基于重点营运车辆数据的高速公路交通状态识别与行程速度预测
发布时间：2022-02-21 14:52
“两客一危”车辆由于载客量较多或者运输危化品,一旦发生交通事故,将会带来更严重的损失。由于此类的营运车辆车辆体积大,速度较低,是交通拥堵发生的重要因素之一。北斗车载终端的安装实现了重点营运车辆的实时监控,也为道路交通状态识别和交通流预测提供了数据。基于此,本文以营运车辆数据为基础,对高速公路交通状态识别和行程速度预测展开研究,旨在提高重点营运车辆的监管水平,为减少交通事故发生、有效缓解交通拥堵提供技术支撑,主要内容有:（1）针对重点营运车辆异常数据和缺失数据问题,制定了异常数据处理规则,并提出了趋势—历史缺失数据填充算法。通过对营运车辆数据大量的统计分析,总结出了七大类异常数据表现形式,并根据异常数据的特点提出了相应的处理规则;针对时间序列数据的缺失问题,提出了趋势—历史填充算法。以试验路段营运车辆数据为例,验证了数据处理方法有效可行性。（2）基于道路的行程速度和单位行程时间延迟特征,构建了一种基于FCM的高速公路交通状态识别算法模型。该算法模型以欧氏距离为度量标准,通过迭代求解得到畅通、基本畅通、一般拥堵、中度拥堵、严重拥堵五类交通状态的聚类中心点,并通过隶属度矩阵实现交通状态的识别...
【文章来源】：北京交通大学北京市211工程院校教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
致谢
中文摘要
ABSTRACT
1 绪论
1.1 课题来源与研究对象
1.1.1 课题来源
1.1.2 研究对象
1.2 研究背景及意义
1.2.1 研究背景
1.2.2 研究意义
1.3 国内外研究现状
1.3.1 数据处理研究现状
1.3.2 交通状态识别现状
1.3.3 交通流预测现状
1.4 研究内容及技术路线
2 营运车辆数据分析与处理
2.1 北斗系统定位技术
2.1.1 北斗系统组成
2.1.2 定位原理
2.2 营运车辆数据介绍
2.3 营运车辆数据统计分析
2.4 异常数据处理
2.5 缺失数据填充
2.6 本章小结
3 基于模糊C均值聚类算法的交通状态识别研究
3.1 概述
3.2 模糊C均值聚类算法原理
3.3 模糊C均值聚类算法模型构建
3.3.1 模型参数m、c的确定
3.3.2 交通流参数选择
3.3.3 实例分析
3.4 本章小结
4 基于SA-SVR的行程速度预测研究
4.0 概述
4.1 SVR算法原理
4.2 SA优化算法原理
4.3 SA-SVR的行程速度预测模型构建
4.3.1 数据准备
4.3.2 模型参数设置
4.3.3 误差评价指标
4.4 预测结果对比分析
4.5 本章小结
5 基于LSTM的高速公路行程速度预测研究
5.1 LSTM理论基础
5.1.1 深度学习简介
5.1.2 梯度下降优化方法
5.1.3 LSTM基本原理
5.2 基于LSTM的高速公路行程速度预测模型构建
5.2.1 数据准备
5.2.2 模型构建与参数设置
5.3 行程速度预测结果对比分析
5.4 SA-SVR与LSTM预测结果对比评价
5.5 本章小结
6 结论与展望
6.1 论文主要工作
6.2 论文创新点
6.3 研究展望
参考文献
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[2]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊. 系统仿真学报. 2018(11)
[3]基于改进模糊C均值聚类算法的城市道路状态判别方法[J]. 黄艳国,罗云鹏. 科学技术与工程. 2018(09)
[4]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜. 交通运输系统工程与信息. 2017(05)
[5]基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 刘钊,杜威,闫冬梅,柴干,郭建华. 公路交通科技. 2017(05)
[6]基于决策树理论的交通流参数短时预测[J]. 薛红军,陈广交,李鑫民,顾理. 交通信息与安全. 2016(03)
[7]深度学习在城市交通流预测中的实践研究[J]. 尹邵龙,赵亚楠. 现代电子技术. 2015(15)
[8]自适应粒子群神经网络交通流预测模型[J]. 许榕,周东,蒋士正,陈启美. 西安交通大学学报. 2015(10)
[9]基于模糊C均值聚类的城市道路交通状态判别[J]. 黄艳国,许伦辉,邝先验. 重庆交通大学学报(自然科学版). 2015(02)
[10]基于收费数据的高速公路交通状态判别方法[J]. 杨庆芳,马明辉,梁士栋,梅朵. 华南理工大学学报(自然科学版). 2014(12)
博士论文
[1]城市道路交通状态评价和预测方法及应用研究[D]. 孙晓亮.北京交通大学 2013
硕士论文
[1]基于张量理论的短时交通流预测算法[D]. 周思楚.北京交通大学 2018
[2]基于出租车GPS的城市路网交通状态计算方法研究[D]. 侯亚帆.北京工业大学 2017
[3]基于交通轨迹数据的城市区域划分可视化研究[D]. 陈晓洁.兰州交通大学 2017
[4]面向交通定位数据的可视清洗系统[D]. 刘春辉.浙江工业大学 2017
[5]基于深度学习的路网短时交通流预测[D]. 焦琴琴.长安大学 2016
