详情

原文传递智能网联环境下基于矩阵补全理论的交通状态识别方法研究

论文题名：	智能网联环境下基于矩阵补全理论的交通状态识别方法研究
关键词：	智能网联交通;数据采集;交通状态识别;矩阵补全算法;聚类算法
摘要：	近年来，我国经济发展和城市化进程推进，居民生活水平日益提升，小汽车保有量持续增长，但也造成交通拥堵、能源消耗、噪声污染等问题日趋严重，交通基础设施供给难以满足居民日益增长的出行需求。同时随着通信技术、大数据、人工智能等新型技术的发展，交通系统开始向智能化、网联化等方向发展。理论与实践均证明，智能网联交通系统有助于改善交通拥堵、减少能源消耗等社会问题。　　交通状态识别是交通管理措施实施的前提，实时、全面、可靠的道路交通状态识别是主动交通管理系统的重要支撑，也可为交通出行者提供出行参考，提升交通安全及运行效率。近年来，网联车辆发展迅速，未来的交通系统将是网联车辆与人工驾驶车辆混行的状态，网联车辆自身装载的传感器可有效采集周边车辆交通信息，可为道路交通状态识别提供数据基础。传统的估计方法大多只能获得路段级的交通状态，精确度较低，而网联车辆作为新的交通信息检测设备，具有可覆盖范围广、维护成本低等优点，据此可实现车道级、小颗粒度的的交通状态估计，满足智能交通系统精细化管控的需求。本文采用网联车辆模拟采集数据，开展研究智能网联环境下基于矩阵补全理论的的交通状态识别问题。　　首先，进行信息采集实验，对不同交通检测方式的差异进行阐述，说明选择网联车进行数据采集的原因；然后定义本文所述的智能网联环境，并选用NGSIM（the Next Generation Simulation）数据集作为网联车模拟数据采集的数据源，对于数据集中存在的数据噪声问题，采用卡尔曼滤波算法对 NGSIM 数据集进行滤波处理；最后采用相关系数矩阵、灰色关联度分析法对交通流时间相关性以及空间性进行分析，为下文基于时空相关性的矩阵填补作铺垫。　　其次，设定网联车的传感器分布模式，设计网联车辆的模拟采集算法，对网联车辆所采集的信息在不同渗透率、不同传感器分布模式、不同交通状态等层面进行数据对比分析。　　然后，基于矩阵补全理论构建智能网联环境下的交通状态识别方法。首先对路段进行时空区间划分，选择速度作为表征各时空区间交通状态的参数；然后概述三种交通数据缺失模式，提出改进的奇异值阈值（Singular Value Thresholding,SVT）算法对时空区间中的缺失信息进行估计，与改进K近邻（K Nearest Neighbor, KNN）算法和奇异值阈值算法进行对比分析，并说明各种方法的适用性。　　最后，利用网联车辆所采集的状态信息，对奇异值阈值算法、改进奇异值阈值算法以及改进K近邻算法进行实证分析，结果显示改进奇异值阈值算法具有更高的准确率。对于随机缺失区间的估计精度问题，设计K近邻加权聚类搜索算法，结果表明该算法可有效提升随机缺失区间的估计精度。在矩阵填补的基础上，以I80-1600-1615数据集为例，进行交通状态识别，结果发现所提算法可在小颗粒度情况下较为准确地复现道路交通流全时空区间的运行状态。
作者：	周坤
专业：	交通运输工程
导师：	冉斌;曲栩;蒋大治
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022