隨著城市化進程的加快,城市道路交通擁堵問題日益嚴重。智能交通系統(tǒng)在交通管理與控制方面表現(xiàn)出的良好效果,需要準確、實時地短時交通流信息作為支撐,因而建立高效的短時交通交通流預測模型具有重要意義�，F(xiàn)有研究多基于單一斷面的歷史數(shù)據(jù)進行交通流預測,忽視了上下游交通流造成的影響。本文基于交通流時間和空間特性分析,將交通流守恒方程進行時空離散化,建立了基于時空特性的短時交通流預測模型。主要研究內(nèi)容如下:首先,闡述短時交通流預測的背景和意義,將現(xiàn)有預測方法進行詳細分類,并對每一類方法的研究現(xiàn)狀做出了文獻綜述。介紹了本文研究的技術(shù)路線、章節(jié)安排和研究內(nèi)容。其次,定義交通流基本參數(shù),推導時間占有率和密度的關(guān)系式,闡述城市交通流影響因素。基于基本圖和三相交通流理論研究,將交通流劃分自由流、擁擠流和堵塞流三種狀態(tài)。交通流數(shù)據(jù)處理技術(shù)采用閾值法識別異常數(shù)據(jù),利用相鄰數(shù)據(jù)平均法對異常數(shù)據(jù)進行修復。然后,自由流狀態(tài)下,分析交通流的時間特性,對于不平穩(wěn)時間序列采用C-C算法求解相空間重構(gòu)參數(shù)并進行相重構(gòu);通過計算皮爾遜相關(guān)系數(shù)來分析空間特性,結(jié)果表明預測斷面交通流受上游交通流影響,并基于經(jīng)典交通流參數(shù)模型建立了分段... 

【文章來源】：北京建筑大學北京市

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【部分圖文】：

短時交通流預測方法分類

8圖 1-2 論文研究技術(shù)路線文內(nèi)容研究內(nèi)容，本文主要分為五章，安排如下：章緒論，主要介紹本文研究背景與意義，總結(jié)現(xiàn)有國內(nèi)外短時交通流類綜述。同時對本文的研究的技術(shù)路線和研究內(nèi)容進行闡述。章介紹了交通流特性和數(shù)據(jù)預處理技術(shù)，其中交通流特性方面詳細介本特征參數(shù)，交通流影響因素和交通流狀態(tài)劃分；數(shù)據(jù)預處理技術(shù)部

最常關(guān)注后兩個關(guān)系式，此時即可得到完整的交通流一關(guān)系體系表示在坐標圖中，即可得到交通流參數(shù)關(guān)系基本分為自由流和擁擠流兩種狀態(tài)。相理論論將交通流劃分為自由流和擁擠流兩個，即一個是低密度狀不存在兩者之間的中間狀態(tài)，而實際交通流情況并非嚴格只，Boris Kerner 等提出了三相交通流理論[74]，該理論進一步將堵塞和同步流，則交通流狀態(tài)被分為以下三個相：自由流相（ynchronized Flow, S）、寬運動堵塞相（Wide Moving Jam, J）流相態(tài)時，交通流密度較低，此時車輛之間基本不存在干擾，車量與密度關(guān)系圖可以看出，自由流時密度與流量之間呈現(xiàn)出隨著密度的增加而增加，當關(guān)系曲線達到最高點，即最大流即為自由流相，右側(cè)即為同步流相和寬運動堵塞相組成的擁

【參考文獻】：
期刊論文
[1]基于CNN-SVR混合深度學習模型的短時交通流預測[J]. 羅文慧,董寶田,王澤勝.  交通運輸系統(tǒng)工程與信息. 2017(05)
[2]基于K近鄰算法和支持向量回歸組合的短時交通流預測[J]. 劉釗,杜威,閆冬梅,柴干,郭建華.  公路交通科技. 2017(05)
[3]基于ARIMA和小波神經(jīng)網(wǎng)絡組合模型的交通流預測[J]. 成云,成孝剛,談苗苗,周凱,李海波.  計算機技術(shù)與發(fā)展. 2017(01)
[4]基于尖點突變的城市快速路交通流擁堵時空演化研究[J]. 許倫輝,王祥雪.  公路. 2016(12)
[5]基于多智能體的城市道路短時交通流預測與仿真研究[J]. 朱湧,徐建川,陳曉利,李遠哲.  公路交通技術(shù). 2016(06)
[6]改進的花授粉算法優(yōu)化SVM在交通流中的應用[J]. 孫朝東,梁雪春.  計算機工程與設計. 2016(10)
[7]基于相空間重構(gòu)和支持向量機的小麥條銹病預測方法[J]. 劉誠,熊萬丹,付蜀智.  四川大學學報(自然科學版). 2016(02)
[8]一種路網(wǎng)交通流參數(shù)的融合預測方法[J]. 聶佩林,龔峻峰.  交通運輸系統(tǒng)工程與信息. 2015(06)
[9]改進GA優(yōu)化BP神經(jīng)網(wǎng)絡的短時交通流預測[J]. 盧建中,程浩.  合肥工業(yè)大學學報(自然科學版). 2015(01)
[10]基于數(shù)據(jù)流集成回歸的短時交通流預測[J]. 徐文華,魏志強.  交通信息與安全. 2014(04)

博士論文
[1]基于智能理論的交通流量組合預測模型研究[D]. 于志恒.東北師范大學 2016
[2]基于基本圖和三相交通流理論的離散建模方法研究[D]. 田鈞方.北京交通大學 2014
[3]城市路網(wǎng)交通預測模型研究及應用[D]. 張揚.上海交通大學 2009

碩士論文
[1]基于卡爾曼濾波的短時交通流預測方法研究[D]. 石曼曼.西南交通大學 2012
[2]小波支持向量機在交通流預測中的應用研究[D]. 方宇.大連理工大學 2010
[3]基于相空間重構(gòu)和支持向量機的長期電力負荷預測[D]. 游華.重慶師范大學 2010
[4]基于非參數(shù)回歸的路網(wǎng)短時交通狀態(tài)預測[D]. 馬毅林.北京交通大學 2008



本文編號：3022599