【摘要】：隨著經(jīng)濟的快速發(fā)展和人民生活水平的提高,城市機動車保有量逐年升高,近幾年尤為迅速。城市固有的交通設(shè)施已無法滿足人們的出行需求,交通擁堵現(xiàn)象在各大中型城市時有發(fā)生。交通擁堵不僅影響經(jīng)濟的進一步發(fā)展和居民的出行質(zhì)量,而且會導致一系列的環(huán)境污染、資源浪費等社會問題。發(fā)展智能交通是解決交通問題的有效方法,而短時交通狀態(tài)預(yù)測識別是實現(xiàn)智能交通系統(tǒng)的基礎(chǔ)和前提。因此本課題的研究不僅具有理論意義,而且對社會發(fā)展和國民經(jīng)濟建設(shè)具有一定的實用價值。充分利用城市公交車實時采集的GPS數(shù)據(jù)對短時交通狀態(tài)進行預(yù)測識別,不僅可以降低數(shù)據(jù)采集成本,而且能達到很好的預(yù)測識別效果。文章基于呼和浩特市公交數(shù)據(jù)進行研究,主要包括交通狀態(tài)分類識別和短時交通流預(yù)測兩部分。具體研究內(nèi)容如下:(1)采用以公交車速度曲線特征參數(shù)平均值、方差和波動次數(shù)為判別依據(jù)的交通狀態(tài)判別方法。以呼和浩特市公交車GPS數(shù)據(jù)為基礎(chǔ),對數(shù)據(jù)進行深入挖掘分析并提取特征參數(shù),然后利用模糊C均值聚類算法對城市道路交通狀態(tài)進行判別。該方法旨在避開了對交通流量,占有率等數(shù)據(jù)采集的同時,尋求更簡潔,計算開銷小,速度更快的判別方法。(2)構(gòu)建了基于長短期記憶人工神經(jīng)網(wǎng)絡(luò)兩種不同訓練方式的組合預(yù)測模型對短時交通流速度進行預(yù)測。公交車速度數(shù)據(jù)屬于時序數(shù)據(jù),具有時間相關(guān)性和準周期特性。組合模型充分考慮到了長期歷史數(shù)據(jù)和前一時刻速度數(shù)據(jù)對當前預(yù)測速度的影響,利用長短期記憶人工神經(jīng)網(wǎng)絡(luò)良好的記憶功能,使預(yù)測結(jié)果達到了較高的準確率。
【學位授予單位】：內(nèi)蒙古工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U491;P228.4
【圖文】：

第一章 緒論景及意義，每個城市的繁榮和衰落都與交通密切相關(guān)，交通是區(qū)域市的發(fā)展具有決定性的作用。“要想富，先修路”，交通對而且與人們的日常生活和出行息息相關(guān)�，F(xiàn)如今，交通規(guī)中至關(guān)重要的部分。然而隨著經(jīng)濟的發(fā)展和人們生活水平了汽車。特別是隨著“汽車進入家庭”為標志的新交通時代眾多城市進一步發(fā)展的主要制約因素之一，現(xiàn)有的交通設(shè)者的交通需求[1]。于經(jīng)濟快速發(fā)展的階段，大部分大中型城市都面臨交通擁地圖聯(lián)合交通運輸部科學研究院、阿里云發(fā)布的《2017 年告》，以擁堵延時指數(shù)為指標作出我國百城交通狀況圖如

內(nèi)蒙古工業(yè)大學碩士學位論文VR 預(yù)測模型所得結(jié)果進行了對比。與展望。對論文的主要研究內(nèi)容和成果進行了羅列，并不足。路線如圖 1-2 所示，該系統(tǒng)主要分為數(shù)據(jù)預(yù)處理、交通部分。

