【摘要】：城市道路交通擁堵已經(jīng)成為人們?nèi)粘３鲂械睦_,為有效解決交通擁堵,方便人們出行,提升城市幸福感,實(shí)時(shí)、準(zhǔn)確的交通擁堵預(yù)測(cè)尤為重要。短時(shí)交通流預(yù)測(cè)和城市路網(wǎng)擁堵識(shí)別是擁堵預(yù)測(cè)的關(guān)鍵技術(shù),它直接影響了預(yù)測(cè)效果,因此,開(kāi)展短時(shí)交通流預(yù)測(cè)方法和路網(wǎng)擁堵識(shí)別方法的研究具有一定的理論和應(yīng)用價(jià)值。由于城市路網(wǎng)中實(shí)際交通流變化的不穩(wěn)定性和復(fù)雜性,因此如何建立快速準(zhǔn)確的交通流預(yù)測(cè)模型,以及如何選擇路網(wǎng)擁堵判別指標(biāo)并建立交通擁堵測(cè)度模型是本文研究的重要內(nèi)容。論文主要研究工作如下:1.針對(duì)交通流數(shù)據(jù)的非線(xiàn)性特性以及因受采集環(huán)境的干擾所產(chǎn)生的噪聲影響,提出了一種基于小波的消噪方法以對(duì)原始交通流數(shù)據(jù)進(jìn)行平滑處理。該方法的思想是采用小波多分辨率分析理論,基于Mallat算法對(duì)原始交通流數(shù)據(jù)進(jìn)行分解,再利用小波閾值去噪原理對(duì)分解得到的各層系數(shù)選擇閾值,最后用降噪后的小波系數(shù)重構(gòu)原始數(shù)據(jù),使數(shù)據(jù)與噪聲有效分離,以達(dá)到將原始數(shù)據(jù)平滑去噪的目的。2.研究分析了現(xiàn)有短時(shí)交通流預(yù)測(cè)方法,在此基礎(chǔ)上建立了基于BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型。模型原理是基于Widrow-Hoff學(xué)習(xí)規(guī)則的正向傳遞工作信號(hào)反向傳遞誤差信號(hào)的多層網(wǎng)絡(luò),用采集來(lái)的原始交通流數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,使用神經(jīng)網(wǎng)絡(luò)算法建立數(shù)學(xué)模型,并用模型進(jìn)行預(yù)測(cè)。用所建立的模型與卡爾曼濾波和GM(1,1)預(yù)測(cè)模型進(jìn)行了實(shí)驗(yàn)對(duì)比,結(jié)果證明,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)效果優(yōu)于卡爾曼濾波和GM(1,1)預(yù)測(cè)模型,是一種有效的交通流預(yù)測(cè)模型。3.研究了城市路網(wǎng)交通擁堵測(cè)度指標(biāo)體系及交通擁堵識(shí)別方法,在實(shí)驗(yàn)對(duì)比分析基礎(chǔ)上,給出了一種基于“點(diǎn)”、“線(xiàn)”、“面”的城市路網(wǎng)交通擁堵綜合測(cè)度模型,該模型可以對(duì)單條道路、十字路口、區(qū)域的TCI(交通擁堵指數(shù))進(jìn)行測(cè)定,以便識(shí)別道路擁堵?tīng)顩r。為達(dá)到對(duì)某區(qū)域是否擁堵的動(dòng)態(tài)識(shí)別的目的,著重分析探討了區(qū)域交通擁堵?tīng)顩r的判別方法。4.為能將交通擁堵預(yù)測(cè)結(jié)果進(jìn)行可視化表示,對(duì)基于電子地圖的可視化方法進(jìn)行了研究,并利用已有交通信息監(jiān)測(cè)點(diǎn)數(shù)據(jù),使用百度地圖API接口技術(shù),采用JavaScript構(gòu)建西安市二環(huán)內(nèi)城市道路網(wǎng)絡(luò)拓?fù)鋱D,實(shí)現(xiàn)了區(qū)域自動(dòng)顯示功能。5.在本文研究成果的基礎(chǔ)上,結(jié)合應(yīng)用需求,采用MATLAB GUI設(shè)計(jì)實(shí)現(xiàn)了一個(gè)交通擁堵預(yù)測(cè)系統(tǒng)。該系統(tǒng)能夠?qū)Χ虝r(shí)交通流進(jìn)行預(yù)測(cè),同時(shí)能夠?qū)^(qū)域交通擁堵?tīng)顟B(tài)進(jìn)行識(shí)別和預(yù)測(cè)。
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：U491;TP183;TN713
【圖文】：

交通流模型曲線(xiàn)圖

12圖 2.2 速度—密度關(guān)系，當(dāng) K=0 時(shí)，fV = V,即在交通密度很小的情況下 V =0，即在交通密度很大時(shí)，車(chē)輛速度趨于零說(shuō)明，如圖 2.2，已知 C 點(diǎn)的速度為mv 和密度為K面積。關(guān)系與密度關(guān)系是交通流的基本關(guān)系。由 QVKs=

