基于浮动车和固定检测器的路段行程时间预测方法研究

摘要

城市交通的日益恶化，使得人们对于交通信息准确性的要求越来越高，而浮动车技术已成为ITS系统获取交通数据重要手段，能够有效的弥补传统的交通数据采集技术的不足。基于浮动车技术的路段行程时间预测的相关研究可为ITS系统提供准确的行程时间预测信息，使其能够及时通过各种对策对交通进行疏导，提升交通系统的运行效率。本文以路段行程时间预测为核心，从浮动车数据预处理过程、基于浮动车数据和固定检测器的路段行程时间预测以及在行程时间预测基础上延伸研究的交通状态预测几个方面进行了研究，主要内容如下： 首先，对于浮动车数据预处理过程中的数据修复和地图匹配阶段，对于浮动车数据修复阶段，提出一种综合运用历史数据和实时相邻时段交通流数据的数据修复方法；进而在地图匹配阶段，通过分析手工匹配情况下正确匹配点对所满足的分布特性，对距离和平均速度相似度特征分别利用指数分布进行拟合，提出基于距离和平均速度相似性特征的隐马尔可夫（HMM）地图匹配方法。通过对于浮动车数据预处理过程中数据修复和地图匹配过程的一系列改进，为利用浮动车数据进行行程时间预测提供了可靠的数据输入。 其次，提出了一种基于固定检测器和浮动车的行程时间预测模型MSDF。首先就浮动车占有率对路段平均速度估计的准确度规律进行了研究，根据实验结果拟合出了其满足的Logistic函数分布规律，利用该分布规律提出基于Logistic函数的路段平均速度计算方法，最终得到了利用浮动车技术预测行程时间的方法；进而为解决单独基于固定检测器或浮动车的行程时间预测方法预测精度不足的问题，提出MSDF模型，利用多源数据融合的方法将两者预测结果进行融合，通过数据融合技术产生精度更高、平均相对误差更小的预测结果。实验结果表明提出的MSDF模型可以有效提高路段行程时间预测的准确度。 最后，在提出的MSDF模型的基础上，对路段行程时间预测进行了延伸性研究，即进行MSDF行程时间预测模型在交通状态预测中的应用。针对现有基于模糊C均值聚类方法（FCM）的交通状态预测方法初始聚类中心随机选择导致的迭代陷于局部最优的不足，提出基于最远距离策略的初始聚类中心优选算法来改进FCM。在改进的FCM算法基础上，将MSDF模型预测的行程时间和固定检测器获得的交通流量作为FCM输入特征，提出考虑行程时间的交通状态预测模型。实验结果表明改进后的FCM算法其交通状态预测效果比现有算法更加准确高效。

目录

第一个书签之前