基于梯度校正法的交通数据融合和行程时间预测研究

摘要

数据融合及预测处理作为一种新的数据处理技术，在交通领域有广阔的发展和应用前景。通过对交通数据进行融合、预测，可以提高交通数据的精度与可信度，控制中心以此为据可以对交通状况做出更为准确的判断，从而对交通进行更加有效的控制。本文的主要研究工作如下： 首先研究了课题的背景及意义，对交通数据采集技术的原理进行了阐述，并介绍了交通数据融合技术及其预测技术的原理； 接着分析了人工神经网络的数据融合模型，并着重介绍了BP算法原理。为了解决BP神经网络训练算法收敛速度慢、极易陷入局部极小点等缺点，同时不增加算法复杂度，研究了一种改进的BP算法-梯度校正法，并以北京朝阳门桥地区三个连续断面点通过微波检测器采集的数据进行仿真研究。与前人的方法进行对比，表明梯度校正法在降低误差和提高数据精度方面有着显著效果； 然后用改进的梯度校正法对行程时间进行预测研究，将其与基本BP算法融合得到的误差进行对比，表明梯度校正法能够利用路段的不同数据对该路段的行程时间进行更为准确的预测。 最后为缓解交通拥堵状况，以北京四环路为例进行探索性的研究。在四环路上搭建应急车道监控系统平台，利用微波检测器和摄像头获取交通数据，对获得的数据进行融合。以此为基础对当前交通状况进行分析，并控制应急车道是否开启，以达到缓解交通堵塞的目的。

目录

文摘

英文文摘

声明

致谢

1绪论

1.1研究背景

1.2研究现状

1.3本文的主要框架

2数据融合及行程时间预测的理论基础

2.1交通数据采集技术

2.2交通数据融合技术

2.3行程时间预测原理

2.4本章小结

3梯度校正算法研究

3.1人工神经网络概述

3.2BP算法概述

3.3BP算法的改进——梯度校正法

3.3.1问题提出

3.3.2梯度校正研究

3.3.3仿真结果

3.4基于梯度校正法的交通流融合

3.4.1交通数据采样

3.4.2交通流数据融合的梯度校正实现

3.4.3仿真结果

3.5本章小结

4基于梯度校正法的行程时间预测

4.1路段行程时间的计算模型

4.2行程时间融合预测模型

4.3仿真结果

4.4本章小结

5基于交通数据融合的应急车道监控系统

5.1概述

5.2基于交通数据融合的应急车道监控系统设计

5.2.1应急车道监控系统框架

5.2.2应急车道监控系统评估

5.3本章小结

6总结与展望

参考文献

附录A

作者简历