【摘要】：隨著中國城鎮(zhèn)化進程加快,交通擁堵日益成為城市發(fā)展的通病,通勤高峰期尤為明顯,通勤高峰期交通流量的精準預測是緩解交通擁堵的關鍵。另一方面,伴隨著智能交通的發(fā)展和多學科的交叉融合,積累了不同類型的海量多源數(shù)據(jù),如出租車GPS定位數(shù)據(jù)、人口戶籍數(shù)據(jù)、參保、社保數(shù)據(jù)等,這些數(shù)據(jù)一定程度反映了通勤者的出行規(guī)律,為通勤高峰期交通流量的預測提供了數(shù)據(jù)支持。然而,如何從海量多源數(shù)據(jù)中分析時空關聯(lián)關系,并在此基礎上預測通勤高峰期的交通流量,還缺乏相應的解決方案。本文提出基于多源數(shù)據(jù)的通勤高峰期交通流量預測方法,依據(jù)不同交通工具的服務半徑和出行距離,根據(jù)相關分類算法歸納總結通勤方式的最佳方案,為宏觀交通規(guī)劃的優(yōu)化設計提供科學的決策。本論文研究主要內容包括:1.基于闡述本文的研究背景、研究意義、國內外交通流量預測相關進展,提出本文的研究內容;2.針對交通流量采集傳感器進行歸類整理,然后結合重慶市南岸區(qū)部分典型道路的真實斷面交通流量數(shù)據(jù),歸納總結出城市道路交通流量三類特征:動態(tài)性、時間相似性與空間相關性;3.多源數(shù)據(jù)預處理:從基本人口數(shù)據(jù)、路網(wǎng)數(shù)據(jù)、公交線路數(shù)據(jù)、出租車GPS軌跡數(shù)據(jù)等多源數(shù)據(jù)分析著手,提出了多源數(shù)據(jù)預處理方法,為交通流量預測提供數(shù)據(jù)準備;4.通勤高峰期交通流量預測原理:介紹利用經典Dijkstra算法實現(xiàn)最短通勤距離計算的非機動車出行統(tǒng)計模型;介紹基于軌道交通優(yōu)先算法實現(xiàn)的私家車流量預測模型,.介紹利用地圖匹配算法實現(xiàn)的出租車流量預測模型,進而實現(xiàn)基于多源數(shù)據(jù)的通勤高峰期交通流量預測研究。為驗證本文方法的正確性,本文以武漢市為實驗區(qū)域,通過實驗證明,基于多源數(shù)據(jù)的通勤高峰期交通流量預測突破了依賴歷史交通數(shù)據(jù)的局限,為交通流量預測提供了新的方法,為中微觀交通規(guī)劃和仿真提供新思路。
[Abstract]:With the acceleration of urbanization in China, traffic congestion is becoming a common problem in urban development, especially during the peak period of commuting. Accurate prediction of traffic flow during commuting peak is the key to alleviate traffic congestion. On the other hand, with the development of intelligent transportation and the cross-integration of multi-disciplines, it has accumulated different types of massive multi-source data, such as taxi GPS location data, population registration data, insurance, social security data, and so on. These data reflect the commuter's travel law to some extent and provide data support for the forecast of commuter's rush hour traffic flow. However, how to analyze the temporal and spatial correlation from massive multi-source data and predict the traffic flow during commuting rush hours on the basis of this, there is still a lack of corresponding solutions. In this paper, a multi-source data based commuting peak traffic flow prediction method is proposed. According to the service radius and travel distance of different vehicles, the best scheme of commuting mode is summarized according to the relevant classification algorithm. It provides scientific decision for optimization design of macro traffic planning. The main contents of this thesis are as follows: 1. Based on the background of this paper, the significance of the research, traffic flow prediction at home and abroad related progress, put forward the research content of this paper; 2. According to the traffic flow collecting sensors, this paper classifies and arranges the traffic flow data of some typical roads in Nanan district of Chongqing, and summarizes three characteristics of urban road traffic flow: dynamic, and dynamic. Temporal similarity and spatial correlation; 3. Multi-source data preprocessing: from the basic population data, road network data, bus line data, taxi GPS track data and other multi-source data analysis, put forward a multi-source data preprocessing method to provide data preparation for traffic flow forecasting; 4. The principle of commuting peak traffic flow prediction: this paper introduces a non-motor vehicle travel statistical model which uses classical Dijkstra algorithm to calculate the shortest commuting distance, and a private car flow prediction model based on rail transit priority algorithm. This paper introduces a taxi flow forecasting model based on map matching algorithm, and then realizes the research of commuting peak traffic flow prediction based on multi-source data. In order to verify the correctness of this method, this paper takes Wuhan as the experimental area and proves that the commuting peak traffic flow prediction based on multi-source data breaks through the limitation of relying on historical traffic data. It provides a new method for traffic flow prediction and a new idea for traffic planning and simulation.
【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】：U491.14

