發(fā)布時間：2020-07-19 12:24

【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,實時、準確的交通擁堵預測尤為重要。短時交通流預測和城市路網(wǎng)擁堵識別是擁堵預測的關鍵技術,它直接影響了預測效果,因此,開展短時交通流預測方法和路網(wǎng)擁堵識別方法的研究具有一定的理論和應用價值。由于城市路網(wǎng)中實際交通流變化的不穩(wěn)定性和復雜性,因此如何建立快速準確的交通流預測模型,以及如何選擇路網(wǎng)擁堵判別指標并建立交通擁堵測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.針對交通流數(shù)據(jù)的非線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原始交通流數(shù)據(jù)進行平滑處理。該方法的思想是采用小波多分辨率分析理論,基于Mallat算法對原始交通流數(shù)據(jù)進行分解,再利用小波閾值去噪原理對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)重構原始數(shù)據(jù),使數(shù)據(jù)與噪聲有效分離,以達到將原始數(shù)據(jù)平滑去噪的目的。2.研究分析了現(xiàn)有短時交通流預測方法,在此基礎上建立了基于BP神經(jīng)網(wǎng)絡的短時交通流預測模型。模型原理是基于Widrow-Hoff學習規(guī)則的正向傳遞工作信號反向傳遞誤差信號的多層網(wǎng)絡,用采集來的原始交通流數(shù)據(jù)對網(wǎng)絡進行訓練,使用神經(jīng)網(wǎng)絡算法建立數(shù)學模型,并用模型進行預測。用所建立的模型與卡爾曼濾波和GM(1,1)預測模型進行了實驗對比,結果證明,BP神經(jīng)網(wǎng)絡預測模型的預測效果優(yōu)于卡爾曼濾波和GM(1,1)預測模型,是一種有效的交通流預測模型。3.研究了城市路網(wǎng)交通擁堵測度指標體系及交通擁堵識別方法,在實驗對比分析基礎上,給出了一種基于“點”、“線”、“面”的城市路網(wǎng)交通擁堵綜合測度模型,該模型可以對單條道路、十字路口、區(qū)域的TCI(交通擁堵指數(shù))進行測定,以便識別道路擁堵狀況。為達到對某區(qū)域是否擁堵的動態(tài)識別的目的,著重分析探討了區(qū)域交通擁堵狀況的判別方法。4.為能將交通擁堵預測結果進行可視化表示,對基于電子地圖的可視化方法進行了研究,并利用已有交通信息監(jiān)測點數(shù)據(jù),使用百度地圖API接口技術,采用JavaScript構建西安市二環(huán)內(nèi)城市道路網(wǎng)絡拓撲圖,實現(xiàn)了區(qū)域自動顯示功能。5.在本文研究成果的基礎上,結合應用需求,采用MATLAB GUI設計實現(xiàn)了一個交通擁堵預測系統(tǒng)。該系統(tǒng)能夠?qū)Χ虝r交通流進行預測,同時能夠?qū)^(qū)域交通擁堵狀態(tài)進行識別和預測。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：U491;TP183;TN713
【圖文】：

交通流模型曲線圖

12圖 2.2 速度—密度關系，當 K=0 時，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，車輛速度趨于零說明，如圖 2.2，已知 C 點的速度為mv 和密度為K面積。關系與密度關系是交通流的基本關系。由 QVKs=

圖 2.3 流量—密度關系圖種二次函數(shù)關系，如圖 2.3 所示。從圖中可以看出，增加，流量 Q 也隨之變大；當密度增加到 C 點時加，此時流量 Q 隨著密度的增大而減小，直到減擠的情況，密度大于mK 的點表示擁擠的情況。量關系線模型為基礎： = fjvvK K1 = fjvvQKv2

【相似文獻】

相關期刊論文 前10條

1 王曉丹;白云;李川;;基于統(tǒng)計的我國短時交通流預測模型分析[J];現(xiàn)代計算機(專業(yè)版);2017年17期

2 程山英;;基于模糊神經(jīng)網(wǎng)絡的短時交通流預測方法研究[J];計算機測量與控制;2017年08期

3 鄧箴;任靜;劉立波;;基于多條件隨機場的短時交通流預測模型[J];計算機工程與設計;2017年10期

4 高圣國;;基于模式識別的短時交通流預測[J];公路;2011年09期

5 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術在短時交通流預測中的應用[J];交通科技;2010年S1期

6 馬宏亮;張建平;李瑞敏;郭敏;;短時交通流預測系統(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;;短時交通流預測模型綜述[J];都市快軌交通;2019年04期

8 傅成紅;楊書敏;張陽;;改進支持向量回歸機的短時交通流預測[J];交通運輸系統(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)化短時交通流預測方法[J];測控技術;2018年02期

10 黃曉慧;張翠芳;;布谷鳥算法優(yōu)化小波神經(jīng)網(wǎng)絡的短時交通流預測[J];計算機應用與軟件;2017年03期

相關會議論文 前6條

1 于建玲;商朋見;關積珍;;改進的相空間重構方法在短時交通流預測中的應用[A];2008第四屆中國智能交通年會論文集[C];2008年

2 鄭德署;何世偉;許旺土;;分形理論在短時交通流預測中的應用[A];2008第四屆中國智能交通年會論文集[C];2008年

3 許巖巖;翟希;孔慶杰;劉允才;;基于分類回歸樹的交通流短時預測[A];第七屆中國智能交通年會優(yōu)秀論文集——智能交通技術[C];2012年

4 賀佐斌;丁曉青;楊碧茹;侯海波;;信號交叉口短時交通流預測[A];2017年中國城市交通規(guī)劃年會論文集[C];2017年

5 楊錦偉;肖新平;郭金海;;基于灰關聯(lián)與少數(shù)據(jù)云推理的短時交通流預測[A];第25屆全國灰色系統(tǒng)會議論文集[C];2014年

6 唐麗娜;張衛(wèi)華;;短時交通流預測方法的比較研究[A];2007第三屆中國智能交通年會論文集[C];2007年

相關博士學位論文 前4條

1 吳聰;LDM~3平臺的路網(wǎng)態(tài)勢關鍵算法及系統(tǒng)研究[D];南京大學;2013年

2 姚智勝;基于實時數(shù)據(jù)的道路網(wǎng)短時交通流預測理論與方法研究[D];北京交通大學;2007年

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

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

相關碩士學位論文 前10條

1 李佩鈺;短時交通流預測與城市路網(wǎng)交通擁堵識別方法研究與應用[D];長安大學;2019年

2 王青松;城市交叉口短時交通流的配時優(yōu)化方案研究與應用[D];中國科學技術大學;2019年

3 李敏;基于GJR-GARCH模型和一種集成學習方法的短時交通流預測研究[D];太原理工大學;2019年

4 白躍升;基于GSM數(shù)據(jù)的交通出行預測模型的構建與應用[D];中北大學;2019年

5 羅川;基于最小二乘支持向量機的短時交通流預測方法研究[D];太原理工大學;2019年

6 石睿;基于粒子濾波與神經(jīng)網(wǎng)絡的短時交通流預測[D];北京交通大學;2018年

7 李揚;基于時空特性的短時交通流預測模型研究[D];北京建筑大學;2018年

8 李治;基于短時交通流預測的動態(tài)路徑選擇問題研究[D];蘭州交通大學;2018年

9 張金飛;城市交通路口短時流量預測模型研究[D];昆明理工大學;2018年

10 余濤;基于SVM和BP神經(jīng)網(wǎng)絡的短時交通流預測與實現(xiàn)[D];南京郵電大學;2018年

本文編號：2762417