高速公路的路段行程时间估计与预测方法研究

摘要

路段行程时间是最重要、最能反映交通运行状态的信息，与地点交通参数相比，可以更好地评价道路的畅通程度，能够反映道路的运输效率，体现实时的道路交通拥挤情况，在交通规划、交通控制、交通管理中起着重要作用。
　　高速公路的路段行程时间估计方法主要分为两类:一类是基于地点交通参数数据的估计方法，另一类是基于单车行程时间数据的估计方法。考虑到线圈检测器技术成熟及低成本因素，本文改进了一种基于车辆长度数据进行车辆识别的车长匹配算法，新算法步骤为:首先收集在检测时间内通过路段上下游检测器的所有车辆长度，找出上下游相同的车长，剔除掉噪声数据，实现车辆识别，计算出单车行程时间并最终估计得到路段行程时间。该算法以高速路段上的线圈检测器数据进行实例验证，结果表明，相比较于地点交通参数估计方法，该算法显著提高了行程时间估计精度，能更加快速的识别出交通事件，而且在现有的车辆检测器上就能够实现车辆识别，并不需要安装新的检测设备。
　　不仅获得实时的、当前时刻的行程时间非常重要，预知未来时刻的行程时间同样十分重要。本文基于模糊推理系统和神经网络两种预测模型的优点，提出了基于自适应神经模糊推理系统的路段行程时间预测模型，该模型以车长匹配算法估计得到的数据为实验数据，经过训练及有效性检验后，与BP神经网络模型比较预测误差，结果分析表明，所建立的模糊神经网络模型能够描述输入、输出的映射规律。该模型对交通参数预测领域的研究具有一定的创新意义和借鉴价值。

目录

致谢

摘要

1 绪论

1．1 研究背景及意义

1．2 行程时间及行程时间预测的定义

1．3 研究内容与论文结构

1．4 技术路线

2 路段行程时间估计与预测研究现状

2．1 路段行程时间估计研究现状

2．1．1 基于地点交通参数数据的路段行程时间估计研究现状

2．1．2 基于单车行程时间数据的路段行程时间估计研究现状

2．1．3 基于车长匹配算法的路段行程时间估计研究现状

2．2 路段行程时间预测研究现状

2．3 小结

3 基于车长匹配算法的路段行程时间估计研究

3．1 线圈检测器的原理及应用

3．1．1 检测原理

3．1．2 线圈检测器算法描述

3．1．3 车辆长度的计算

3．2 车长匹配算法

3．2．1 长车的定义

3．2．2 单车道车长匹配

3．2．3 噪声数据的处理

3．2．4 多车道车长匹配

3．2．5 单车行程时间

3．2．6 路段行程时间估计

3．2．7 参数调整

3．3 路段行程时间估计实例分析

3．4 小结

4 基于ANFIS模型的路段行程时间预测研究

4．1 ANFIS概述

4．1．1 ANFIS结构

4．1．2 ANFIS学习算法

4．2 建立ANFIS模型的步骤

4．3 隶属度函数类型和个数的确定

4．4 输入变量聚类划分

4．5 小结

5 实例分析

5．1 数据描述及预处理

5．2 模型训练

5．2．1 模糊逻辑工具箱

5．2．2 加载数据

5．2．3 初始化模型

5．2．4 训练模型

5．3 模型检验

5．4 模型比较

5．4．1 BP神经网络

5．4．2 比较结果及分析

5．5 小结

6 总结与展望

6．1 论文的工作总结

6．2 进一步的研究工作

参考文献

作者简历

声明

学位论文数据集