交通流預(yù)測(cè)行程時(shí)間與路徑規(guī)劃是智能交通系統(tǒng)研究的熱點(diǎn),城市道路交通流基本信息是智能交通系統(tǒng)運(yùn)行的基礎(chǔ),同時(shí)也為智能交通系統(tǒng)的優(yōu)化提升提供了根本支持。通過(guò)更細(xì)致地研究交通流基礎(chǔ)理論和技術(shù),才能給駕駛員提供實(shí)時(shí)更新的路徑以及精確的行程時(shí)間,進(jìn)而達(dá)到緩解交通擁堵、實(shí)時(shí)交通誘導(dǎo)的目的。隨著預(yù)測(cè)模型研究的發(fā)展和大數(shù)據(jù)時(shí)代的到來(lái),交通流理論正朝著智能化、數(shù)字化方向發(fā)展,在交通流理論中開(kāi)展大數(shù)據(jù)研究是當(dāng)前和未來(lái)的發(fā)展趨勢(shì)。本文開(kāi)篇詳細(xì)講述了交通流大數(shù)據(jù)中幾種主要的特性參數(shù)及其它們之間的關(guān)系與采集方法,并根據(jù)本文使用特性參數(shù)的性質(zhì),使用道路交通視頻采集技術(shù)獲得交通信息數(shù)據(jù),再使用交通流大數(shù)據(jù)預(yù)處理方法,獲取本文所需要的優(yōu)質(zhì)交通流大數(shù)據(jù),為之后路程時(shí)間預(yù)測(cè)模型的校定與仿真對(duì)比給予根本保障。然后,以更精準(zhǔn)地估計(jì)城市交通路段時(shí)間為目標(biāo),將城市所有實(shí)驗(yàn)交通路段作為研究對(duì)象,分析了經(jīng)典的卡爾曼濾波行程時(shí)間預(yù)測(cè)模型,并結(jié)合道路監(jiān)管限速加入限速機(jī)制優(yōu)化卡爾曼濾波預(yù)測(cè)模型,通過(guò)實(shí)例計(jì)算驗(yàn)證了模型準(zhǔn)確性。本文同時(shí)針對(duì)交通流大數(shù)據(jù)多種因素問(wèn)題,進(jìn)行屬性子集選擇,根據(jù)子集特性建立一次指數(shù)平滑和二次指數(shù)平滑預(yù)測(cè)模型,并用實(shí)測(cè)...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 行程時(shí)間預(yù)測(cè)與路徑規(guī)劃國(guó)內(nèi)外現(xiàn)狀
        1.3.1 行程時(shí)間預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.3.2 路徑規(guī)劃國(guó)內(nèi)外研究現(xiàn)狀
    1.4 論文的主要研究?jī)?nèi)容
2.交通流大數(shù)據(jù)基本特性與采集處理方法
    2.1 交通流數(shù)據(jù)基本特性參數(shù)
        2.1.1 交通量
        2.1.2 速度
        2.1.3 交通流密度和車道占有率
        2.1.4 車頭間距和車頭時(shí)距
    2.2 交通流數(shù)據(jù)特性參數(shù)關(guān)系
    2.3 交通流數(shù)據(jù)檢測(cè)
        2.3.1 車輛檢測(cè)器
        2.3.2 交通流數(shù)據(jù)調(diào)查方法
    2.4 交通流數(shù)據(jù)預(yù)處理方法
        2.4.1 數(shù)據(jù)清理
        2.4.2 數(shù)據(jù)降噪
        2.4.3 數(shù)據(jù)規(guī)約
    2.5 本章小結(jié)
3.卡爾曼濾波預(yù)測(cè)行程時(shí)間研究
    3.1 卡爾曼濾波算法概述
        3.1.1 卡爾曼濾波算法來(lái)源
        3.1.2 卡爾曼濾波算法基本思想
        3.1.3 卡爾曼濾波算法流程
    3.2 卡爾曼濾波預(yù)測(cè)行程時(shí)間
        3.2.1 卡爾曼濾波預(yù)測(cè)模型建立
        3.2.2 卡爾曼濾波預(yù)測(cè)模型仿真與結(jié)果分析
    3.3 改進(jìn)卡爾曼濾波算法
        3.3.1 仿真實(shí)驗(yàn)與結(jié)果分析
        3.3.2 性能指標(biāo)分析
    3.4 本章小結(jié)
4.指數(shù)平滑預(yù)測(cè)行程時(shí)間研究
    4.1 指數(shù)平滑算法概述
        4.1.1 指數(shù)平滑法基本思想
        4.1.2 指數(shù)平滑算法流程
    4.2 指數(shù)平滑預(yù)測(cè)行程時(shí)間
        4.2.1 屬性子集選擇
        4.2.2 一次指數(shù)平滑預(yù)測(cè)模型建立
        4.2.3 二次指數(shù)平滑預(yù)測(cè)模型建立
    4.3 仿真實(shí)驗(yàn)與結(jié)果分析
    4.4 本章小結(jié)
5.數(shù)據(jù)融合預(yù)測(cè)模型與最短時(shí)間路徑規(guī)劃
    5.1 融合預(yù)測(cè)模型
        5.1.1 融合預(yù)測(cè)模型建立
        5.1.2 熵值法計(jì)算權(quán)重
        5.1.3 融合預(yù)測(cè)模型仿真結(jié)果分析
    5.2 Dijkstra算法概述
        5.2.1 Dijkstra算法基本思想
        5.2.2 Dijkstra算法流程
    5.3 Dijkstra算法最短時(shí)間路徑規(guī)劃
        5.3.1 仿真實(shí)驗(yàn)
        5.3.2 結(jié)果分析
    5.4 本章小結(jié)
總結(jié)與展望
    本文總結(jié)
    未來(lái)展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3738631