在智能交通領(lǐng)域中,城市快速路交通流狀態(tài)識(shí)別與預(yù)測(cè)是非常重要的研究熱點(diǎn),通過(guò)合理判斷交通流狀態(tài)及正確預(yù)測(cè)交通流狀態(tài)可以提供實(shí)時(shí)的道路通行狀況評(píng)估。我國(guó)現(xiàn)有的一些交通流狀態(tài)識(shí)別與預(yù)測(cè)系統(tǒng)在實(shí)時(shí)性、直觀性方面仍有不足之處,而且由于使用一種數(shù)據(jù)源導(dǎo)致的系統(tǒng)識(shí)別與預(yù)測(cè)不夠準(zhǔn)確。本文設(shè)計(jì)實(shí)現(xiàn)了基于多源數(shù)據(jù)的交通流狀態(tài)識(shí)別與預(yù)測(cè)系統(tǒng),使得系統(tǒng)在實(shí)時(shí)性、直觀性和準(zhǔn)確性方面有了較大的提高。主要工作包括以下幾方面:首先,通過(guò)對(duì)多種來(lái)源的原始交通流數(shù)據(jù)（卡口牌照識(shí)別數(shù)據(jù)、浮動(dòng)車GPS數(shù)據(jù)和互聯(lián)網(wǎng)路況數(shù)據(jù)）進(jìn)行分析和計(jì)算,獲得對(duì)應(yīng)城市快速路相同時(shí)間間隔多種來(lái)源的車輛平均路段行駛速度,并根據(jù)己有研究選擇合適的預(yù)處理方法,對(duì)異常數(shù)據(jù)進(jìn)行識(shí)別,對(duì)缺失數(shù)據(jù)進(jìn)行修復(fù),保證了多源交通流速度數(shù)據(jù)的正確性與完整性,有效提高數(shù)據(jù)的實(shí)際應(yīng)用效果。其次,針對(duì)交通流狀態(tài)的模糊性和不確定性特點(diǎn),研究并分析了FCM算法及流程,由于傳統(tǒng)FCM聚類算法需要事先指定聚類個(gè)數(shù),在不知道具體分類個(gè)數(shù)時(shí),此方法有一定的局限性,并且傳統(tǒng)FCM聚類算法對(duì)初始聚類中心也比較敏感,為此,在進(jìn)行FCM聚類前,先通過(guò)DBSCAN密度聚類得到最優(yōu)的聚類個(gè)數(shù)和此時(shí)... 

【文章來(lái)源】：河北科技大學(xué)河北省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多邊形地理圍欄

12表2-7返回參數(shù)參數(shù)參數(shù)含義類型備注status狀態(tài)碼int顯示請(qǐng)求成功與否message響應(yīng)信息string對(duì)status的中文描述distance軌跡里程double經(jīng)過(guò)軌跡糾偏后的里程值糾偏后的軌跡會(huì)沿著道路進(jìn)行實(shí)際的計(jì)算和顯示，其與實(shí)際有一定誤差的軌跡路線比較的示意圖如下2-2所示。a)軌跡糾偏前b)軌跡糾偏后圖2-2軌跡糾偏前后示意圖由上述過(guò)程得到的浮動(dòng)車軌跡糾偏后的信息如下表2-8所示。表2-8軌跡糾偏后浮動(dòng)車數(shù)據(jù)車牌最后定位點(diǎn)時(shí)間（Unix時(shí)間戳）軌跡時(shí)間/s糾偏后里程/m軌跡平均速度/(m·s－1)029907b1e8c0ac8877c0a564bd1b6f30152216649581195024.171110b8c5adc45b20cec61b6bb224750152216650984197523.568e6759c104dcbfc756caec7066c5ff71522166512350619680.6……………24e16f85e5625b7ef43d7cd986a6da96152216783178196025.1上表2-8中可以看出第三條數(shù)據(jù)由于速度值過(guò)小，存在異常情況，在下一節(jié)中進(jìn)行討論。以車輛的最后定位時(shí)間為車輛路段平均速度值的對(duì)應(yīng)時(shí)間，將定位時(shí)間按順序進(jìn)行排序，每隔2分鐘進(jìn)行分組求平均值，計(jì)算結(jié)果作為時(shí)間段最后時(shí)刻的速度對(duì)應(yīng)值。計(jì)算得到的車輛平均速度如下表2-9所示。

