本文關(guān)鍵詞：基于用戶選擇的多約束條件動(dòng)態(tài)最優(yōu)路徑規(guī)劃研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著經(jīng)濟(jì)和科技的快速發(fā)展,汽車逐漸成為人們生活中不可或缺的工具,使得人們的出行更加便捷,拓展了人們的活動(dòng)范圍。由于出行者不熟悉周圍的地理環(huán)境和交通狀況,可能使得出行者迷路或碰到交通擁堵,因此,出行者掌握正確的出行路線就顯得尤為重要。傳統(tǒng)的路徑規(guī)劃通常只是考慮距離最短或時(shí)間最短,而忽視了用戶的需求和時(shí)變的路況信息。因此,論文基于用戶的偏好和實(shí)時(shí)路況信息,動(dòng)態(tài)規(guī)劃出最優(yōu)路徑,使得用戶的出行更加安全、便捷。首先,論文分析了道路交通狀態(tài)具有較強(qiáng)的時(shí)變性和時(shí)空特性。為了使用戶掌握準(zhǔn)確的道路交通狀態(tài),提出了基于時(shí)間序列的道路交通狀態(tài)及變化空間預(yù)測(cè)模型。分別從時(shí)間維度和空間維度構(gòu)建小波神經(jīng)網(wǎng)絡(luò)的交通狀態(tài)預(yù)測(cè)模型,通過(guò)融合算法將預(yù)測(cè)結(jié)果進(jìn)行時(shí)空融合,以提高預(yù)測(cè)精度。同時(shí),通過(guò)模糊信息粒的支持向量機(jī)模型對(duì)道路交通狀態(tài)變化空間進(jìn)行預(yù)測(cè),采用模糊信息粒將歷史數(shù)據(jù)模糊化,得到道路交通狀態(tài)變化的最小值、平均值和最大值序列,利用支持向量機(jī)模型分別對(duì)其進(jìn)行預(yù)測(cè),得到道路交通狀態(tài)的變化空間。從而讓用戶掌握正確的實(shí)時(shí)路況信息,合理調(diào)整出行路線。其次,論文分析了路網(wǎng)的表示方法,通過(guò)路段-鏈模型將實(shí)際的路網(wǎng)抽象成圖論中的有權(quán)圖,解決了道路限行的困擾。為了使得路徑的規(guī)劃符合用戶的偏好及實(shí)時(shí)的路況信息,提出了建立多目標(biāo)路阻函數(shù)模型。分析了影響車輛正常行駛的因素,充分考慮用戶的偏好信息,結(jié)合動(dòng)態(tài)因素和靜態(tài)因素,利用主觀賦權(quán)法和客觀賦權(quán)法確定各影響因素的權(quán)重,通過(guò)多目標(biāo)路阻函數(shù)模型計(jì)算各路段的綜合阻抗值。最后,論文對(duì)傳統(tǒng)的Dijkstra算法進(jìn)行了優(yōu)化,分別從數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)、路網(wǎng)結(jié)構(gòu)劃分和路徑搜索機(jī)制這三個(gè)層面對(duì)Dijkstra算法進(jìn)行優(yōu)化,提高了算法的搜索效率。以重慶市部分路網(wǎng)為研究對(duì)象,結(jié)合前文提出的交通狀態(tài)預(yù)測(cè)模型和多目標(biāo)路阻函數(shù)模型,確定各路段的綜合阻抗,然后,利用Dijkstra算法求解最優(yōu)路徑。經(jīng)過(guò)實(shí)例驗(yàn)證,本文提出的模型能根據(jù)用戶的偏好及實(shí)時(shí)路況信息,動(dòng)態(tài)的調(diào)整路線,始終為用戶規(guī)劃出最優(yōu)路徑,減少用戶的出行成本,緩解交通擁堵。
【關(guān)鍵詞】：道路交通狀態(tài) 路阻函數(shù) Dijkstra算法 最優(yōu)路徑
【學(xué)位授予單位】：重慶交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491
【目錄】：

