基于浮动车数据的路段旅行时间预测研究

论文摘要

路段旅行时间预测是智能交通系统的一项重要内容,预测效果直接关系到ATIS和ATMS等ITS相关子系统功能的有效发挥。以往基于线圈等固定设备采集的数据预测路段旅行时间,采用路段上一个或几个断面的交通状况推断路段的交通状况,存在一定误差。浮动车比较均匀的分布在路段上,通过GPS车载装置和无线通信设备,将车辆信息(如时间、速度、经纬度坐标、方向等参数)实时的传送到浮动车信息中心。因此,浮动车数据对固定设备采集信息是一个良好的补充。本文对国内外浮动车技术和路段旅行时间预测的研究和应用现状进行了综述,研究了浮动车数据预处理的方法,路段旅行时间的确定方法。在此基础上,研究了适合浮动车数据特点的路段旅行时间预测模式和方法,分别建立了路段旅行时间短时预测的卡尔曼滤波模型和长时预测的BP神经网络模型,并对模型的输入和参数的确定方法与选取范围进行了研究。应用本文研究的方法,基于“国家十五科技攻关课题”《杭州市道路和交通管理应用浮动车技术示范工程》所采集的杭州市浮动车数据,进行了路段旅行时间预测的示例分析,验证了模型的有效性。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景及意义
• 1.2 本文研究的主要内容
• 1.3 本文的新意
• 2 国内外研究与应用现状综述
• 2.1 交通信息采集
• 2.2 浮动车技术研究与应用
• 2.2.1 浮动车技术研究
• 2.2.2 浮动车系统应用
• 2.3 路段旅行时间预测
• 2.3.1 研究文献概述
• 2.3.2 几种典型的预测方法分析
• 2.4 小结
• 3 浮动车数据的采集与预处理
• 3.1 数据的采集
• 3.1.1 浮动车信息采集系统构成
• 3.1.2 浮动车数据结构
• 3.1.3 浮动车信息采集系统的优势
• 3.2 速度的预处理
• 3.2.1 瞬时速度与计算速度
• 3.2.2 计算速度的求解方法
• 3.2.3 数据的筛选
• 3.3 样本量的确定
• 3.4 路段旅行时间的计算
• 3.4.1 路段旅行时间的含义
• 3.4.2 路段旅行时间的计算方法
• 4 路段旅行时间预测
• 4.1 概述
• 4.1.1 旅行时间预测意义
• 4.1.2 路段旅行时间预测原理
• 4.1.3 路段旅行时间预测模式的确定
• 4.1.4 路段旅行时间预测方法的选择
• 4.2 基于卡尔曼滤波理论的路段旅行时间短时预测
• 4.2.1 卡尔曼滤波概述
• 4.2.2 卡尔曼滤波的基本理论
• 4.2.3 卡尔曼滤波路段旅行时间预测模型的建立
• 4.2.4 参数确定方法研究
• 4.2.5 算法流程
• 4.3 基于BP神经网络模型的路段旅行时间长时预测
• 4.3.1 神经网络概述
• 4.3.2 BP神经网络结构与算法
• 4.3.3 BP神经网络路段旅行时间预测模型的建立
• 4.3.4 模型参数的确定与MATLAB仿真计算
• 4.4 预测误差指标
• 5 示例分析
• 5.1 数据来源
• 5.1.1 杭州市交通及浮动车现状
• 5.1.2 示例选取
• 5.2 路段旅行时间短时预测
• 5.2.1 预测过程及结果
• 5.2.2 误差分析
• 5.3 路段旅行时间长时预测
• 5.3.1 预测过程及结果
• 5.3.2 误差分析
• 6 结论与展望
• 6.1 结论
• 6.2 需要进一步解决的问题
• 参考文献
• 附录 部分浮动车匹配后的数据表
• 作者简历
• 学位论文数据集