24結(jié)果，聚類中的距離選用歐式距離。目前對(duì)參數(shù)Eps和MinPts的設(shè)定沒(méi)有通用的理論成果，需要依靠經(jīng)驗(yàn)設(shè)置。然后對(duì)聚類后的結(jié)果進(jìn)行輪廓系數(shù)的比較，最后選定合適參數(shù)值。DBSCAN算法實(shí)驗(yàn)結(jié)果如下表3-2所示。表3-2DBSCAN算法實(shí)驗(yàn)結(jié)果實(shí)驗(yàn)編號(hào)EpsMinPts聚類數(shù)噪聲比/%輪廓系數(shù)11.49459.630.45521.495511.420.44831.496311.51.0.45741.497413.810.40451.498514.120.42861.59434.850.49871.59543.760.54381.59644.830.51391.59736.740.481101.59836.810.476上圖可得實(shí)驗(yàn)編號(hào)7的輪廓系數(shù)最大，且此時(shí)噪聲比最小，表明聚類效果最佳。取Eps=1.5，Minpts=95對(duì)應(yīng)的DBSCAN密度聚類結(jié)果，以其各聚類中心作為FCM的初始聚類中心，并取參數(shù)c為4，代入模糊聚類算法，進(jìn)行第二次聚類。具體模糊聚類劃分結(jié)果如下圖3-2所示。浮動(dòng)車軌跡速度數(shù)據(jù)/(m·s－1)5.010.015.017.55.010.015.020.02.55.07.510.012.515.017.520.022.5圖3-2改進(jìn)模糊聚類劃分結(jié)果為了更直觀的看到模糊聚類的結(jié)果，在二維坐標(biāo)系中顯示3月29日當(dāng)天三種速度數(shù)據(jù)的變化趨勢(shì)。如下圖3-3所示。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的車流量預(yù)測(cè)方法研究[J]. 史亞星.  計(jì)算機(jī)與數(shù)字工程. 2019(05)
[2]基于改進(jìn)的隱馬爾可夫模型交通擁堵識(shí)別研究[J]. 王忻.  蘭州交通大學(xué)學(xué)報(bào). 2018(05)
[3]融合多源數(shù)據(jù)的ABC-SVM快速路交通事件檢測(cè)[J]. 丁宏飛,秦政,李演洪,劉博.  中國(guó)安全科學(xué)學(xué)報(bào). 2015(06)
[4]基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的刀具磨損檢測(cè)與控制[J]. 秦國(guó)華,謝文斌,王華敏.  光學(xué)精密工程. 2015(05)
[5]基于深度學(xué)習(xí)的交通擁堵預(yù)測(cè)模型研究[J]. 譚娟,王勝春.  計(jì)算機(jī)應(yīng)用研究. 2015(10)
[6]基于遞歸神經(jīng)網(wǎng)絡(luò)的TVS電磁脈沖響應(yīng)建模[J]. 紀(jì)志強(qiáng),魏明,吳啟蒙,于毅成.  河北科技大學(xué)學(xué)報(bào). 2015(02)
[7]基于SVM與自適應(yīng)時(shí)空數(shù)據(jù)融合的短時(shí)交通流量預(yù)測(cè)模型[J]. 李巧茹,趙蓉,陳亮.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(04)
[8]基于模糊C均值聚類的城市道路交通狀態(tài)判別[J]. 黃艷國(guó),許倫輝,鄺先驗(yàn).  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)
[9]基于BP神經(jīng)網(wǎng)絡(luò)和模糊推理系統(tǒng)的短時(shí)交通流預(yù)測(cè)[J]. 熊偉晴,燕曉波,姜守旭,李治軍.  智能計(jì)算機(jī)與應(yīng)用. 2015(02)
[10]基于組合模型的短時(shí)交通流預(yù)測(cè)[J]. 錢(qián)偉,楊礦利,楊慧慧,徐青政.  計(jì)算機(jī)仿真. 2015(02)

博士論文
[1]基于手機(jī)信令的道路交通狀態(tài)識(shí)別及預(yù)測(cè)研究[D]. 詹益旺.華南理工大學(xué) 2017
[2]基于MapReduce的移動(dòng)軌跡大數(shù)據(jù)挖掘方法與應(yīng)用研究[D]. 夏大文.西南大學(xué) 2016

碩士論文
[1]基于出租車GPS數(shù)據(jù)的城市快速路交通狀態(tài)識(shí)別與預(yù)測(cè)[D]. 梁迪.吉林大學(xué) 2019
[2]基于LSTM深度網(wǎng)絡(luò)的城市道路短時(shí)交通狀態(tài)預(yù)測(cè)模型研究[D]. 陳韞.福建工程學(xué)院 2018
[3]基于深度學(xué)習(xí)的交通流量預(yù)測(cè)與可視化方法研究[D]. 史亞星.北方工業(yè)大學(xué) 2018
[4]城市道路交通流預(yù)測(cè)與交通狀態(tài)識(shí)別方法研究[D]. 汪靜.中國(guó)石油大學(xué)（北京） 2017
[5]模擬退火混沌粒子群算法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[D]. 羅婷.西南交通大學(xué) 2016
[6]基于信息融合的智能交通信號(hào)燈控制系統(tǒng)研究[D]. 王鵬.沈陽(yáng)工業(yè)大學(xué) 2016
[7]基于交通流預(yù)測(cè)的控制子區(qū)交通狀態(tài)識(shí)別技術(shù)研究[D]. 朱蕓.浙江大學(xué) 2014
[8]基于DE-WNN模型的交通流預(yù)測(cè)方法研究[D]. 馮巳洋.西南交通大學(xué) 2013
[9]城市快速路交通狀態(tài)識(shí)別與預(yù)測(cè)研究[D]. 殷俊杰.西南交通大學(xué) 2013
[10]基于城市快速路和主干道多源交通檢測(cè)信息的數(shù)據(jù)融合技術(shù)研究[D]. 邱奉翠.北京交通大學(xué) 2012



本文編號(hào)：3601399