• 摘要4-5
• ABSTRACT5-10
• 第一章 緒論10-16
• 1.1 研究背景10
• 1.2 研究目的和意義10-11
• 1.3 研究現(xiàn)狀11-13
• 1.3.1 交通信息預(yù)測(cè)研究現(xiàn)狀11-12
• 1.3.2 動(dòng)態(tài)路徑規(guī)劃研究現(xiàn)狀12-13
• 1.4 本文研究?jī)?nèi)容及技術(shù)路線13-14
• 1.5 本章小結(jié)14-16
• 第二章 動(dòng)態(tài)最優(yōu)路徑導(dǎo)航系統(tǒng)框架分析16-27
• 2.1 動(dòng)態(tài)最優(yōu)路徑導(dǎo)航系統(tǒng)基本框架16-18
• 2.2 動(dòng)態(tài)最優(yōu)路徑導(dǎo)航系統(tǒng)特性分析18-19
• 2.2.1 實(shí)時(shí)性18
• 2.2.2 準(zhǔn)確性18
• 2.2.3 用戶最優(yōu)18-19
• 2.2.4 系統(tǒng)最優(yōu)19
• 2.3 動(dòng)態(tài)最優(yōu)路徑導(dǎo)航系統(tǒng)關(guān)鍵問(wèn)題分析19-22
• 2.3.1 車輛導(dǎo)航集聚性19-20
• 2.3.2 車輛導(dǎo)航路徑環(huán)路問(wèn)題20-22
• 2.4 動(dòng)態(tài)最優(yōu)路徑導(dǎo)航系統(tǒng)關(guān)鍵技術(shù)概述22-25
• 2.4.1 數(shù)據(jù)采集及處理技術(shù)22-23
• 2.4.2 動(dòng)態(tài)交通信息預(yù)測(cè)技術(shù)23-24
• 2.4.3 車輛定位技術(shù)24
• 2.4.4 車輛誘導(dǎo)方式24-25
• 2.5 本章小結(jié)25-27
• 第三章 基于多維時(shí)空參數(shù)的道路交通狀態(tài)預(yù)測(cè)及量化分析27-47
• 3.1 城市道路交通狀態(tài)特性分析27-29
• 3.1.1 交通參數(shù)分析27-28
• 3.1.2 交通參數(shù)選擇原則28
• 3.1.3 交通流速度的時(shí)空特性28-29
• 3.2 基于時(shí)間序列的道路交通狀態(tài)及變化空間預(yù)測(cè)模型29-37
• 3.2.1 基于小波神經(jīng)網(wǎng)絡(luò)的道路交通狀態(tài)預(yù)測(cè)模型30-34
• 3.2.2 基于模糊信息粒的SVM道路交通狀態(tài)波動(dòng)范圍預(yù)測(cè)模型34-37
• 3.3 道路交通狀態(tài)量化分析37-38
• 3.4 實(shí)驗(yàn)仿真38-45
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)源及評(píng)價(jià)指標(biāo)38-39
• 3.4.2 道路交通狀態(tài)預(yù)測(cè)39-43
• 3.4.3 道路交通狀態(tài)波動(dòng)范圍預(yù)測(cè)43-45
• 3.5 本章小結(jié)45-47
• 第四章 基于用戶偏好的多目標(biāo)路阻函數(shù)模型47-66
• 4.1 路網(wǎng)表示47-51
• 4.1.1 路網(wǎng)特性分析47
• 4.1.2 路網(wǎng)的節(jié)點(diǎn)-路段模型表示47-48
• 4.1.3 路網(wǎng)的連通性48-49
• 4.1.4 路網(wǎng)的路段-鏈模型表示49-51
• 4.2 影響因素分析51-55
• 4.2.1 出行距離51-52
• 4.2.2 路側(cè)干擾52-53
• 4.2.3 道路質(zhì)量53-54
• 4.2.4 道路擁擠程度54-55
• 4.2.5 交叉口延誤55
• 4.3 影響因素歸一化55-56
• 4.4 影響因素權(quán)重確定56-61
• 4.4.1 主觀賦權(quán)法（層次分析法）57-58
• 4.4.2 客觀賦權(quán)法（熵權(quán)法）58-59
• 4.4.3 組合權(quán)重確定59-61
• 4.5 多約束條件路阻函數(shù)61
• 4.6 仿真分析61-63
• 4.7 本章小結(jié)63-66
• 第五章 基于用戶選擇的動(dòng)態(tài)最優(yōu)路徑規(guī)劃實(shí)現(xiàn)及算法優(yōu)化66-82
• 5.1 經(jīng)典最短路徑算法介紹66-68
• 5.1.1 Dijkstra算法66-67
• 5.1.2 A*算法67-68
• 5.1.3 Floyd算法68
• 5.2 動(dòng)態(tài)最優(yōu)路徑算法優(yōu)化68-73
• 5.2.1 基于數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)優(yōu)化68-70
• 5.2.2 基于路網(wǎng)結(jié)構(gòu)劃分優(yōu)化70-71
• 5.2.3 基于時(shí)間框的搜索機(jī)制優(yōu)化71-73
• 5.3 案例分析73-80
• 5.3.1 數(shù)據(jù)源73-74
• 5.3.2 路徑搜索算法效率分析74-75
• 5.3.3 路徑規(guī)劃分析75-80
• 5.4 本章小結(jié)80-82
• 第六章 總結(jié)與展望82-84
• 6.1 論文結(jié)論82-83
• 6.2 論文展望83-84
• 致謝84-86
• 參考文獻(xiàn)86-90
• 在學(xué)期間發(fā)表的論文及參和取得的學(xué)術(shù)成果90

