隨著城市化進(jìn)程的加快和汽車工業(yè)的發(fā)展,道路通行能力與交通需求之間的矛盾變得日益尖銳,交通擁堵現(xiàn)象日益突出。分析交通流規(guī)律特性對交通擁堵狀況的影響和作用機(jī)理,構(gòu)建多信息融合的交通控制與誘導(dǎo)協(xié)同模型,制定行之有效的交通流預(yù)測及交通控制誘導(dǎo)協(xié)同的策略,是實(shí)現(xiàn)智能交通的必要組成部分。實(shí)時(shí)掌握城市交通路網(wǎng)的交通流量數(shù)據(jù)以及預(yù)測數(shù)據(jù),是影響城市道路交通問題的關(guān)鍵因素之一,充分的掌握和分析交通流的變化規(guī)律,可以更加精準(zhǔn)的為交通控制及誘導(dǎo)協(xié)同研究提供重要的數(shù)據(jù)保障。本文按交通流特性分析——交通流預(yù)測——交通控制與誘導(dǎo)協(xié)同的遞進(jìn)關(guān)系進(jìn)行研究,其中對城市交通路網(wǎng)各個(gè)交叉路口間的空間關(guān)系、每個(gè)交叉路口歷史與未來的交通流規(guī)律進(jìn)行了詳盡的描述與研究,從而實(shí)現(xiàn)交通流預(yù)測。在得到預(yù)測結(jié)果的基礎(chǔ)上構(gòu)建交通控制和誘導(dǎo)協(xié)同模型來完成交通疏導(dǎo)。本文針對這些主要問題進(jìn)行深入研究,并利用實(shí)際的現(xiàn)場交通流數(shù)據(jù)對相應(yīng)的理論方法進(jìn)行了驗(yàn)證,主要研究內(nèi)容如下:(1)提出一種基于信息融合神經(jīng)網(wǎng)絡(luò)(IFNN)的交通流預(yù)測模型。該模型充分利用道路交叉口的歷史和未來的交通信息來預(yù)測交通流量,彌補(bǔ)了現(xiàn)有模型預(yù)測時(shí)只能依據(jù)過去時(shí)刻的時(shí)序信息來預(yù)測...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 選題背景及研究意義
    1.2 交通流預(yù)測研究現(xiàn)狀
    1.3 交通控制與誘導(dǎo)協(xié)同研究現(xiàn)狀
    1.4 研究內(nèi)容
    1.5 技術(shù)路線
2 交通流信息融合分析
    2.1 多信息融合的交通流特性
        2.1.1 交通流的基本參數(shù)
        2.1.2 交通流基本參數(shù)間的相互關(guān)系
    2.2 交通流檢測及信息融合技術(shù)
        2.2.1 交通流數(shù)據(jù)檢測概述
        2.2.2 多信息數(shù)據(jù)融合的原理及融合層次
    2.3 基于深度學(xué)習(xí)的融合算法模型分析
        2.3.1 信息融合算法的發(fā)展
        2.3.2 融合時(shí)間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.3.3 融合記憶信息的循環(huán)神經(jīng)網(wǎng)絡(luò)
    2.4 本章小結(jié)
3 基于多信息融合的交通流預(yù)測
    3.1 多信息融合的交通流預(yù)測模型
    3.2 交通流數(shù)據(jù)的預(yù)處理
        3.2.1 交通流數(shù)據(jù)集的采集
        3.2.2 軌跡數(shù)據(jù)的構(gòu)建
        3.2.3 錯(cuò)誤軌跡數(shù)據(jù)的判別與修復(fù)方法
        3.2.4 IFNN模型參數(shù)的確定
    3.3 道路交叉口向量化
        3.3.1 道路交叉口向量化編碼的構(gòu)建
        3.3.2 道路交叉口向量化結(jié)果分析
        3.3.3 道路交叉口空間關(guān)系的計(jì)算
    3.4 本章小結(jié)
4 基于多信息融合的交通控制與誘導(dǎo)協(xié)同辦法
    4.1 多源交通信息融合結(jié)構(gòu)
        4.1.1 交通控制與誘導(dǎo)協(xié)同體系
        4.1.2 交通信息融合原理
    4.2 交通信息堆棧神經(jīng)網(wǎng)絡(luò)的構(gòu)成
        4.2.1 交通信息自編碼神經(jīng)網(wǎng)絡(luò)
        4.2.2 建立新的交通控制誘導(dǎo)模型
    4.3 多信息融合的交通控制與誘導(dǎo)協(xié)同神經(jīng)網(wǎng)絡(luò)
        4.3.1 微調(diào)算法處理和優(yōu)化
        4.3.2 交通信息分類的原理
        4.3.3 多信息融合的交通控制與誘導(dǎo)協(xié)同神經(jīng)網(wǎng)絡(luò)模型參數(shù)的選取
    4.4 本章小結(jié)
5 交通流預(yù)測實(shí)驗(yàn)及控制誘導(dǎo)協(xié)同仿真
    5.1 實(shí)驗(yàn)數(shù)據(jù)的描述
    5.2 交通流預(yù)測的實(shí)驗(yàn)結(jié)果
    5.3 實(shí)驗(yàn)結(jié)果數(shù)據(jù)擬合及殘差分析
    5.4 交通控制與交通誘導(dǎo)協(xié)同模型分析
        5.4.1 模型仿真驗(yàn)證
        5.4.2 結(jié)果分析
    5.5 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號：3807582