【摘要】：伴隨著交通需求的急劇增加,城市道路交通日趨飽和,嚴重制約了社會經濟的發(fā)展。為了滿足城市組團間的快速出行需求,各大中心城市相繼開始規(guī)劃建設高快速路網。作為城市交通系統(tǒng)的基本骨架,快速路承擔著較大比重的機動車交通出行量。由于快速路良好的通達性和密集的匝道口設計,其交通運行態(tài)勢呈現(xiàn)出逐年惡化的趨勢,交通運輸效率大幅下降,與其功能定位嚴重不相吻合,主要表現(xiàn)為:擁擠強度加劇、擁堵范圍蔓延和擁堵時間持續(xù)增長。因此,提升城市快速路的交通運行效率成為城市交通管理的首要任務。準確提取實時、可靠的交通狀態(tài)信息是智能交通管理的前提,而交通狀態(tài)具有很強的隨機性和非線性特征,造成快速路的交通狀態(tài)識別十分復雜。云模型是一種很好的定性定量相互轉換的工具,為快速路的交通狀態(tài)識別提供了一種新的研究方法。論文基于改進云模型對快速路交通狀態(tài)的識別方法進行研究,主要包括以下幾個方面的內容:(1)系統(tǒng)回顧當前針對交通狀態(tài)識別的研究進展,確定選用云模型進行快速路交通狀態(tài)識別;對交通狀態(tài)評價指標進行篩選,為避免流量的二流特性對識別結果產生干擾,選擇速度和時間占有率作為評價指標。(2)研究數(shù)據(jù)預處理的方法,為識別模型作數(shù)據(jù)準備。對錯誤數(shù)據(jù)的識別和處理,設計基于時序權重的時間序列方法補齊丟失數(shù)據(jù),通過算例分析表明:基于時序權重的數(shù)據(jù)補齊方法更能反映交通流參數(shù)的時變特性,補齊結果更加接近真實值。(3)建立基于云模型的快速路交通狀態(tài)識別方法。采用K-means聚類分析對歷史數(shù)據(jù)進行聚類,通過逆向云發(fā)生器算法得到初始模版云,并利用梯形云對模版進行改進,獲取實際快速路交通狀態(tài)的模版云;進一步通過信息熵函數(shù)對評價指標進行動態(tài)賦權,得到快速路的交通狀態(tài)和交通擁堵指數(shù)。(4)通過具體案例對模型識別效果進行評價�；诔啥际卸h(huán)高架的微波數(shù)據(jù),將本文所建模型和速度閾值法、V/C比閾值法的識別結果進行比較分析,驗證基于云模型的交通狀態(tài)識別模型的有效性。研究結論表明:基于云模型的交通狀態(tài)識別方法能改善單一指標閾值劃分方法的不足,解決了傳統(tǒng)正態(tài)云模型在極端情況下識別精度不高的問題,更能反映真實的交通運行狀態(tài),具有較強的實用性和可移植性。
[Abstract]:With the rapid increase of traffic demand, urban road traffic becomes increasingly saturated, which seriously restricts the development of social economy. In order to meet the needs of rapid travel among urban groups, the major central cities have begun to plan and build high speed road network. As the basic framework of urban traffic system, expressway bears a large proportion of motor vehicle travel volume. Due to the good accessibility and dense ramp design of expressway, the traffic running situation is worsening year by year, and the efficiency of transportation is greatly decreased, which is not in accord with its function orientation seriously, and the main performance is: the intensity of congestion intensifies. Congestion spread and congestion time continues to grow. Therefore, improving the efficiency of urban expressway traffic becomes the primary task of urban traffic management. Accurate extraction of real-time and reliable traffic state information is the premise of intelligent traffic management, and traffic state has strong randomness and nonlinear characteristics, resulting in the expressway traffic state recognition is very complex. Cloud model is a good tool for qualitative and quantitative interconversion, which provides a new research method for expressway traffic state recognition. In this paper, based on the improved cloud model, the identification method of expressway traffic state is studied, which includes the following aspects: (1) the current research progress of traffic state recognition is reviewed. The cloud model is chosen to identify the traffic state of expressway, and the evaluation index of traffic state is screened to avoid the interference of the two-flow characteristic of the flow to the identification result. The speed and time share are selected as evaluation indexes. (2) the method of data preprocessing is studied to prepare the data for identifying the model. To identify and deal with the error data, the time series method based on the time series weight is designed to correct the lost data. Through the analysis of an example, it is shown that the time varying characteristics of the traffic flow parameters can be better reflected by the data alignment method based on the time series weight. The complement results are closer to the real value. (3) the method of expressway traffic state recognition based on cloud model is established. K-means clustering analysis is used to cluster the historical data, and the initial template cloud is obtained by the reverse cloud generator algorithm, and the trapezoid cloud is used to improve the template to obtain the template cloud of the actual expressway traffic state. Furthermore, the evaluation index is dynamically weighted by the information entropy function, and the traffic state and traffic congestion index of the expressway are obtained. (4) the effectiveness of the model identification is evaluated through specific cases. Based on the microwave data of Chengdu's second ring viaduct, the recognition results of the proposed model and the velocity threshold method / V / C ratio threshold method are compared and analyzed to verify the validity of the traffic state recognition model based on the cloud model. The results show that the method of traffic state recognition based on cloud model can solve the problem that the traditional normal cloud model has low recognition accuracy in extreme cases. It can reflect the real state of traffic and has strong practicability and portability.
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：U491

