原文传递
基于大数据分析的智能交通系统状态估计与预测
| 论文题名： | 基于大数据分析的智能交通系统状态估计与预测 |
| 关键词： | 城市交通;状态估计;交通流预测;大数据 |
| 摘要： | 大数据技术的发展为智能交通领域的研究带来了机遇与挑战，也为城市路网交通状态估计和交通流预测方法的研究提供了有力的支持。本研究针对城市交通系统的随机性、周期性、时空特性以及环境特性，建立了面向城市交通的微观交通因子状态网络模型。通过大数据与交通知识的结合，建立交通状态估计、交通流预测以及仿真推演的新方法。本论文的主要研究内容和创新点如下： (1)深入研究了交通因子状态网络的概念，充分考虑了城市交通系统的随机性、时空特性以及环境特性。首先，验证了交通流量数据的时空相关性。然后，将交通因子划分为可获取的交通参数和不易量化随机因素，并将这些不易量化采集的因素定义为环境影响因子。通过对大量交通流数据进行聚类分析，估算环境影响因子。最后，将不同环境影响因子所对应的交通流数据建立高阶多元马尔可夫链，并对其进行交通流预测。预测的平均绝对百分比误差降低了8%左右，取得了较好的预测结果。 (2)针对环境影响因子的求解估计，采用自组织映射(Self-organizing map,SOM)神经网络和最大期望(Expectation-Maximization,EM)算法两种典型无监督学习算法，均取得了有效的聚类结果。同时，综合(Davies-Bouldin index,DBI)和(Dunn Index,DI)两种常见的聚类性能指标，构造出一个新的聚类性能指标(Clusteringperformance index,CPI)来判定最佳的聚类状态数，即环境影响因子的数量。进一步地，本研究将环境影响因子与实际的交通情况进行对比，验证了它的实际物理意义对应着某种交通状态。 (3)通过对不同环境影响因子下的交通流数据分别进行预测，其预测精度得到了很大的提升。基于这一现象，本研究尝试对交通流数据的本身性质进行分析，发现不同环境影响因子下交通流数据的马氏性与其预测精度的变化趋势相似。故得出了推论，即马氏性的变化是影响其预测结果的重要原因之一。 (4)针对城市交通系统的周期性研究，本论文从交通流数据自身变化趋势以及对交通流数据进行频谱分析，有力验证了城市路口交通流数据的日周期性。建立周期性模型，将交通流数据分为周期性分量和动态分量两部分。利用最小二乘法拟合三角回归多项式求解周期性分量，并从原始数据中去除周期分量，得到其残差即动态分量部分。同时采用支持向量机(Support Vector Machine,SVM)、整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)和高阶多元马尔可夫链模型预测动态分量部分，其预测误差率均有了明显的降低。 |
| 作者： | 冯姚瑶 |
| 专业： | 电子与通信工程 |
| 导师： | 张伟斌 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京理工大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
