基于蓝牙技术的城市道路短时旅行时间预测方法研究

摘要

道路的旅行时间是反映交通状态的重要指标之一，也是智能交通系统中研究的重要内容之一。道路旅行时间的准确预测是现代交通诱导系统和先进的出行者信息系统的重要基础。交通数据的采集是进行道路旅行时间预测的前提，传统的交通数据采集方式主要有基于感应线圈、基于车牌识别和基于GPS浮动车，过去大多数的关于道路旅行时间预测的研究也主要基于这三种方式所采集的交通数据来建立模型对未来的道路旅行时间进行预测。随着技术的发展，尤其是智能手机的普及、车载信息系统的完善以及蓝牙技术的不断进步，利用蓝牙技术实时采集道路交通数据引起了关注并在一些城市得到了实际应用。该项交通数据采集技术主要是通过检测道路上车辆中的智能手机、车载蓝牙或者蓝牙耳机等电子设备中的蓝牙信号，并获取这些电子设备中的蓝牙MAC地址，通过MAC地址的匹配来实时获取道路的旅行时间等交通信息。
　　本文详细介绍了蓝牙技术实时采集交通数据的原理和基于蓝牙技术的道路旅行时间数据筛选以及平均旅行时间的估计方法。通过问卷调研了解蓝牙设备在实际中的应用情况，估计出车辆中的蓝牙信号被检测到的比例约为2.7％到4.3%之间。为了对未来的道路旅行时间进行预测，本文基于卡尔曼滤波理论和支持向量机理论以及粒子群优化算法，分别建立了基于卡尔曼滤波的短时旅行时间预测模型和基于支持向量机的道路旅行时间预测模型。在上海市闵行区沪闵公路上，利用蓝牙技术所采集的实际的道路旅行时间数据为例，对所建立的预测模型的进行了参数选择、样本数据集的训练和预测求解，并与BP神经网络预测模型进行了对比分析，结果表明本文所提出的预测模型具有一定的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及意义

1.2国内外的研究现状

1.3研究内容

1.4篇章结构

1.5本章小结

第二章 基于蓝牙技术的交通数据采集和旅行时间估计方法

2.1交通数据采集方法

2.2基于蓝牙技术采集交通数据相关研究综述

2.3蓝牙技术简介

2.4利用蓝牙技术实时采集交通数据的原理

2.5基于蓝牙数据的道路旅行时间估计方法

2.6本章小结

第三章 基于卡尔曼滤波的短时旅行时间预测模型

3.1卡尔曼滤波基本原理

3.2基于卡尔曼滤波的短时旅行时间预测模型的建立

3.3本章小结

第四章 基于支持向量机的短时旅行时间预测模型

4.1统计学习理论

4.2支持向量机（Support Vector Machines, SVM）

4.3支持向量回归模型(Support Vector Regression Model)

4.4模型参数优化方法—PSO算法

4.5基于PSO-SVR的道路短时旅行时间预测模型的构建

4.6模型预测效果的评价

4.7本章小结

第五章 蓝牙应用情况调研和基于蓝牙技术的旅行时间采集实验

5.1蓝牙使用情况调查问卷

5.2蓝牙设备实时采集交通数据实地试验

5.3本章小结

第六章 短时旅行时间预测模型预测的结果对比和分析

6.1数据准备

6.2基于卡尔曼滤波的短时旅行时间预测模型的预测结果

6.3基于PSO-SVR方法的短时旅行时间预测模型结果及分析

6.4基于BP神经网络的预测模型的预测结果

6.5本章小结

第七章 总结与展望

7.1 7.1总结

7.2展望

参考文献

附录1 原始旅行时间数据（单位秒）

附录2 部分MATLAB程序代码

致谢

攻读硕士学位期间已发表或录用的论文