【參考文獻】

相關期刊論文 前10條

1 聶佩林;龔峻峰;;一種路網交通流參數(shù)的融合預測方法[J];交通運輸系統(tǒng)工程與信息;2015年06期

2 伍育紅;;聚類算法綜述[J];計算機科學;2015年S1期

3 褚鵬宇;劉瀾;尹俊淞;盧維科;;融合時空信息的短時交通流預測[J];計算機工程與應用;2016年12期

4 周繼彪;陳紅;閆彬;張文;馮微;;基于云模型的地鐵換乘樞紐擁擠度辨識方法[J];吉林大學學報(工學版);2016年01期

5 李瑞敏;馬瑋;;基于BP神經網絡與D-S證據(jù)理論的路段平均速度融合方法[J];交通運輸工程學報;2014年05期

6 賈興利;許金良;;基于云模型的地震區(qū)公路震害風險評估[J];同濟大學學報(自然科學版);2014年09期

7 俞志富;李俊武;王利華;;一種基于云模型和證據(jù)理論的融合識別方法[J];信息與控制;2014年01期

8 李嘉;劉春華;胡賽陽;王芳;;基于交通數(shù)據(jù)融合技術的行程時間預測模型[J];湖南大學學報(自然科學版);2014年01期

9 凌武能;杭乃善;李如琦;;基于云支持向量機模型的短期風電功率預測[J];電力自動化設備;2013年07期

10 李悅;陸化普;張永波;蔚欣欣;;基于云模型的城市快速路交通狀態(tài)評價方法研究[J];公路工程;2013年03期

相關會議論文 前1條

1 王福建;韋薇;王殿海;祁宏生;;基于宏觀基本圖的城市路網交通狀態(tài)判別與監(jiān)控[A];第七屆中國智能交通年會優(yōu)秀論文集——智能交通技術[C];2012年

相關博士學位論文 前5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;2015年

2 楊泳;城市快速路交通擁堵形成、傳播規(guī)律及消散控制策略研究[D];西南交通大學;2015年

3 郭洪洋;信息約束條件下的路網行程時間可靠性研究[D];西南交通大學;2014年

4 敖谷昌;城市快速路交通狀態(tài)特性及關聯(lián)分析方法研究[D];北京交通大學;2014年

5 高宏巖;融合移動信號流的高速公路交通擁擠預警與調控[D];山東科技大學;2011年

相關碩士學位論文 前5條

1 王堯;城市道路交通擁堵評價與判定方法研究[D];北京工業(yè)大學;2014年

2 萬佳;基于云模型的路網交通擁堵狀態(tài)判別算法研究[D];哈爾濱工業(yè)大學;2012年

3 李家偉;城市道路交通擁擠狀態(tài)識別關鍵技術研究[D];西南交通大學;2009年

4 劉靜;基于狀態(tài)劃分的交通流短時預測方法研究[D];北京交通大學;2007年

5 張懷天;基于云模型的數(shù)據(jù)挖掘及其在交通流系統(tǒng)中的應用[D];天津大學;2007年

，

本文編號：2203267