發(fā)布時間：2020-07-15 20:15

【摘要】：隨著經(jīng)濟的發(fā)展,機動車數(shù)量的攀升。交通擁堵、交通事故等一系列交通問題也隨之產(chǎn)生,并嚴(yán)重制約著道路的通行能力。智能交通系統(tǒng)依靠對行駛車輛運行狀態(tài)的監(jiān)控、誘導(dǎo),優(yōu)化交通流在路網(wǎng)中的分布,能夠有效的緩解道路交通擁堵、交通事故的發(fā)生,是目前全世界公認(rèn)的解決交通問題的最有效途徑。交通流預(yù)測作為智能交通研究領(lǐng)域中的關(guān)鍵技術(shù)之一,成為國內(nèi)外研究的熱點。針對現(xiàn)有交通流量預(yù)測算法大多僅考慮常態(tài)下的預(yù)測,而未考慮天氣因素、交通事件等突發(fā)因素對預(yù)測結(jié)果的影響的不足,本文提出了一種融合天氣因素的短時交通流深度預(yù)測模型。首先,對采集的天氣和交通流數(shù)據(jù)進行缺失補齊、去噪、歸一化等預(yù)處理;其次,通過相關(guān)性分析得出與交通流數(shù)據(jù)相關(guān)性最強的天氣因素;最后,構(gòu)建基于深度信念網(wǎng)絡(luò)和支持向量回歸的短時交通流預(yù)測模型,將天氣數(shù)據(jù)和交通流數(shù)據(jù)作為預(yù)測模型訓(xùn)練樣本。根據(jù)交通流數(shù)據(jù)在時間上分布的差異性,為了提高預(yù)測精度,分別對工作日和周末的交通流量進行預(yù)測。通過美國交通數(shù)據(jù)研究實驗室和猶他州大學(xué)MesoWest提供的實際交通流和天氣數(shù)據(jù)對預(yù)測模型進行驗證。結(jié)果表明:本文提出的預(yù)測模型與未融合天氣因素的預(yù)測模型相比,其預(yù)測精度平均提高4%,驗證了所提出的融合天氣因素的交通流預(yù)測模型的有效性,為及時可靠的交通誘導(dǎo)及控制提供了理論支撐。
【學(xué)位授予單位】：長安大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491.112
【圖文】：

現(xiàn)有的和歸檔的天氣觀測數(shù)據(jù)的訪問美國國家氣象局使用它來幫助究人員了解了惡劣的天氣事件之后公眾地為個人和其他用途提t(yī) 主要依靠政府機構(gòu)、私營公司、和教育機構(gòu)管理的天氣觀測網(wǎng)絡(luò)。數(shù)據(jù)庫為許多組織提供使用，屬于開源數(shù)據(jù)庫。美國國家氣象部t 的運營使用，用于監(jiān)測全國的天氣狀況。在關(guān)鍵位置建立觀測站點，過 MesoWest 界面來查看。如溫度、濕度、能見度、風(fēng)速、風(fēng)向等天。MesoWest 還使用 GoogleEarth 來提供交互式圖形界面，并且允許用察圖以便能更好的了解給定位置的條件。使用美國明尼蘇達州 St Paul InternationalAirport 監(jiān)測站的天氣數(shù)據(jù)作使用 2017 年 6 月 1 日至 2017 年 9 月 30 日的天氣數(shù)據(jù)，數(shù)據(jù)采樣間ulInternationalAirport 監(jiān)測站位置如圖 5.1 所示。StPaulInternational始天氣數(shù)據(jù)如圖 5.2 所示。

圖 5.2 St Paul InternationalAirport 監(jiān)測站原始天氣數(shù)據(jù).1.2 交通數(shù)據(jù)來源本文實驗所用到的交通數(shù)據(jù)來源于美國交通數(shù)據(jù)研究實驗室（Transportatiesearch Data Lab）所提供的高速公路交通流量數(shù)據(jù)�？梢猿掷m(xù)獲得全年的交通數(shù)據(jù)括交通流、占有率。文中選用美國明尼蘇達州的交通數(shù)據(jù)為實驗數(shù)據(jù)，采集使用 20 6 月 1 日至 2017 年 9 月 30 日內(nèi)的交通流量數(shù)據(jù)，采樣時間間隔為 5 分鐘。美國明達州高速公路分布圖如 5.3 所示。數(shù)據(jù)采樣站點為 S497（圖中紅色標(biāo)記處），位置 5.4 所示。

圖 5.2 St Paul InternationalAirport 監(jiān)測站原始天氣數(shù)據(jù)據(jù)來源驗所用到的交通數(shù)據(jù)來源于美國交通數(shù)據(jù)研究實驗室（Transta Lab）所提供的高速公路交通流量數(shù)據(jù)�？梢猿掷m(xù)獲得全年的交、占有率。文中選用美國明尼蘇達州的交通數(shù)據(jù)為實驗數(shù)據(jù)，采集使至 2017 年 9 月 30 日內(nèi)的交通流量數(shù)據(jù)，采樣時間間隔為 5 分鐘。公路分布圖如 5.3 所示。數(shù)據(jù)采樣站點為 S497（圖中紅色標(biāo)記處）

【參考文獻】

相關(guān)期刊論文 前10條

1 祁偉;李曄;汪作新;;季節(jié)性ARiMA模型在稀疏交通流下的預(yù)測方法[J];公路交通科技;2014年04期

2 金玉婷;余立建;;基于小波神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測[J];交通科技與經(jīng)濟;2014年01期

3 傅惠;許倫輝;胡剛;王勇;;基于Sugeno型神經(jīng)模糊系統(tǒng)的交通流狀態(tài)預(yù)測算法[J];控制理論與應(yīng)用;2010年12期

4 郭敏;藍金輝;肖翔;盧海鋒;;基于混沌理論對北京二環(huán)路進行短時交通流量預(yù)測的研究[J];交通運輸系統(tǒng)工程與信息;2010年02期

5 張朝元;陳麗;;改進的LS-SVM算法及在交通流量預(yù)測上的應(yīng)用[J];昆明理工大學(xué)學(xué)報(理工版);2008年06期

6 孫湘海;劉潭秋;;基于SARIMA模型的城市道路短期交通流預(yù)測研究[J];公路交通科技;2008年01期

7 高慧;趙建玉;賈磊;;短時交通流預(yù)測方法綜述[J];濟南大學(xué)學(xué)報(自然科學(xué)版);2008年01期

8 周欣榮;崔揚;;短時段交通流預(yù)測的RBF神經(jīng)網(wǎng)絡(luò)模型[J];道路交通與安全;2007年03期

9 徐啟華;楊瑞;;支持向量機在交通流量實時預(yù)測中的應(yīng)用[J];公路交通科技;2005年12期

10 徐啟華,丁兆奎;交通流量的遞歸神經(jīng)網(wǎng)絡(luò)實時預(yù)測模型研究[J];公路交通科技;2004年10期

相關(guān)博士學(xué)位論文 前1條

1 王凡;基于支持向量機的交通流預(yù)測方法研究[D];大連理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前4條

1 伍元凱;基于動態(tài)張量填充的短時交通流預(yù)測研究[D];北京理工大學(xué);2015年

2 汪正勇;高速公路合流區(qū)上下游交通流量特性分析及預(yù)測研究[D];重慶大學(xué);2014年

3 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡(luò)的短時城市交通流量預(yù)測研究[D];北京交通大學(xué);2012年

4 余國強;基于小波神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測算法的研究[D];華南理工大學(xué);2012年

本文編號：2756960