信號控制是保障交通流安全運行、緩解城市交通擁堵的重要措施之一,其控制模式可分為感應控制、自適應控制和定時控制。感應控制與自適應控制依據(jù)實時交通流數(shù)據(jù)動態(tài)優(yōu)化控制方案,可以很好的適應交通需求的短時隨機波動。定時控制,又稱多時段控制(Time of Day,TOD)是根據(jù)交通流的變化規(guī)律將某一時間單元(通常指一天)劃分為若干時段,進而以時段為基本元素優(yōu)化信號控制方案。該類方法在中低飽和交通狀態(tài)下具有很好的控制效果,且是任何信號控制系統(tǒng)所必須配置的默認方案,作為檢測器損壞、數(shù)據(jù)傳輸故障時的降級控制方式。定時控制包括時段劃分和信號方案優(yōu)化兩項工作,目前對于定時控制的信號方案優(yōu)化已有很多研究成果。針對時段劃分其傳統(tǒng)方法多基于歷史數(shù)據(jù)借助聚類手段完成,存在兩大缺陷:一是聚類方法多忽略交通流參數(shù)的時間屬性,最優(yōu)的聚類結(jié)果無法保證時段劃分結(jié)果的全局最優(yōu)性;二是缺乏對交通流參數(shù)的精確預測,在待劃分對象的真實數(shù)據(jù)與歷史數(shù)據(jù)存在較大差異時出現(xiàn)劃分方案與實際交通流數(shù)據(jù)的錯誤匹配。為彌補上述缺陷,本文分別針對長時交通流預測及時段劃分開展研究工作。目前,長時交通流預測的相關研究很少,現(xiàn)有方法多借助直觀影響因素(例周天)將歷史數(shù)據(jù)進行模式分類,進而根據(jù)待劃分對象的影響因素屬性選擇合適的歷史數(shù)據(jù),并借助統(tǒng)計分析方法完成預測。然而,交通流參數(shù)的模式是多重因素疊加作用的結(jié)果,包括周天、天氣、季節(jié)、節(jié)假日等。本文首先解析交通流的周期特性,進而構建一種基于密度峰值聚類的模式分類方法及待劃分對象的模式匹配方法,并借助神經(jīng)網(wǎng)絡搭建長時交通流預測架構。其次,本文解析了基于K-means聚類思想的時段劃分方法所存在的技術缺陷,提出了兩類基于過程優(yōu)化的改進算法。進而考慮交通流參數(shù)的時間有序性,借助時間序列分割算法實現(xiàn)交通流參數(shù)的最優(yōu)切換,并引用動態(tài)遞歸構建一種快速求解算法。最后,基于多個城市的實際交通流數(shù)據(jù)采用仿真手段驗證本文方法的實際效果,結(jié)果表明:預測方法能夠顯著提升交通流參數(shù)的預測精度,時段劃分方法可以有效提高交通流整體運行效率。
【學位單位】：浙江大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U491.1
【部分圖文】：

文構建一種時間序列的分割方法，解決一般聚類離散塊過多、得不到最優(yōu)分割等問??題。最終將算法結(jié)果通過仿真進行實驗驗證，最終按照交通參數(shù)中的延誤時間與排??隊長度，來驗證算法的有效性。論文整體框架如圖１．１所示。??本文具體章節(jié)內(nèi)容以及各章節(jié)間聯(lián)系如下：??第一章主要闡述了交通領域的發(fā)展現(xiàn)狀，以及本課題的研究背景及意義。提出??時段劃分對于交通信號控制的重要影響，提出交通流長時預測在時段劃分中的重要??位置。從交通流預測與交通時段劃分兩方面總結(jié)了國內(nèi)外發(fā)展現(xiàn)狀，最后闡述了本??文的主要研究內(nèi)容。??第二章是論文的核心部分之一。具體介紹了基于模式匹配的交通流長時預測模??型的具體結(jié)構。首先基于原始的交通流數(shù)據(jù)需要進行基本的預處理，包括損壞數(shù)據(jù)??與缺失數(shù)據(jù)的修復，數(shù)據(jù)格式整理等；接下來通過聚類將歷史數(shù)據(jù)分成不同模式；??然后對于待預測數(shù)據(jù)進行模式匹配；最后用匹配出的模式中的數(shù)據(jù)進行基于神經(jīng)網(wǎng)??絡的預測。??第三章是論文的核心的第二部分。具體介紹了交通流時段劃分方法，首先基于??常用方法Ｋ－ｍｅａｎｓ進行改進，提出了時序化Ｋ－ｍｅａｎｓ與最優(yōu)化Ｋ－ｍｅａｎｓ，解決了聚類??９??

