详情

原文传递智慧高速公路交通检测器组合布设方法研究

论文题名：	智慧高速公路交通检测器组合布设方法研究
关键词：	智慧高速公路;交通检测器;组合布设
摘要：	智慧高速公路是大数据时代的高速公路新形态，是传统高速公路机电系统的延伸和创新。传统的高速公路机电系统以功能实现为导向，而智慧高速公路则以管理和服务为导向，强调对数据的应用和发布。智慧高速公路综合采用线圈、微波、视频、地磁等固定式检测手段，结合手机、GPS等车载定位和无线通讯系统的浮动车技术，实现路网断面和纵剖面的交通信息要素的全天候实时获取。目前，一些高速公路上虽已布设了一定数量的交通检测器，但由于现有检测设备在可靠性、抗干扰性、数据精度和时效性方面并不能够较好的满足动态交通数据获取的需求，再加上布设的交通检测器数量有限，布设方案不够完善，导致检测器的交通数据获取效果不理想。因此，本文针对高速公路上的交通信息检测技术进行研究，提出组合布设多类交通检测器的方法来提高路段交通信息的检测精度，为构建智慧高速公路打下坚实的数据基础。　　(1)通过详细的文献综述，对交通检测技术的发展现状、检测器布设方法以及探测车样本量求解方法等国内外研究现状进行了总结和评述，指出现有研究的不足在于:对单一类型检测器的研究较多，较少对多类型交通检测器组合应用进行研究;对未布设交通检测器路段研究较多，较少对已布设路段加密布设不同类型的检测器进行研究;对于多类型检测器组合布设的研究缺乏定量分析，缺少对检测器布设类型和具体布设位置的研究。针对现有研究的不足和检测器布设存在的问题，界定了本文的研究目标和研究内容，并设计了论文研究的框架结构。　　(2)提出了多类型检测器组合布设的方案。基于几种常用的固定式交通检测器如感应线圈、地磁、微波、视频、红外以及超声波检测器等分析了15组固定式-固定式检测器的组合方案;结合GPS探测车、手机探测车、自动车辆定位技术(Automatic Vehicles Location-AVL)、自动车辆识别技术(Automatic Vehicles Identification-AVI)等移动式检测手段，分析了4组固定式-移动式检测器组合方案。依据各检测器的交通特性，分别从检测参数、优缺点以及适用性四方面对各组合方案进行了分析。在综合考虑道路交通流、道路物理结构、气候条件等影响检测器工作的因素的基础上制定了检测器组合布设的原则。　　(3)构建了固定式-固定式交通检测器组合布设模型。针对未布设固定检测器路段，构建了整数规划-基因算法、聚类算法和两阶段算法来求解检测器组合布设问题。经过算例分析，选出了最优的检测器组合布设方法即整数规划-基因算法。基于该算法，本文又研究了已布设检测器路段加密布设不同类型检测器的方法。通过构建单目标优化模型来确定加密布设的检测器的布设位置，利用改进的基因算法求解该模型。通过对检测器组合数量和检测器布设位置的分析研究，得出以下结论:数据精度不仅受检测器布设位置的影响，还受组合检测器数量的影响;检测器的数量存在一个最优值，增加该值对数据的检测精度提高不大但会增加检测器的冗余，而降低该值则会影响数据的检测精度;检测器总量一定情况下，精度高的检测器比例较大时的组合方案获得的数据精度高于精度低的检测器比例较大时的组合方案;增加检测器的数量能够提高交通数据的估计精度，然而优化检测器的位置比单纯的增加检测器的数量在改善数据精度方面更有效。　　(4)设计了固定式-移动式交通检测器组合布设的方法。结合固定检测器的布设方法和探测车样本量的求解方法，提出了固定式-移动式检测器组合布设的方法。对于已布设有固定检测器的路段，仅需确定探测车的取样比例。通过仿真分析，选出最优的探测车取样比例，即增加其值不能改善数据的精度，但减小其值却会影响数据精度。通过BP神经网络算法融合固定检测器数据和移动检测器数据，得出在获取同样数据精度的前提下，已布设有固定检测器的路段上探测车的样本量比未布设固定检测器路段降低1％。对于未布设路段，提出了固定式-移动式检测器组合布设的方法。首先分别求出单独布设两类检测器时的检测器数量和检测器的布设位置，选取较优的数值作为参照值。以此值为基础，将两类交通检测器进行组合，形成多组组合方案。对比各组合方案下的检测数据精度，选定数据误差最小的组合方案为最优方案。研究结果表明固定式与移动式检测器数据融合值优于单源检测器数值;已布设有固定检测器路段的数据不满足需求时，增加移动检测器比加布同类固定检测器解决措施更好;固定-移动检测器最优的组合方案并非最优的固定检测器方案和最优的移动检测器方案的简单组合，而是在此基础上的进一步优化。　　(5)分析了基于组合布设检测器的多源数据融合方法，依据速度-密度数据对道路交通状态进行估计。基于现阶段高速公路上可获取的数据种类，选定了本文融合的数据类型，即实时监控数据和GPS定位数据。分别采用自适应加权融合算法和BP神经网络融合算法对两类实时监控数据和GPS定位数据进行融合处理。通过对比融合数据的误差，发现BP神经网络算法的融合效果要优于自适应加权融合算法。将融合所得的车速数据和路段密度数据结合起来，依据我国高速公路服务水平的划分标准，将高速公路交通状态分为畅通、基本畅通、一般拥堵、严重拥堵四种，并根据速度和密度数值的大小对路段的交通状态进行了判别。通过分析采用速度数据、密度数据、速度-密度数据等这三种情况下的交通状态估计情况可知，相对采用速度-密度数据而言，仅采用速度数据或密度数据对交通状态的估计会产生较大的误差，出现错判或误判情况。
作者：	展凤萍
专业：	交通运输工程；交通运输规划与管理
导师：	冉斌
授予学位：	博士
授予学位单位：	东南大学
学位年度：	2017
正文语种：	中文