原文传递
基于时间序列聚类的高速公路交通状态识别与预测
| 论文题名： | 基于时间序列聚类的高速公路交通状态识别与预测 |
| 关键词： | 高速公路;交通状态预测;交通状态识别;时间序列聚类 |
| 摘要： | 随着交通出行量的日益增加，道路交通态势日趋严峻，特别是高速公路的拥堵问题尤为突出。交通拥堵给社会带来了诸如道路事故频发、空气污染加剧等一系列问题，如何准确地识别、预测交通状态进而解决交通拥堵问题已成为亟待解决的问题。准确的交通状态识别与预测可以帮助交通管理人员及时了解和掌控当前交通形势，并采取有效应对措施，同时能够为公众制定出行决策提供多元化信息服务。因此，本文以高速公路为例，提出了基于时间序列聚类的交通状态识别与预测方法，其主要内容及工作归纳如下： （1）选取交通流量、平均速度、占有率作为影响交通状态识别和预测的因素。首先，对影响交通状态的三个因素进行分析，得出流量和占有率均与速度负相关，而流量与占有率正相关；然后剖析交通状态与交通流三参数之间的关系，发现流量、速度、占有率与交通状态之间不是单值的对应关系，而是可能会出现一个值对应多种状态的情况。 （2）考虑高速公路交通数据的时间序列特征，提出基于时间序列聚类的高速公路交通状态识别模型。以时间序列聚类精度较高的TADPole算法为基础，引入PAM来避免出现由一步分配策略引起的连带错误，提出基于PAM-TADPole的时间序列聚类模型。通过对比实验发现，PAM-TADPole模型在准确性上具有更好的表现。在此基础上，考虑到高速公路交通数据各参数之间关联，提出基于AE-PAM-TAPole聚类的高速公路交通状态识别模型，经实验验证本文所提AE-PAM-TAPole算法的识别效果优于其他模型，并同时考虑交通流量、平均速度、占有率三个指标，实现对高速公路交通状态的识别。 （3）构建了基于MLP和LSTM的高速公路交通状态预测模型。首先，针对传统交通状态预测方法存在预测精确度低的问题，选取MLP分类器对交通状态识别结果进行判别，并利用LSTM对历史交通数据进行时间序列预测，进而提高交通状态预测的准确性。最后将预测数据放入交通状态判别模型中实现交通状态预测。 |
| 作者： | 吴旭 |
| 专业： | 管理科学与工程 |
| 导师： | 李桃迎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
