隨著城市化進(jìn)程不斷推進(jìn),交通出行已成為影響生活質(zhì)量的重要因素,由于機(jī)動(dòng)車數(shù)量不斷增加,日益嚴(yán)重的交通擁堵問(wèn)題給出行帶來(lái)諸多不便。為改善交通路網(wǎng)擁堵現(xiàn)象,提高交通路網(wǎng)整體運(yùn)行效率,研究交通擁堵控制具有重要的理論和現(xiàn)實(shí)意義。本文針對(duì)智能交通擁堵控制問(wèn)題,結(jié)合機(jī)器學(xué)習(xí)、深度學(xué)習(xí)提出一種時(shí)空特征融合的交通狀態(tài)預(yù)測(cè)方法,利用交通流量負(fù)荷分配的手段對(duì)路網(wǎng)中瓶頸路段進(jìn)行信號(hào)優(yōu)化控制,主要工作和貢獻(xiàn)如下:1、提出一種基于時(shí)空特征融合的交通狀態(tài)預(yù)測(cè)方法。該方法結(jié)合交通運(yùn)行特性,利用特征工程確定交通流數(shù)據(jù)中影響未來(lái)交通狀態(tài)的因素,使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)對(duì)交通流參數(shù)進(jìn)行時(shí)空特征提取,引入長(zhǎng)短期記憶模型(Long Short-Term Memory,LSTM)對(duì)交通擁堵狀態(tài)時(shí)序特征進(jìn)行有效提取,完成CNN和LSTM雙通道特征融合處理,利用支持向量機(jī)(Support Vector Machine,SVM)實(shí)現(xiàn)交通狀態(tài)預(yù)測(cè)。基于PEMS交通數(shù)據(jù)集開展實(shí)驗(yàn)并與其他算法進(jìn)行對(duì)比,驗(yàn)證了本文CNN/LSTM-SVM特征融合模型的優(yōu)越性。2、提出一種基于流量分...

【文章頁(yè)數(shù)】：93 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１淺層學(xué)習(xí)和深度學(xué)習(xí)一般流程??

ｎｄｅｒｒａｊａｎ等１３２１利用交通仿真??對(duì)交通擁堵的形成過(guò)程進(jìn)行重建，獲得了流量、速度和占有率等參數(shù)的實(shí)時(shí)變化??情況；胡婷等ＰＩ利用動(dòng)態(tài)交通分配與靜態(tài)交通進(jìn)行對(duì)比，發(fā)現(xiàn)基于動(dòng)態(tài)交通分??配的仿真在反映交通特性方面有更大的優(yōu)越性。??近年來(lái)深度學(xué)習(xí)憑借著強(qiáng)大的計(jì)算能力在眾多領(lǐng)....

圖２．１交通流三參數(shù)關(guān)系圖??

?第２章相關(guān)理論與技術(shù)???式中：／＾為最大交通流量時(shí)的密度，稱為臨界密度。??除上述單段式模型，一些多段式模型也被提出，比較經(jīng)典的有：派普斯－敏??加爾模型、德留模型、鐘形曲線模型等［６５Ｌ??２．交通流流量－密度模型??流量和密度之間存在著一定的關(guān)系，具體表示為如下關(guān)系式：?....

圖２．２干線協(xié)調(diào)前后綠波帶變化對(duì)比??

?第２章相關(guān)理論與技術(shù)???觀表示，建立交叉口之間的協(xié)調(diào)模型，不斷調(diào)整帶速和周期，最終得到目標(biāo)綠波??帶，圖解法得到的干線協(xié)調(diào)前后綠波帶變化示例如圖２．２所示，可以發(fā)現(xiàn)合理的??千線協(xié)調(diào)相位差可以增大濾波帶寬，提高車輛連續(xù)通過(guò)交叉口的概率。??交叉口?Ａ?交叉口?Ｂ?距離?交叉口....

圖２．４信號(hào)平衡過(guò)渡方案??

?第２章相關(guān)理論與技術(shù)???長(zhǎng)。控制結(jié)束后，重新切換至常規(guī)控制。??ｔ＊（ｋ）??新周期下發(fā)時(shí)刻１?￣?，??Ｉ?１??Ｉ?Ｉ??Ｉ?Ｉ??ｔ?Ｉ??ｒ￣￣?ｉ?｜?ｉ??卜Ｉ新周期?１?新腳?１??Ｉ?ｉ??原周期：?過(guò)渡時(shí)間?ｔｘ（ｋ）??丨■交叉？￣￣ｎ￣￣丨＇；了辦’士．....

本文編號(hào)：3931767