高速公路由于車流量大、車輛運(yùn)行速度快,導(dǎo)致其交通事故后果嚴(yán)重。一旦發(fā)生交通事故,不僅路產(chǎn)損失大,還容易引發(fā)交通擁堵、二次交通事故等現(xiàn)象,甚至造成大范圍交通癱瘓,所以迫切需要交通管理部門采取高科技手段對(duì)交通隱患進(jìn)行防范。高速公路車輛異常駕駛行為是引發(fā)交通事故的重要原因,實(shí)時(shí)監(jiān)控車輛的運(yùn)行狀態(tài),并預(yù)警異常駕駛行為,是實(shí)現(xiàn)交通智能化、交通安全出行的有效途徑。基于微觀參數(shù)多步預(yù)測(cè)的高速公路異常駕駛行為檢測(cè)預(yù)警的研究,及時(shí)發(fā)現(xiàn)、識(shí)別和預(yù)判異常駕駛行為,進(jìn)而對(duì)其影響范圍進(jìn)行預(yù)警,對(duì)于高速公路交通安全管理具有重要的理論意義和實(shí)用價(jià)值。論文首先基于混沌理論對(duì)車輛微觀速度、加速度序列數(shù)據(jù)的混沌性進(jìn)行分析,證明了車輛微觀參數(shù)具有可預(yù)測(cè)性;然后基于R/S分析法證明了兩參數(shù)具有分形特征,并基于分形理論構(gòu)建了微觀參數(shù)的預(yù)測(cè)模型;通過速度、加速度時(shí)間序列數(shù)據(jù)的指標(biāo)量化,采用神經(jīng)網(wǎng)絡(luò)對(duì)其可預(yù)測(cè)步數(shù)進(jìn)行了估計(jì),得到微觀參數(shù)可預(yù)測(cè)步數(shù)估計(jì)模型;結(jié)合分形預(yù)測(cè)模型和可預(yù)測(cè)步數(shù)估計(jì)模型得到分形多步預(yù)測(cè)模型,對(duì)車輛微觀參數(shù)進(jìn)行實(shí)時(shí)多步預(yù)測(cè)。基于文章提出的分形多步預(yù)測(cè)模型,實(shí)時(shí)預(yù)測(cè)車輛的未來多個(gè)時(shí)刻的定位數(shù)據(jù)。根據(jù)車輛的實(shí)際運(yùn)行... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：78 頁

【學(xué)位級(jí)別】：碩士

【圖文】：

論文技術(shù)路線

確定微觀參數(shù)時(shí)間序列特征指標(biāo)后，則是研究如何利用這些指標(biāo)進(jìn)行微觀參數(shù)的可預(yù)測(cè)步數(shù)進(jìn)行動(dòng)態(tài)估計(jì)。根據(jù)所選用的 6 個(gè)量化指標(biāo)預(yù)測(cè)出速度、加速度時(shí)間序列的可預(yù)測(cè)步數(shù)（一個(gè)指標(biāo)），屬于一個(gè)多對(duì)一預(yù)測(cè)問題。由上文分析，發(fā)現(xiàn)時(shí)間序列數(shù)據(jù)的波動(dòng)性、不確定性、趨勢(shì)性等指標(biāo)與數(shù)據(jù)的可預(yù)測(cè)步數(shù)大致呈現(xiàn)反比關(guān)系，但是并非純粹的線性關(guān)系，具有一定的非線性。因此提出的模型方法需要能夠處理多對(duì)一、非線性預(yù)測(cè)問題。由于人工神經(jīng)網(wǎng)絡(luò)算法能夠較好的處理多對(duì)一、非線性類問題，應(yīng)用已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)能夠快速的進(jìn)行數(shù)據(jù)預(yù)測(cè)、分類等運(yùn)算，計(jì)算時(shí)間短，具有一定的實(shí)時(shí)性[49]，所以提出采用 BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)微觀參數(shù)的動(dòng)態(tài)可預(yù)測(cè)步數(shù)進(jìn)行實(shí)時(shí)預(yù)測(cè)估計(jì)�；谒俣�、加速度時(shí)間序列值，計(jì)算該序列的平均發(fā)展水平、平均發(fā)展速度、平均增長(zhǎng)量、趨勢(shì)性指標(biāo)、波動(dòng)性指標(biāo)和不確定性指標(biāo)，然后標(biāo)準(zhǔn)化這些指標(biāo)，并將其作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，預(yù)測(cè)步數(shù)作為輸出參數(shù)，進(jìn)行速度、加速度可預(yù)測(cè)步數(shù)估計(jì)模型訓(xùn)練、測(cè)試，最后得到速度、加速度的可預(yù)測(cè)步數(shù)估計(jì)模型，如圖 2-6 所示。平均發(fā)展水平

