verified. 4. The speed track of all vehicles in four typical working conditions is verified. The data of acceleration and vehicle spacing distribution are analyzed. The box diagrams of seven basic characteristic parameters are analyzed under the four typical operating conditions: smooth, slow, small congestion and heavy congestion. The average speed of road section is determined, and the mean variance of speed is taken as two parameters to identify the working conditions. The judging rules of working condition identification are also established. Finally, the paper gives the grey speed prediction model, the nearest neighbor speed prediction model, the applicable conditions and the range of the approximate prediction method based on other vehicle velocity trajectory and the road section average speed prediction method.
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：U495

【相似文獻】

相關(guān)期刊論文 前10條

1 林祥興;楊曉飛;;基于射頻識別的路段平均車速算法[J];公路工程;2010年06期

2 董少霓;介紹一種數(shù)字式定距離平均車速測量方法[J];工程機械;1981年03期

3 ;各國對汽車時速的限制[J];航天技術(shù)與民品;1998年09期

4 雨佳;;各國對汽車時速的限制[J];中國經(jīng)濟信息;1998年11期

5 王澤;;開快車折壽:高速駕車60分鐘損失80分鐘生命[J];駕駛園;2010年05期

6 郭鳳香;熊堅;秦雅琴;萬華森;;基于駕駛模擬實驗的85%位車速預(yù)測模型[J];交通科技與經(jīng)濟;2010年03期

7 孫逢春,王震坡,王軍;北京市公共汽車平均車速統(tǒng)計分析[J];汽車工程;2003年03期

8 張春虎;采用航空遙感技術(shù)研究上海交通問題[J];城市規(guī)劃;1992年02期

9 姚明;誘發(fā)爆胎的因素及對策[J];世界汽車;2004年07期

10 樊明明;;多項措施應(yīng)對交通最擁堵9月[J];汽車與安全;2013年09期

相關(guān)會議論文 前2條

1 吳丹;張世秋;謝旭軒;易如;黃德生;;北京市奧運會機動車限行措施的效果評估[A];中國環(huán)境科學(xué)學(xué)會2009年學(xué)術(shù)年會論文集（第四卷）[C];2009年

2 楊耿;邱程;;基于無線定位的ETC車道車速檢測與估計[A];《IT時代周刊》2013年度論文集[C];2013年

相關(guān)重要報紙文章 前10條

1 記者 姚啟慧 通訊員 王威;三鎮(zhèn)平均車速快了3公里[N];湖北日報;2012年

2 本報見習記者 王曉峰　通訊員 陸明光 周瑾;主干道平均車速提高5.4%[N];寧波日報;2011年

3 記者 王元暉;城區(qū)平均車速今年將提高10%[N];廈門日報;2009年

4 ;2010年：市區(qū)平均車速不低于30公里／小時[N];南京日報;2004年

5 李睿　本報記者 周海波;車多路堵 全國并非成都獨有[N];成都日報;2009年

6 記者　周森;城市主干道平均車速顯著提高[N];深圳商報;2006年

7 本報記者 張春云;30萬輛車將帶來怎樣的交通[N];西寧晚報;2010年

8 沈小妮;嶄新深南路車流大提速[N];深圳商報;2007年

9 王雷鳴 鄔煥慶;我國城市主干道車輛平均時速超過37公里[N];中國汽車報;2003年

10 劉振興 王友科;從東往西跑 果然很順暢[N];青島日報;2012年

相關(guān)碩士學(xué)位論文 前3條

1 楊盼盼;汽車未來行駛車速預(yù)測[D];重慶大學(xué);2015年

2 李楠;高速公路減速過程車速與車速方差關(guān)系研究[D];重慶交通大學(xué);2012年

3 閆衛(wèi)兵;排放約束下對紅旗CA7220E型轎車傳動系匹配的研究[D];吉林大學(xué);2004年

，

本文編號：2069285