【相似文獻】

相關期刊論文 前10條

1 潘昱,張晶;基于城市路口相關性的交通流量預測[J];交通與計算機;2005年01期

2 劉世超;基于極大似然估計的路段交通流量預測[J];西南交通大學學報;2005年02期

3 劉長虹;陳志恒;黃虎;;城市短期交通流量預測方法的探討[J];現(xiàn)代交通技術;2006年01期

4 侯明善;蘭云;;基于自適應模糊神經推理網(wǎng)絡的交通流量預測研究[J];機械科學與技術;2006年10期

5 胡丹;肖建;車暢;;提升小波支持向量機在交通流量預測中的應用[J];計算機應用研究;2007年08期

6 姚亞夫;劉侃;;基于遺傳神經網(wǎng)絡的交通流量預測研究[J];公路與汽運;2007年06期

7 范魯明;賀國光;;改進非參數(shù)回歸在交通流量預測中的應用[J];重慶交通大學學報(自然科學版);2008年01期

8 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預測方法[J];華東理工大學學報(自然科學版);2011年03期

9 劉長虹;黃虎;陳力華;吳偉蔚;;基于隨機過程下的交通流量預測方法[J];上海工程技術大學學報;2006年02期

10 猶勇;;組合預測方法在城市交通流量預測中的運用[J];重慶工商大學學報(自然科學版);2007年02期

相關會議論文 前7條

1 龐清樂;;基于蟻群算法的交通流量預測[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

2 張勇;關偉;;基于多變量序列重構的交通流量預測[A];2008第四屆中國智能交通年會論文集[C];2008年

3 劉強;朱敏;王小維;邱震宇;;灰色神經模型在空中交通流量預測中的應用[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 劉智勇;徐今強;李水友;;城市交通流量的混沌時間序列預測[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術年會專輯[C];2004年

5 周申培;嚴新平;;信息融合技術在交通流量預測中的應用[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

6 于江波;陳后金;;基于分段學習的BP神經網(wǎng)絡的交通流量預測[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

7 蔣海峰;魏學業(yè);張屹;;基于加權一階局域法的短時交通流量預測的研究[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術論壇（交通運輸工程學科）論文集（下冊）[C];2005年

相關碩士學位論文 前10條

1 胡孟杰;基于流量預測的交通信號控制技術研究[D];浙江工業(yè)大學;2014年

2 慕偉;城市道路交通流預測與路徑選擇研究[D];浙江工業(yè)大學;2015年

3 林海濤;面向短時交通流量預測的神經網(wǎng)絡算法研究[D];南京郵電大學;2016年

4 談X;基于路口相關性的變結構式組合交通流量預測的研究[D];合肥工業(yè)大學;2017年

5 許麗;基于多源數(shù)據(jù)的通勤高峰期交通流量預測方法[D];西南交通大學;2017年

6 張仁初;寧波港船舶交通流量預測研究[D];大連海事大學;2008年

7 朱文姍;擬建高速公路交通流量預測系統(tǒng)的設計與實現(xiàn)[D];中國科學院大學（工程管理與信息技術學院）;2014年

8 李波;基于小波分析和遺傳神經網(wǎng)絡的短時城市交通流量預測研究[D];北京交通大學;2012年

9 何偉;模糊神經網(wǎng)絡在交通流量預測中的應用研究[D];蘭州交通大學;2012年

10 吳凱;基于神經網(wǎng)絡的短時交通流量預測研究[D];南京郵電大學;2013年

，

本文編號：2426520