原文传递
城市路网交通流检测与预测方法研究
| 论文题名： | 城市路网交通流检测与预测方法研究 |
| 关键词： | 交通流检测;交通流预测;微波雷达;深度学习;智能交通系统 |
| 摘要： | 近年来，随着城市化进程的不断加速，我国民用汽车拥有量与日俱增，随之而来的是交通拥堵、环境污染等一系列的交通问题。智能交通系统(IntelligentTransportationSystems，ITS)是目前被世界各国视为提高道路交通管理水平、改善城市交通状况的重要途径。交通流数据的采集和未来交通态势的预测是ITS中的两个重要环节。一方面，交通流数据的获取是构建ITS的基础，交通流检测技术的研究具有重要意义。另一方面，交通流具有变化快速、迅猛的特征，交通流预测技术可以提前感知城市路网未来的交通状态，是实现交通诱导及路径规划，缓解交通拥堵的重要途径。本文旨在提出一种经济效益高、易于大规模部署的车道级交通流检测方案，并在此基础上实现城市路网的交通流预测，从而助力ITS建设。因此，针对以上内容，本文分为以下两个部分: 首先，现有的交通流检测方案大都未针对车道级交通流信息的获取进行研究，难以获取更为丰富的道路信息，且普遍存在系统复杂、成本高昂等问题。本文针对该问题，提出一种基于高经济效益微波雷达传感器的车道级交通流检测方案。该方案利用微波雷达传感器获取车辆经过时的原始信号，通过数据预处理算法实现车辆运动特征的提取，分别设计了车道判别、车流量检测、车辆速度检测以及自适应阈值调整算法，实现了车道级的交通流检测。实验结果显示，该方案能够实现车道判别以及车流量和车辆速度的检测，且具有经济效益高、适合大规模部署的优点，满足城市ITS场景中大规模部署的需求。 其次，由于交通流存在复杂的时空相关性，且易于受外部因素的影响，仅依靠历史检测的数据无法对整个城市路网交通起到较好的优化作用。因此，本文在实现了交通流检测的基础上，对城市路网的交通流预测问题进行研究，提出了一种基于注意力的特征融合时间图卷积网络(Attention-basedFeatureFusionTemporalGraphConvolutionalNetworks，AFFT-GCN)交通流预测模型。该模型通过图卷积网络(GraphConvolutionalNetwork，GCN)、注意力模型（AttentionModel）、以及门控递归单元(GatedRecurrentUnit，GRU)实现了交通流数据时空相关性的全面获取，并在模型中引入特征融合单元实现了外部因素的融合。仿真实验证明，该模型能够有效提升交通流预测的性能。 |
| 作者： | 王瑞栋 |
| 专业： | 电子与通信工程 |
| 导师： | 蔡雪莲;刘安琪 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
