【摘要】：短時交通流分析是智能交通系統(tǒng)的重要組成部分,其中短時交通流聚類能夠發(fā)現(xiàn)不同時間不同路段的相似交通流模式,為交通管理提供支撐;短時交通流預測能夠提供未來較短時間的交通流狀態(tài)的預測,為實現(xiàn)智能交通誘導與控制提供支撐。本文以某旅游景區(qū)周邊某高速公路卡口在國慶節(jié)假日和非節(jié)假日交通流量為實驗對象,以改進短時交通流序列的相似性度量為核心手段,從聚類和預測兩個研究角度出發(fā),解決了兩個過去較少被研究又有其實際意義的問題:在短時交通流聚類中對現(xiàn)有相似性度量局限性的討論和改進,以及將K近鄰回歸方法應用在短時交通流預測中實現(xiàn)非對稱損失的預測。首先,本文介紹了數(shù)據(jù)基本信息,對數(shù)據(jù)進行描述性統(tǒng)計和預處理;分析了節(jié)假日和非節(jié)假日的交通流特征的差別,使用時間序列分析手段分析其序列生成機制。其次,本文利用節(jié)假日和非節(jié)假日交通流模式的差別,檢驗了分層聚類、K均值及K中心點聚類在短時交通流聚類上的可行性;檢驗了 LOESS平滑技術對聚類效果的提升,以及不同LOESS參數(shù)對聚類效果的影響;檢驗應用其他經(jīng)典相似性度量手段實現(xiàn)聚類上的可行性;并對經(jīng)典的歐氏距離在短時交通流聚類上的局限性討論,通過在歐氏距離上加上對序列差平穩(wěn)性的懲罰項實現(xiàn)了改進,并用實驗驗證了改進。再次,本文在序列生成機制的基礎上建立了 IMA(1,1)的基準模型;之后將“一步型預測”的靜態(tài)K近鄰方法改造成“滾動型預測”的動態(tài)K近鄰方法,使用原始流量數(shù)據(jù)和LOESS平滑后流量數(shù)據(jù)進行動態(tài)預測,并進行殘差分析;之后研究了K近鄰方法中三個關鍵參數(shù)的靈敏度,找到了該問題下最優(yōu)參數(shù)取值;最后提出了非對稱損失預測問題,提出了改進相似性度量實現(xiàn)非對稱損失預測的三種思路,對判別標準和預測算法進行改進,并用實驗驗證新算法成功實現(xiàn)了非對稱損失預測。本文的研究特色在于抓住改進交通流序列相似性度量這個關鍵問題,在短時交通流聚類中實現(xiàn)了對歐氏距離的改進,在預測中實現(xiàn)了非對稱損失的預測,增強了K近鄰回歸在短時交通流預測中的應用能力,具有一定的理論及應用意義。本文的不足在于提出的非對稱損失預測方法較為樸素粗糙,有易受異常值影響等缺點,未來還需要更多的相關研究和改進使其更加成熟。
【圖文】：

靈敏度做了檢驗，，找到最佳參數(shù)取值；四是提出了非對稱損失預測問題，改進了判逡逑別標準，利用相似性度量改進了Ｋ近鄰預測算法，并用實驗驗證了改進效果。逡逑本文的技術路線圖如圖１－１所示。逡逑引言邐ｊ逡逑時間序列聚類邐＾邐短時交通流預｜逡逑腦背ｉ邐Ｗ煙的和總義邐研宄內(nèi)容逡逑Ｖ邐．邐Ｔ逡逑丨ｉ交通流時間序：邐交通流時間序＾逡逑列聚類理論邐Ｘ艦理論丨交佭數(shù)據(jù)采集與預處理技＊邐灥測理論丨逡逑：…邐—．．－－邐：邋１邋邐邐邐逡逑１邐１￣邐￣￣￣邐＾ｊ￣ｒ；逡逑節(jié)假日與非節(jié)邐交通流探索性分析與生成機制分析邐六丨逡逑假日交佭特邐＇逡逑征分析邐交通流數(shù)據(jù)介紹邋數(shù)據(jù)描述性統(tǒng)計與預處理逡逑ｒｒ—…二二：……＝：—……二〕ｎ＝Ｅ＾—逡逑Ｉ交：邐分層聚類］：丨歐氏運瀬｝１邐瞧１１’１）基準模型．．蓋逡逑通邋聚類邐＾邐改進的動態(tài)

圖２－２傳統(tǒng)“一次預測型”邋Ｋ近鄰算法流程逡逑Ｆｉｇ邋２－２邋Ｔｒａｄｉｔｉｏｎａｌ邋ｓｔａｔｉｃ邋Ｋ－Ｎｅａｒｅｓｔ邋Ｎｅｉｇｈｂｏｒ邋ａｌｇｏｒｉｔｈｍｓ逡逑２．４．３交通流時間序列預測評價指標逡逑本文所使用評價交通流量預測效果的評價指標是均方誤差ＭＳＥ、均方根誤差逡逑ＲＭＳＥ和平均絕對誤差ＭＡＥＭ。在５．４．２節(jié)中將ＭＳＥ評價指標改進為非對稱的逡逑ＩＭＳＥ邋（Ｉｍｂａｌａｎｃｅｄ邋Ｍｅａｎ邋Ｓｑｕａｒｅｄ邋Ｅｒｒｏｒ）。逡逑ＭＳＥ計算公式如下：逡逑ｊ邋Ｎ邐２逡逑ＭＳＥ邋＝邋一邋Ｖ｛ｏｂｓｅｒｖｅｄｔ邋－邋ｐｒｅｄｉｃｔｅｄｔ）邐公式（２－１７）逡逑Ｎｔｔ逡逑ＲＭＳＥ計算公式如下：逡逑｜邋１邋＇邐７逡逑ＲＭＳＥ邋＝邋Ｊ—＾｛ｏｂｓｅｒｖｅｄｔ邋－邋ｐｒｅｄｉｃｔｅｄｔ）邐公式（２－１８邋）逡逑
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U491.1

【參考文獻】

相關期刊論文 前5條

1 宋辭;裴韜;;基于特征的時間序列聚類方法研究進展[J];地理科學進展;2012年10期

2 李振龍;張利國;錢海峰;;基于非參數(shù)回歸的短時交通流預測研究綜述[J];交通運輸工程與信息學報;2008年04期

3 陳鵬;孫劍;李克平;;快速路交通流時間序列聚類預測方法與模型[J];交通與計算機;2008年05期

4 劉峰;瞿俊;;基于聚類分析和神經(jīng)網(wǎng)絡的時間序列預測方法[J];微電子學與計算機;2006年09期

5 劉靜,關偉;交通流預測方法綜述[J];公路交通科技;2004年03期

相關博士學位論文 前1條

1 姚智勝;基于實時數(shù)據(jù)的道路網(wǎng)短時交通流預測理論與方法研究[D];北京交通大學;2007年

相關碩士學位論文 前3條

1 宋迪;高速公路短時交通流預測算法研究[D];浙江工業(yè)大學;2016年

2 李強;交通流時間序列的聚類分析方法及應用[D];北京交通大學;2012年

3 夏發(fā)欽;利用地感應線圈檢測機動車輛的原理與實現(xiàn)[D];武漢科技大學;2011年

本文編號：2620238