圖 2.3 流量—密度關(guān)系圖種二次函數(shù)關(guān)系，如圖 2.3 所示。從圖中可以看出，增加，流量 Q 也隨之變大；當(dāng)密度增加到 C 點(diǎn)時(shí)加，此時(shí)流量 Q 隨著密度的增大而減小，直到減擠的情況，密度大于mK 的點(diǎn)表示擁擠的情況。量關(guān)系線(xiàn)模型為基礎(chǔ)： = fjvvK K1 = fjvvQKv2

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王曉丹;白云;李川;;基于統(tǒng)計(jì)的我國(guó)短時(shí)交通流預(yù)測(cè)模型分析[J];現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版);2017年17期

2 程山英;;基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法研究[J];計(jì)算機(jī)測(cè)量與控制;2017年08期

3 鄧箴;任靜;劉立波;;基于多條件隨機(jī)場(chǎng)的短時(shí)交通流預(yù)測(cè)模型[J];計(jì)算機(jī)工程與設(shè)計(jì);2017年10期

4 高圣國(guó);;基于模式識(shí)別的短時(shí)交通流預(yù)測(cè)[J];公路;2011年09期

5 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術(shù)在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];交通科技;2010年S1期

6 馬宏亮;張建平;李瑞敏;郭敏;;短時(shí)交通流預(yù)測(cè)系統(tǒng)的效率優(yōu)化研究[J];交通信息與安全;2010年04期

7 趙宏;翟冬梅;石朝輝;;短時(shí)交通流預(yù)測(cè)模型綜述[J];都市快軌交通;2019年04期

8 傅成紅;楊書(shū)敏;張陽(yáng);;改進(jìn)支持向量回歸機(jī)的短時(shí)交通流預(yù)測(cè)[J];交通運(yùn)輸系統(tǒng)工程與信息;2019年04期

9 康軍;段宗濤;唐蕾;溫興超;;一種平穩(wěn)化短時(shí)交通流預(yù)測(cè)方法[J];測(cè)控技術(shù);2018年02期

10 黃曉慧;張翠芳;;布谷鳥(niǎo)算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[J];計(jì)算機(jī)應(yīng)用與軟件;2017年03期

相關(guān)會(huì)議論文 前6條

1 于建玲;商朋見(jiàn);關(guān)積珍;;改進(jìn)的相空間重構(gòu)方法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

2 鄭德署;何世偉;許旺土;;分形理論在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

3 許巖巖;翟希;孔慶杰;劉允才;;基于分類(lèi)回歸樹(shù)的交通流短時(shí)預(yù)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

4 賀佐斌;丁曉青;楊碧茹;侯海波;;信號(hào)交叉口短時(shí)交通流預(yù)測(cè)[A];2017年中國(guó)城市交通規(guī)劃年會(huì)論文集[C];2017年

5 楊錦偉;肖新平;郭金海;;基于灰關(guān)聯(lián)與少數(shù)據(jù)云推理的短時(shí)交通流預(yù)測(cè)[A];第25屆全國(guó)灰色系統(tǒng)會(huì)議論文集[C];2014年

6 唐麗娜;張衛(wèi)華;;短時(shí)交通流預(yù)測(cè)方法的比較研究[A];2007第三屆中國(guó)智能交通年會(huì)論文集[C];2007年

相關(guān)博士學(xué)位論文 前4條

1 吳聰;LDM~3平臺(tái)的路網(wǎng)態(tài)勢(shì)關(guān)鍵算法及系統(tǒng)研究[D];南京大學(xué);2013年

2 姚智勝;基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測(cè)理論與方法研究[D];北京交通大學(xué);2007年

3 敖谷昌;城市快速路交通狀態(tài)特性及關(guān)聯(lián)分析方法研究[D];北京交通大學(xué);2014年

4 孔祥杰;城市路網(wǎng)交通流協(xié)調(diào)控制技術(shù)研究[D];浙江大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 李佩鈺;短時(shí)交通流預(yù)測(cè)與城市路網(wǎng)交通擁堵識(shí)別方法研究與應(yīng)用[D];長(zhǎng)安大學(xué);2019年

2 王青松;城市交叉口短時(shí)交通流的配時(shí)優(yōu)化方案研究與應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

3 李敏;基于GJR-GARCH模型和一種集成學(xué)習(xí)方法的短時(shí)交通流預(yù)測(cè)研究[D];太原理工大學(xué);2019年

4 白躍升;基于GSM數(shù)據(jù)的交通出行預(yù)測(cè)模型的構(gòu)建與應(yīng)用[D];中北大學(xué);2019年

5 羅川;基于最小二乘支持向量機(jī)的短時(shí)交通流預(yù)測(cè)方法研究[D];太原理工大學(xué);2019年

6 石睿;基于粒子濾波與神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)[D];北京交通大學(xué);2018年

7 李揚(yáng);基于時(shí)空特性的短時(shí)交通流預(yù)測(cè)模型研究[D];北京建筑大學(xué);2018年

8 李治;基于短時(shí)交通流預(yù)測(cè)的動(dòng)態(tài)路徑選擇問(wèn)題研究[D];蘭州交通大學(xué);2018年

9 張金飛;城市交通路口短時(shí)流量預(yù)測(cè)模型研究[D];昆明理工大學(xué);2018年

10 余濤;基于SVM和BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)與實(shí)現(xiàn)[D];南京郵電大學(xué);2018年

本文編號(hào)：2762417