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文明，一個(gè)三層的 BP 神經(jīng)網(wǎng)絡(luò)能夠逼近任何非線性連數(shù)數(shù)據(jù)序列的 6 個(gè)特征指標(biāo)作為輸入變量，以分形數(shù)作為輸出變量，構(gòu)建一個(gè)三層神經(jīng)網(wǎng)絡(luò)，以 Sigmi最低來選取最優(yōu)隱含層個(gè)數(shù)。步數(shù)估計(jì)模型的評(píng)價(jià)指標(biāo)同微觀參數(shù)預(yù)測(cè)模型的評(píng)分比誤差 MAPE 對(duì)其進(jìn)行評(píng)估，計(jì)算公式見式（2-2數(shù)可預(yù)測(cè)步數(shù)估計(jì)模型的運(yùn)算流程圖如 2-7 所示。開始

【參考文獻(xiàn)】：
期刊論文
[1]基于時(shí)空關(guān)聯(lián)和BPAdaboost的短時(shí)交通參數(shù)預(yù)測(cè)[J]. 丁閃閃,王維鋒,季錦章,黨倩.  公路交通科技. 2016(05)
[2]基于跟蹤軌跡的車輛異常行為檢測(cè)[J]. 蔣恩源,王學(xué)軍.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2016(01)
[3]智能手機(jī)車輛異常駕駛行為檢測(cè)方法[J]. 周后飛,劉華平,石紅星.  智能系統(tǒng)學(xué)報(bào). 2016(03)
[4]基于車牌識(shí)別系統(tǒng)車輛軌跡的行為異常檢測(cè)[J]. 孫玉硯,孫利民,朱紅松,周新運(yùn).  計(jì)算機(jī)研究與發(fā)展. 2015(08)
[5]基于向量誤差修正模型的短時(shí)交通參數(shù)預(yù)測(cè)[J]. 邴其春,楊兆升,周熙陽,馬明輝.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2015(04)
[6]車道模型的高速公路車輛異常行為檢測(cè)方法[J]. 邱凌赟,韓軍,顧明.  計(jì)算機(jī)應(yīng)用. 2014(05)
[7]跟馳狀態(tài)下最小行車安全距離模型的仿真研究[J]. 楊培菲,唐陽山,葛麗娜,張衍成.  黑龍江交通科技. 2013(09)
[8]基于小波和回聲狀態(tài)網(wǎng)絡(luò)的交通流多步預(yù)測(cè)模型[J]. 楊飛,方濱興,王春露,左興權(quán),李麗香,平源.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2013(03)
[9]基于蟻群優(yōu)化支持向量機(jī)的短時(shí)交通流量預(yù)測(cè)[J]. 徐鵬,姜鳳茹.  計(jì)算機(jī)應(yīng)用與軟件. 2013(03)
[10]SCATS線圈數(shù)據(jù)短時(shí)多步雙重預(yù)測(cè)方法[J]. 李琦,姜桂艷.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2013(02)

碩士論文
[1]基于移動(dòng)智能終端的高速公路異常駕駛行為檢測(cè)技術(shù)[D]. 陳愷.浙江大學(xué) 2015
[2]基于移動(dòng)終端的駕駛行為分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 顧嘉.復(fù)旦大學(xué) 2014
[3]交通流預(yù)測(cè)的分形理論與系統(tǒng)仿真[D]. 李健.長(zhǎng)安大學(xué) 2010



本文編號(hào)：3505131