基于数据驱动的路段旅行时间估计与预测研究

摘要

路段旅行时间作为一个重要的交通变量，对于交通分析和交通控制起到决定性的作用。准确的估计与预测路段旅行时间是实现交通控制与管理和交通诱导的前提，其对于缓解道路拥堵，避免社会资源浪费，减少环境污染，降低经济损失等具有重要意义。
　　随着交通智能化与信息化的推进，海量交通数据的记录、存储及提取已不再是一个难题，对于海量的数据，基于模型的方法估计与预测路段旅行时间会面临参数过多、模型结构过于复杂，预测精度低等问题，而基于数据驱动的方法，无需建立模型，仅需寻找数据间的内在联系机制即可，预测较为简单高效。本文即利用数据驱动的方法进行旅行时间估计与预测。
　　本文以城市快速路为研究对象，以北京市北四环一路段为例进行数据驱动的路段旅行时间估计与预测研究。本文首先通过仿真获得车辆轨迹数据，进而模拟现实中浮动车信息采集场景获取基于仿真的浮动车数据，然后运用遗传算法优化的神经网络对模拟的浮动车数据进行旅行时间估计，由于仿真的采样间隔小，可直接将路段起始点和终止点的时刻做差获得真实的路段旅行时间，将路段旅行时间的估计值与真实值进行比较，验证基于遗传算法优化的神经网络进行路段旅行时间估计可靠性强。然后提取目标路段的真实GPS数据，将真实GPS数据带入已验证的神经网络模型，对实际的GPS数据进行路段旅行时间估计，得到GPS浮动车数据的路段旅行时间估计值。
　　在其基础上，建立历史数据库，分别运用非参数回归和基于非线性拟合的非参数回归对GPS浮动车数据进行路段旅行时间预测，其中，分别将时间、路段平均速度及时间和平均速度同时作为输入，探讨不同的输入对输出的旅行时间预测值的影响。分析预测结果的平均百分比误差APE和平均百分比绝对误差MAPE得出，当时间信息与平均速度信息同时作为输入时，预测误差最小，同时，基于非线性拟合的非参数回归方法预测路段旅行时间的准确性优于单纯的非参数回归预测方法。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景

1．2 研究目的和意义

1．3 研究内容

1．4 论文框架结构

1．5 本文技术路线

2 路段旅行时间研究综述

2．1 数据驱动方法概述

2．1．1 数据驱动方法特点要求与基本流程

2．1．2 数据驱动方法

2．2 旅行时间估计与预测研究综述

2．2．1 旅行时间估计研究现状

2．2．2 旅行时间预测研究现状

2．3 本章小结

3 数据采集与GPS数据处理

3．1 城市道路特性与旅行时间影响因素分析

3．1．1 城市道路特性

3．1．2 路段旅行时间影响因素分析

3．2 交通数据采集

3．2．1 交通数据采集方法

3．2．2 GPS浮动车采集技术的优点

3．2．3 GPS浮动车系统工作原理

3．3 GPS数据提取与处理

3．3．1 出租车GPS数据采集格式

3．3．2 GPS数据预处理

3．3．3 GPS数据目标路段的提取

3．3．4 GPS数据分方向处理

3．4 本章小结

4 基于遗传算法的BP神经网络路段旅行时间估计

4．1 VISSIM仿真车辆轨迹的提取

4．1．1 VISSIM仿真基本原理

4．1．2 本文仿真方案

4．1．3 基于仿真的浮动车数据提取

4．2 基于BP神经网络的旅行时间估计模型

4．2．1 BP神经网络结构确定

4．2．2 BP神经网络权值与阈值确定

4．3 基于遗传算法的BP神经网络优化

4．3．1 算法流程

4．3．2 算法实现

4．4 基于浮动车数据的路段旅行时间估计

4．4．1 基于仿真浮动车数据的路段旅行时间估计

4．4．2 输入数据的灵敏度分析

4．4．3 基于真实浮动车数据的旅行时间估计

4．5 本章小结

5 基于非参数回归的路段旅行时间预测

5．1 非参数回归的特点及适用条件

5．1．1 非参数回归算法概述

5．1．2 非参数回归的优点

5．1．3 非参数回归方法适用条件

5．1．4 非参数回归算法基本流程

5．2 历史数据库的建立

5．2．1 车辆进入路段时间及路段平均速度确定

5．2．2 基于实际GPS数据建立历史数据库

5．3 基于非参数回归的路段旅行时间预测

5．3．1 单纯非参数回归算法下的路段旅行时间预测

5．3．2 基于非线性拟合的非参数回归旅行时间预测

5．4 本章小结

6 结论

6．1 主要结论

6．2 研究展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集