原文传递
道路交叉口交通状态评价与预测应用研究
| 论文题名： | 道路交叉口交通状态评价与预测应用研究 |
| 关键词： | 道路交叉口;交通状态;评价指标体系;预测模型 |
| 摘要： | 随着国民经济的飞速发展,机动车保有量及人们出行需求的不断增加,交通拥堵问题也日益严重. 因此需要大力发展智能交通, 不断完善交通管理策略. 通过对城市道路交叉口交通状态进行全面综合的评价及准确高效的预测,能给予交管部门科学决策的依据,同时也能提供给公众易于理解的道路拥堵信息.本文主要围绕城市道路交叉口交通状态的评价及预测进行研究,主要工作如下: 首先, 对交叉口交通状态进行评价. 综合考虑各交通指标参数, 采用文献综述法及频数统计法选取车辆平均速度、饱和度、车辆平均延误时间等三个指标构建交通状态多指标评价体系. 并根据单指标下交通状态的分级结果构建指标隶属度矩阵, 通过“隶属度矩阵-权重”计算得到各交叉口交通状态综合评价结果,借助最大隶属度原则确定交叉口交通状态等级. 针对指标权重的计算,期望能得到和不同主客观赋权法评价结果之间的偏差最小的一组权重值, 本文对基于最小二乘(Least Squares, LS)的组合赋权模型进行了改进, 考虑对于不同的评价指标, 主客观权重的相对重要程度不同, 在模型中增设了主客观权重相对重要程度系数,最大限度保留单一赋权结果中所反映出的指标重要度信息,进一步提升模型赋权结果的合理性. 其次,对交叉口交通指标数据进行预测. 由于交通数据具有明显的周期性和时空相关性,对此本文提出基于交通数据分解和时空特征提取(Traffic Data Decomposition and Spatio-Temporal Features Extraction, TDD-STFE)的预测模型, 通过增加以上特征信息,提高交通数据预测的准确度.该模型首先将交通数据中的周期部分转换为Fourier级数的形式, 再用原始交通数据减去周期部分得到波动部分, 实现交通数据的分解. 针对具有不同性质的两部分数据, 采用不同的方法进行预测, 周期部分基于Fourier级数表达式计算未来时刻的周期值,波动部分基于卷积神经网络-门控循环单元(Convolutional Neural Network-Gated Recurrent Unit, CNN-GRU)模型提取时空特征实现有效预测,再将两部分预测值进行融合即得到最终预测值. 最后, 将各指标的预测值代入交叉口交通状态评价模型中, 实现交通状态的预测.通过实际交通数据验证,表明本文所提道路交叉口交通状态评价及预测方法同时具备实用性和有效性,对交叉口的交通控制及诱导工作具有一定的积极意义. |
| 作者： | 丁祥颖 |
| 专业： | 应用统计 |
| 导师： | 胡尧 |
| 授予学位： | 硕士 |
| 授予学位单位： | 贵州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
