“兩客一�！避囕v由于載客量較多或者運輸危化品,一旦發(fā)生交通事故,將會帶來更嚴重的損失。由于此類的營運車輛車輛體積大,速度較低,是交通擁堵發(fā)生的重要因素之一。北斗車載終端的安裝實現(xiàn)了重點營運車輛的實時監(jiān)控,也為道路交通狀態(tài)識別和交通流預測提供了數(shù)據(jù)�；诖�,本文以營運車輛數(shù)據(jù)為基礎,對高速公路交通狀態(tài)識別和行程速度預測展開研究,旨在提高重點營運車輛的監(jiān)管水平,為減少交通事故發(fā)生、有效緩解交通擁堵提供技術支撐,主要內容有:（1）針對重點營運車輛異常數(shù)據(jù)和缺失數(shù)據(jù)問題,制定了異常數(shù)據(jù)處理規(guī)則,并提出了趨勢—歷史缺失數(shù)據(jù)填充算法。通過對營運車輛數(shù)據(jù)大量的統(tǒng)計分析,總結出了七大類異常數(shù)據(jù)表現(xiàn)形式,并根據(jù)異常數(shù)據(jù)的特點提出了相應的處理規(guī)則;針對時間序列數(shù)據(jù)的缺失問題,提出了趨勢—歷史填充算法。以試驗路段營運車輛數(shù)據(jù)為例,驗證了數(shù)據(jù)處理方法有效可行性。（2）基于道路的行程速度和單位行程時間延遲特征,構建了一種基于FCM的高速公路交通狀態(tài)識別算法模型。該算法模型以歐氏距離為度量標準,通過迭代求解得到暢通、基本暢通、一般擁堵、中度擁堵、嚴重擁堵五類交通狀態(tài)的聚類中心點,并通過隸屬度矩陣實現(xiàn)交通狀態(tài)的識別... 

【文章來源】：北京交通大學北京市211工程院校教育部直屬院校

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【文章目錄】：
致謝
中文摘要
ABSTRACT
1 緒論
    1.1 課題來源與研究對象
        1.1.1 課題來源
        1.1.2 研究對象
    1.2 研究背景及意義
        1.2.1 研究背景
        1.2.2 研究意義
    1.3 國內外研究現(xiàn)狀
        1.3.1 數(shù)據(jù)處理研究現(xiàn)狀
        1.3.2 交通狀態(tài)識別現(xiàn)狀
        1.3.3 交通流預測現(xiàn)狀
    1.4 研究內容及技術路線
2 營運車輛數(shù)據(jù)分析與處理
    2.1 北斗系統(tǒng)定位技術
        2.1.1 北斗系統(tǒng)組成
        2.1.2 定位原理
    2.2 營運車輛數(shù)據(jù)介紹
    2.3 營運車輛數(shù)據(jù)統(tǒng)計分析
    2.4 異常數(shù)據(jù)處理
    2.5 缺失數(shù)據(jù)填充
    2.6 本章小結
3 基于模糊C均值聚類算法的交通狀態(tài)識別研究
    3.1 概述
    3.2 模糊C均值聚類算法原理
    3.3 模糊C均值聚類算法模型構建
        3.3.1 模型參數(shù)m、c的確定
        3.3.2 交通流參數(shù)選擇
        3.3.3 實例分析
    3.4 本章小結
4 基于SA-SVR的行程速度預測研究
    4.0 概述
    4.1 SVR算法原理
    4.2 SA優(yōu)化算法原理
    4.3 SA-SVR的行程速度預測模型構建
        4.3.1 數(shù)據(jù)準備
        4.3.2 模型參數(shù)設置
        4.3.3 誤差評價指標
    4.4 預測結果對比分析
    4.5 本章小結
5 基于LSTM的高速公路行程速度預測研究
    5.1 LSTM理論基礎
        5.1.1 深度學習簡介
        5.1.2 梯度下降優(yōu)化方法
        5.1.3 LSTM基本原理
    5.2 基于LSTM的高速公路行程速度預測模型構建
        5.2.1 數(shù)據(jù)準備
        5.2.2 模型構建與參數(shù)設置
    5.3 行程速度預測結果對比分析
    5.4 SA-SVR與LSTM預測結果對比評價
    5.5 本章小結
6 結論與展望
    6.1 論文主要工作
    6.2 論文創(chuàng)新點
    6.3 研究展望
參考文獻
作者簡歷
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于KNN-LSTM的短時交通流預測[J]. 羅向龍,李丹陽,楊彧,張生瑞.  北京工業(yè)大學學報. 2018(12)
[2]基于深度學習的交通流量預測[J]. 劉明宇,吳建平,王鈺博,何磊.  系統(tǒng)仿真學報. 2018(11)
[3]基于改進模糊C均值聚類算法的城市道路狀態(tài)判別方法[J]. 黃艷國,羅云鵬.  科學技術與工程. 2018(09)
[4]基于CNN-SVR混合深度學習模型的短時交通流預測[J]. 羅文慧,董寶田,王澤勝.  交通運輸系統(tǒng)工程與信息. 2017(05)
[5]基于K近鄰算法和支持向量回歸組合的短時交通流預測[J]. 劉釗,杜威,閆冬梅,柴干,郭建華.  公路交通科技. 2017(05)
[6]基于決策樹理論的交通流參數(shù)短時預測[J]. 薛紅軍,陳廣交,李鑫民,顧理.  交通信息與安全. 2016(03)
[7]深度學習在城市交通流預測中的實踐研究[J]. 尹邵龍,趙亞楠.  現(xiàn)代電子技術. 2015(15)
[8]自適應粒子群神經(jīng)網(wǎng)絡交通流預測模型[J]. 許榕,周東,蔣士正,陳啟美.  西安交通大學學報. 2015(10)
[9]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,許倫輝,鄺先驗.  重慶交通大學學報(自然科學版). 2015(02)
[10]基于收費數(shù)據(jù)的高速公路交通狀態(tài)判別方法[J]. 楊慶芳,馬明輝,梁士棟,梅朵.  華南理工大學學報(自然科學版). 2014(12)

博士論文
[1]城市道路交通狀態(tài)評價和預測方法及應用研究[D]. 孫曉亮.北京交通大學 2013

碩士論文
[1]基于張量理論的短時交通流預測算法[D]. 周思楚.北京交通大學 2018
[2]基于出租車GPS的城市路網(wǎng)交通狀態(tài)計算方法研究[D]. 侯亞帆.北京工業(yè)大學 2017
[3]基于交通軌跡數(shù)據(jù)的城市區(qū)域劃分可視化研究[D]. 陳曉潔.蘭州交通大學 2017
[4]面向交通定位數(shù)據(jù)的可視清洗系統(tǒng)[D]. 劉春輝.浙江工業(yè)大學 2017
[5]基于深度學習的路網(wǎng)短時交通流預測[D]. 焦琴琴.長安大學 2016
[6]軌道交通客流預警系統(tǒng)研究[D]. 張清泉.重慶交通大學 2016
[7]基于微波數(shù)據(jù)的高速公路交通擁擠檢測及旅行時間預測[D]. 徐菲菲.北京交通大學 2016
[8]考慮多源數(shù)據(jù)集的交通狀態(tài)估計方法研究[D]. 宋力.北京理工大學 2016
[9]高速公路基本路段實時交通狀態(tài)判別方法的研究及應用[D]. 陳會茹.長安大學 2015
[10]基于Hadoop的出租車數(shù)據(jù)質量分析與處理[D]. 龐洪欽.武漢理工大學 2015



本文編號：3637484