之間的最小距離，當子序列／的距離表值遠遠大于其他子序列的距離表值時，該??子序列應該考慮被選作為聚類中心。??當每條子序列的密度代與距離木被計算出來后，可得到如圖２．１中圖（ｂ）中的??決策圖，圖２．１中圖（ａ）表示數(shù)據(jù)的二維分布。通過定義，聚類中心具有較高的密??度，聚類中心之間具有較高的距離這兩條性質(zhì)，可決定出聚類中心，如下圖２．１中??圖（ｂ）中“丨”號點與“１０”號點所示。如下圖２．１中圖（ａ）將時間序列數(shù)據(jù)轉(zhuǎn)化??為２Ｄ平面結(jié)果圖，每一個點代表一條子序列，相同顏色被聚為一類，分布可明顯??看出數(shù)據(jù)被分為三類，其中黑色數(shù)據(jù)為離散點。??？?？?１０－?①??＠?０．３：?？??＠?？（Ｄ？?＠?？時?。６－?＠??＠?＠?。４：?｜??。。：＾＾｜麵發(fā)鑛??（２８）?Ｉ?＇?ｉ?＇?Ｉ?＇?Ｉ?＇?Ｉ?１?Ｉ?＇?Ｉ?１?Ｉ?１?！????０１２３４５６７８??Ｐ??（ａ）２Ｄ平面結(jié)果閣?（ｂ）聚類中心決策圖??圖２．１密度峰值聚類??利用密度值將非聚類中心序列進ｉ于分類：將毎１、非聚類中心子序列的密度值??按照從大到小的順序進行排序，毎個子序列被分到一個具有較高密度值的最近相鄰??子序列所在的類當中：通過界定類域邊緣中的最高密度子序列來定義類域的邊界子??１５??

之間的最小距離，當子序列／的距離表值遠遠大于其他子序列的距離表值時，該??子序列應該考慮被選作為聚類中心。??當每條子序列的密度代與距離木被計算出來后，可得到如圖２．１中圖（ｂ）中的??決策圖，圖２．１中圖（ａ）表示數(shù)據(jù)的二維分布。通過定義，聚類中心具有較高的密??度，聚類中心之間具有較高的距離這兩條性質(zhì)，可決定出聚類中心，如下圖２．１中??圖（ｂ）中“丨”號點與“１０”號點所示。如下圖２．１中圖（ａ）將時間序列數(shù)據(jù)轉(zhuǎn)化??為２Ｄ平面結(jié)果圖，每一個點代表一條子序列，相同顏色被聚為一類，分布可明顯??看出數(shù)據(jù)被分為三類，其中黑色數(shù)據(jù)為離散點。??？?？?１０－?①??＠?０．３：?？??＠?？（Ｄ？?＠?？時?。６－?＠??＠?＠?。４：?｜??。。：＾＾｜麵發(fā)鑛??（２８）?Ｉ?＇?ｉ?＇?Ｉ?＇?Ｉ?＇?Ｉ?１?Ｉ?＇?Ｉ?１?Ｉ?１?！????０１２３４５６７８??Ｐ??（ａ）２Ｄ平面結(jié)果閣?（ｂ）聚類中心決策圖??圖２．１密度峰值聚類??利用密度值將非聚類中心序列進ｉ于分類：將毎１、非聚類中心子序列的密度值??按照從大到小的順序進行排序，毎個子序列被分到一個具有較高密度值的最近相鄰??子序列所在的類當中：通過界定類域邊緣中的最高密度子序列來定義類域的邊界子??１５??
【參考文獻】

相關期刊論文 前10條

1 林培群;卓福慶;姚凱斌;冉斌;徐建閩;;車聯(lián)網(wǎng)環(huán)境下交叉口交通流微觀控制模型及其求解與仿真[J];中國公路學報;2015年08期

2 趙偉明;王殿海;朱文韜;戴美偉;;基于改進NJW算法的交通控制時段劃分[J];浙江大學學報(工學版);2014年12期

3 金玉婷;余立建;;基于小波神經(jīng)網(wǎng)絡的短時交通流預測[J];交通科技與經(jīng)濟;2014年01期

4 劉洋;馬壽峰;;基于聚類分析的非參數(shù)回歸短時交通流預測方法[J];交通信息與安全;2013年02期

5 蘇巴提;張曉;;基于改進的K-means算法的異常檢測[J];軟件導刊;2011年11期

6 趙曉華;談玲瓏;胡敦利;;基于Sub_FCM聚類算法的交通流量段自動劃分方法[J];北京工業(yè)大學學報;2011年08期

7 陳雪平;曾盛;胡剛;;基于BP神經(jīng)網(wǎng)絡的短時交通流預測[J];公路交通技術;2008年03期

8 孫湘海;劉潭秋;;基于SARIMA模型的城市道路短期交通流預測研究[J];公路交通科技;2008年01期

9 楊兆升;王媛;管青;;基于支持向量機方法的短時交通流量預測方法[J];吉林大學學報(工學版);2006年06期

10 周小鵬;馮奇;孫立軍;;基于最近鄰法的短時交通流預測[J];同濟大學學報(自然科學版);2006年11期

相關碩士學位論文 前3條

1 謝凱兵;基于馬爾可夫鏈組合模型的交通流量長時預測[D];北京交通大學;2017年

2 江超陽;基于二型模糊集合理論的交通流長時預測方法研究[D];北京交通大學;2016年

3 王春娥;基于數(shù)據(jù)融合的城市道路交通狀態(tài)判別算法研究[D];吉林大學;2008年

本文編號：2890584