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 韓悅臻,曹三鵬;城市道路交通狀態(tài)指標(biāo)體系設(shè)計(jì)探討[J];公路;2005年06期

2 皮曉亮;王正;韓皓;孫亞;;基于環(huán)形線圈檢測(cè)器采集信息的交通狀態(tài)分類方法應(yīng)用研究[J];公路交通科技;2006年04期

3 勞云騰;楊曉光;云美萍;劉競(jìng)宇;;交通狀態(tài)檢測(cè)方法的評(píng)價(jià)研究[J];交通與計(jì)算機(jī);2006年06期

4 王偉;楊兆升;李貽武;劉新杰;陳昕;;基于信息協(xié)同的子區(qū)交通狀態(tài)加權(quán)計(jì)算與判別方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2007年03期

5 戢曉峰;;城市道路交通狀態(tài)分析方法回顧與展望[J];道路交通與安全;2008年03期

6 李娟;羅霞;姚琛;;基于多源數(shù)據(jù)的交通狀態(tài)判定研究[J];鐵道運(yùn)輸與經(jīng)濟(jì);2009年03期

7 李清泉;高德荃;楊必勝;;基于模糊支持向量機(jī)的城市道路交通狀態(tài)分類[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2009年S2期

8 強(qiáng)添綱;邱潔;;基于熵和耗散結(jié)構(gòu)理論的道路交通狀態(tài)演變機(jī)理[J];交通標(biāo)準(zhǔn)化;2010年Z1期

9 竇慧麗;王國(guó)華;;基于模糊聚類和判別分析的交通狀態(tài)提取算法[J];交通信息與安全;2010年02期

10 曹成濤;崔鳳;林曉輝;;基于神經(jīng)網(wǎng)絡(luò)的交通狀態(tài)模糊判別方法[J];科學(xué)技術(shù)與工程;2010年21期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 郭義榮;張曉棟;董寶田;吳蕾;;基于模糊理論的交通狀態(tài)快速識(shí)別與躍遷轉(zhuǎn)變方法[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第四分冊(cè)）[C];2013年

2 竇瑞;云美萍;楊曉光;;基于視頻錄像的交通狀態(tài)判別算法準(zhǔn)確度評(píng)測(cè)[A];第七屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通技術(shù)[C];2012年

3 余碧瑩;邵春福;;基于時(shí)空模型的道路網(wǎng)交通狀態(tài)預(yù)測(cè)[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前9條

1 馬旭輝;城市道路交通網(wǎng)絡(luò)過(guò)飽和狀態(tài)信號(hào)控制方法研究[D];北京交通大學(xué);2016年

2 徐東偉;道路交通狀態(tài)多維多粒度獲取方法研究[D];北京交通大學(xué);2014年

3 宋淑敏;非常態(tài)下異常道路交通狀態(tài)信息獲取技術(shù)研究[D];吉林大學(xué);2012年

4 許昱瑋;VANETs中面向交通狀態(tài)的車輛主動(dòng)探測(cè)方法研究[D];南開大學(xué);2012年

5 孫曉亮;城市道路交通狀態(tài)評(píng)價(jià)和預(yù)測(cè)方法及應(yīng)用研究[D];北京交通大學(xué);2013年

6 錢U

本文編號(hào)：452902