第二章 公交 GPS 數(shù)據(jù)預(yù)處理第二章 公交 GPS 數(shù)據(jù)預(yù)處理保 GPS 數(shù)據(jù)的質(zhì)量是對交通狀態(tài)進行準確預(yù)測的前提和基礎(chǔ)[21]。公交 數(shù)據(jù)量龐大、數(shù)據(jù)不穩(wěn)定、數(shù)據(jù)多樣性和數(shù)據(jù)真實性等特性，在采集過數(shù)據(jù)噪聲、數(shù)據(jù)遺漏等狀況。因此，在對交通狀態(tài)預(yù)測判別時，需要先通過 GPS 數(shù)據(jù)預(yù)處理，得到合理的研究數(shù)據(jù)。數(shù)據(jù)預(yù)處理過程如圖 2-

【參考文獻】

相關(guān)期刊論文 前10條

1 丁宏飛;劉博;羅霞;李演洪;;基于粒計算的交通流參數(shù)預(yù)測[J];交通運輸系統(tǒng)工程與信息;2015年06期

2 李志虎;;對呼和浩特市城市交通如何治堵的幾點思考[J];內(nèi)蒙古公路與運輸;2015年05期

3 康軍;段宗濤;唐蕾;劉研;王超;;高斯過程回歸短時交通流預(yù)測方法[J];交通運輸系統(tǒng)工程與信息;2015年04期

4 陸化普;李瑞敏;;城市智能交通系統(tǒng)的發(fā)展現(xiàn)狀與趨勢[J];工程研究-跨學科視野中的工程;2014年01期

5 宗高勤;黃愛玲;;基于GPS車輛監(jiān)控數(shù)據(jù)的公交速度特性分析[J];城市公共交通;2013年08期

6 王學恩;韓德強;韓崇昭;;采用不確定性度量的粗糙模糊C均值聚類參數(shù)獲取方法[J];西安交通大學學報;2013年06期

7 鄭長江;陳田星;;基于小波神經(jīng)網(wǎng)絡(luò)的路段短時交通流預(yù)測[J];大連交通大學學報;2012年05期

8 巫威眺;靳文舟;林培群;;基于BP神經(jīng)網(wǎng)絡(luò)的道路交通狀態(tài)判別方法研究[J];交通信息與安全;2011年04期

9 劉曉玲;賈鵬;鄔珊華;于濱;;基于多維時空參數(shù)的道路短期交通狀態(tài)預(yù)測[J];交通運輸系統(tǒng)工程與信息;2011年04期

10 龍小強;譚云龍;;基于模糊綜合評價的城市道路交通擁堵評價研究[J];交通標準化;2011年11期

相關(guān)碩士學位論文 前10條

1 談苗苗;基于LSTM和灰色模型集成的短期交通流預(yù)測[D];南京郵電大學;2017年

2 田源;基于多源數(shù)據(jù)的公交運行狀況評估[D];山東大學;2017年

3 莊廣新;基于多源檢測器的交通流數(shù)據(jù)融合方法研究[D];北京交通大學;2017年

4 李丹;基于長短時記憶網(wǎng)絡(luò)的中文文本情感分析[D];北京郵電大學;2017年

5 孫瑞奇;基于LSTM神經(jīng)網(wǎng)絡(luò)的美股股指價格趨勢預(yù)測模型的研究[D];首都經(jīng)濟貿(mào)易大學;2016年

6 林冬霞;基于車聯(lián)網(wǎng)的短時交通流預(yù)測算法研究[D];華南理工大學;2015年

7 湯月華;基于GPS數(shù)據(jù)的公交站點區(qū)間行程時間分布與可靠性分析[D];浙江大學;2015年

8 朱蕓;基于交通流預(yù)測的控制子區(qū)交通狀態(tài)識別技術(shù)研究[D];浙江大學;2014年

9 顧超然;基于模糊c均值的城市道路交通狀態(tài)判別研究[D];北京交通大學;2012年

10 龔珊;基于浮動車GPS數(shù)據(jù)的行車速度預(yù)測模型研究[D];北京交通大學;2009年

本文編號：2776162