详情

原文传递基于数据挖掘的驾驶行为与道路拥堵分析

论文题名：	基于数据挖掘的驾驶行为与道路拥堵分析
关键词：	交通安全;道路拥堵;驾驶行为;数据挖掘
摘要：	随着中国经济快速发展，汽车保有量逐年增加，交通安全和交通拥堵问题越来越突出。城市智能交通系统作为解决当前交通安全以及道路拥堵等一系列问题的信息化技术应运而生。　　驾驶行为与道路交通安全有着紧密联系，由于一些不安全驾驶行为所带来的交通事故是造成交通拥堵的主要原因之一，如何准确评价驾驶员的驾驶行为并规范驾驶人的驾驶行为是保障道路交通安全的重要举措;有效地识别道路交通拥堵状态并对交通拥堵状态进行预测，能够为交通管理部门掌握道路交通拥堵状态提供有效、科学的途径，便于及时采取交通疏散与诱导的措施，并能够为交通出行者选择最优出发方式、出发时刻及出发路径提供良好的决策依据。　　综上所述，驾驶行为与道路拥堵分析对于“人-车-路-生活”和谐统一新体系的构建和智能交通系统的应用前景和发展具有重要的意义和研究价值。随着车联网技术和城市智能交通领域的发展，智能交通系统所采集的信息维度越来越多，范围、深度和广度将越来越大，本文从数据挖掘角度出发对智能交通系统所采集的数据进行分析，面向城市交通出行和管理者服务需求，旨在给智能交通系统提供一些技术支持与科学依据，本文主要研究成果和创新点如下: 　　(1)提出了一种基于聚类和BP神经网络的驾驶行为评价方法，采用改进的K-均值聚类方法对驾驶行为特征数据进行聚类，基于驾驶行为聚类结果，利用BP网络进行学习，最终用训练得到的BP神经网络分类器对驾驶行为进行在线分类评价。研究结果表明该算法摒弃了人为主观因素，实现了驾驶行为准确、客观、高效的评价，为交通管理部门重点监控较高风险驾驶人提供了参考依据，为UBI(Usage Based Insurance)驾驶行为评价提供一种新的方法。　　(2)针对道路交通状态具有模糊性的特点，提出了一种基于改进模糊C均值聚类的交通状态实时判别的方法。该方法首先针对传统FCM算法存在的问题，引入了一种自适应模糊聚类算法，利用模拟退火算法(SA)和粒子群优化算法(PSO)相结合的智能算法来提高PSO的全局搜索能力并对自适应模糊聚类算法中的参数进行优化，以实测交通流样本数据的速度、流量、占有率作为特征属性，对构建的道路交通状态实时识别算法进行实例研究，研究结果验证了其有效性和可靠性。　　(3)针对短时交通流预测问题，对交通流序列的非线性和延迟性进行了研究，给出了交通流系统延时时间确定方法。基于灰色系统理论，针对灰色预测模型存在的缺陷，对灰色预测模型进行了优化和改进，并结合短时交通流的延迟性，建立了基于改进灰色模型的灰色延迟非线性交通流动力学模型。最后通过实例表明该模型能够很好地反映交通流系统的实际状况，提高交通流预测精度，验证了其有效性和实用性。
作者：	吴紫恒
专业：	核能科学与工程
导师：	吴仲城
授予学位：	博士
授予学位单位：	中国科学技术大学
学位年度：	2018
正文语种：	中文