[6]轨道交通客流预警系统研究[D]. 张清泉.重庆交通大学 2016
[7]基于微波数据的高速公路交通拥挤检测及旅行时间预测[D]. 徐菲菲.北京交通大学 2016
[8]考虑多源数据集的交通状态估计方法研究[D]. 宋力.北京理工大学 2016
[9]高速公路基本路段实时交通状态判别方法的研究及应用[D]. 陈会茹.长安大学 2015
[10]基于Hadoop的出租车数据质量分析与处理[D]. 庞洪钦.武汉理工大学 2015
本文编号：3637484
【文章来源】：北京交通大学北京市211工程院校教育部直属院校
【文章页数】：95 页
【学位级别】：硕士
【文章目录】：
致谢
中文摘要
ABSTRACT
1 绪论
1.1 课题来源与研究对象
1.1.1 课题来源
1.1.2 研究对象
1.2 研究背景及意义
1.2.1 研究背景
1.2.2 研究意义
1.3 国内外研究现状
1.3.1 数据处理研究现状
1.3.2 交通状态识别现状
1.3.3 交通流预测现状
1.4 研究内容及技术路线
2 营运车辆数据分析与处理
2.1 北斗系统定位技术
2.1.1 北斗系统组成
2.1.2 定位原理
2.2 营运车辆数据介绍
2.3 营运车辆数据统计分析
2.4 异常数据处理
2.5 缺失数据填充
2.6 本章小结
3 基于模糊C均值聚类算法的交通状态识别研究
3.1 概述
3.2 模糊C均值聚类算法原理
3.3 模糊C均值聚类算法模型构建
3.3.1 模型参数m、c的确定
3.3.2 交通流参数选择
3.3.3 实例分析
3.4 本章小结
4 基于SA-SVR的行程速度预测研究
4.0 概述
4.1 SVR算法原理
4.2 SA优化算法原理
4.3 SA-SVR的行程速度预测模型构建
4.3.1 数据准备
4.3.2 模型参数设置
4.3.3 误差评价指标
4.4 预测结果对比分析
4.5 本章小结
5 基于LSTM的高速公路行程速度预测研究
5.1 LSTM理论基础
5.1.1 深度学习简介
5.1.2 梯度下降优化方法
5.1.3 LSTM基本原理
5.2 基于LSTM的高速公路行程速度预测模型构建
5.2.1 数据准备
5.2.2 模型构建与参数设置
5.3 行程速度预测结果对比分析
5.4 SA-SVR与LSTM预测结果对比评价
5.5 本章小结
6 结论与展望
6.1 论文主要工作
6.2 论文创新点
6.3 研究展望
参考文献
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]基于KNN-LSTM的短时交通流预测[J]. 罗向龙,李丹阳,杨彧,张生瑞. 北京工业大学学报. 2018(12)
[2]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊. 系统仿真学报. 2018(11)
[3]基于改进模糊C均值聚类算法的城市道路状态判别方法[J]. 黄艳国,罗云鹏. 科学技术与工程. 2018(09)
[4]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜. 交通运输系统工程与信息. 2017(05)
[5]基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 刘钊,杜威,闫冬梅,柴干,郭建华. 公路交通科技. 2017(05)
[6]基于决策树理论的交通流参数短时预测[J]. 薛红军,陈广交,李鑫民,顾理. 交通信息与安全. 2016(03)
[7]深度学习在城市交通流预测中的实践研究[J]. 尹邵龙,赵亚楠. 现代电子技术. 2015(15)
[8]自适应粒子群神经网络交通流预测模型[J]. 许榕,周东,蒋士正,陈启美. 西安交通大学学报. 2015(10)
[9]基于模糊C均值聚类的城市道路交通状态判别[J]. 黄艳国,许伦辉,邝先验. 重庆交通大学学报(自然科学版). 2015(02)
[10]基于收费数据的高速公路交通状态判别方法[J]. 杨庆芳,马明辉,梁士栋,梅朵. 华南理工大学学报(自然科学版). 2014(12)
博士论文
[1]城市道路交通状态评价和预测方法及应用研究[D]. 孙晓亮.北京交通大学 2013
硕士论文
[1]基于张量理论的短时交通流预测算法[D]. 周思楚.北京交通大学 2018
[2]基于出租车GPS的城市路网交通状态计算方法研究[D]. 侯亚帆.北京工业大学 2017
[3]基于交通轨迹数据的城市区域划分可视化研究[D]. 陈晓洁.兰州交通大学 2017
[4]面向交通定位数据的可视清洗系统[D]. 刘春辉.浙江工业大学 2017
[5]基于深度学习的路网短时交通流预测[D]. 焦琴琴.长安大学 2016
[6]轨道交通客流预警系统研究[D]. 张清泉.重庆交通大学 2016
[7]基于微波数据的高速公路交通拥挤检测及旅行时间预测[D]. 徐菲菲.北京交通大学 2016
[8]考虑多源数据集的交通状态估计方法研究[D]. 宋力.北京理工大学 2016
[9]高速公路基本路段实时交通状态判别方法的研究及应用[D]. 陈会茹.长安大学 2015
[10]基于Hadoop的出租车数据质量分析与处理[D]. 庞洪钦.武汉理工大学 2015
本文编号：3637484
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3637484.html
