原文传递
基于浮动车数据的道路运行车速动态预测研究
| 论文题名： | 基于浮动车数据的道路运行车速动态预测研究 |
| 关键词： | 交通控制;道路运行车速;车速动态预测;浮动车数据;数据分析;交通参数采集;神经网络模型 |
| 摘要： | 道路运行车速预测是实现交通控制与管理的基础，是实现智能交通系统的关键技术之一。道路运行车速是交通状态的重要参数，准确、可靠、动态实时的道路运行车速预测对旅行时间的估计、交通拥堵状态识别、路段交通指数估计有直接影响。传统道路运行车速预测研究以静态预测为主，时效性较差;传统研究车型以小客车为主，忽略了城市道路行驶车型复杂，不同车型运行特征不同这一客观事实;传统车速研究算法包括线性回归、灰色预测模型、神经网络等，多数未考虑浮动车数据收集中的噪声问题，导致其预测精度不理想，直接影响路段交通状态识别、路网运行评估、交通决策。因此，对路段车速研究不因仅仅局限于小客车本身，应从路段各车型整体出发，对路段全车型进行研究分析，建立动态、实时的道路运行车速预测模型，为城市智能交通系统建设提供依据。 交通大数据分析与应用必须依托先进的交通参数采集设备。本文利用浮动车数据覆盖范围广、数据精度高、样本容量大特性，对路段交通参数数据进行收集处理。同时，重点分析了浮动车比率、采集时间间隔的设置原则，针对在实际收集过程中易受环境干扰而导致原始数据存在的数据缺失、失真、错误等问题，确定数据筛选方法和数据缺失填补的PMM法。 本文以浮动车数据为基础，建立了道路运行车速动态预测模型，主要包括:针对浮动车数据采集过程中易受到环境干扰而产生噪声等缺陷，通过小波变换对原始数据进行去噪，建立小波-ARIMA浮动车车速预测模型，与未经消噪处理的ARIMA模型相比，本算法平均相对误差下降了18.17％，平均绝对误差下降了33.82％。将路段行驶车型分为小客车、出租车、公交车、大型客货车四类，本文利用神经网络较强的非线性逼近能力，建立FCM-RBF神经网络模型，以公交车车速和饱和度为输入参数，以小客车、出租车、大型客货车车速为输出参数进行神经网络建模，模型小客车预测平均绝对误差为3.95，平均相对误差为9.21％;出租车平均绝对误差为4.35，平均相对误差为10.83％;大型客货车平均绝对误差为2.65，平均相对误差为12.78％，模型预测精度达到了实际应用要求。 |
| 作者： | 徐韬 |
| 专业： | 交通运输工程；交通运输规划与管理 |
| 导师： | 向红艳 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
