基于浮动车数据的城市路段行程时间预测研究

摘要

随着城市交通状况的持续恶化，人们对实时、准确交通信息的需求更加强烈，而浮动车系统是伴随着ITS新技术应用而发展起来的新型交通信息采集技术，是对传统交通信息采集技术的有益补充。利用浮动车系统数据预测行程时间是ITS领域研究的重要内容，可以为ITS的核心子系统．ATIS和ATMS提供实时、准确、可靠的行程时间预测信息，满足系统功能对行程时间预测结果的需求，使其及时采取对策，疏导交通、减少拥挤，以实现交通资源的社会效益与经济效益最大化。 本文以城市路段平均行程时间为研究对象，结合实际浮动车行程时间数据，尝试采用新的方法对行程时间进行较为准确的预测。首先介绍了目前较为新颖的浮动车系统交通数据采集系统，阐述了浮动车系统的定义、原理及其采集行程时间数据的过程。其次基于浮动车可以实测路段平均行程时间的基础上，利用基于贝叶斯正则化算法的BP人工神经网络对路段行程时间进行预测。根据不同网络结构、不同样本数据对建立多个预测实例对该方法进行了验证，最后通过遗传算法优化神经网络，研究进一步提高预测精度的可能性。 实验证明结合浮动车数据和BP神经网络的路段行程时间预测结果能满足一定的精度要求，有一定的实用性，而遗传算法优化后的预测精度有了进一步的提高。

目录

文摘

英文文摘

论文说明：图表目录

声明

致谢

1绪论

1.1选题的背景和意义

1.1.1论文选题背景

1.1.2研究目的和意义

1.2国内外发展现状

1.2.1交通数据采集技术概述

1.2.2浮动车比率研究概述

1.2.3行程时间预测方法综述

1.3研究内容和方法

1.3.1主要研究内容

1.3.2研究方法和技术路线

2浮动车系统交通数据采集技术研究

2.1浮动车系统概述

2.1.1浮动车系统定义

2.1.2浮动车系统工作原理

2.1.3浮动车系统的优点

2.2浮动车系统的可靠性和准确性

2.2.1浮动车系统的影响因素和参数分析

2.2.2浮动车系统评估指标

2.2.3浮动车系统比率研究

2.3浮动车系统行程时间估计的实现

2.3.1浮动车系统数据采集和处理

2.3.2基于GPS的浮动车系统行程时间估计

2.4本章小结

3浮动车数据格式及数据处理过程

3.1浮动车数据格式

3.2行程时间数据补缺

3.3行程时间数据去噪

3.3.1小波去噪原理分析

3.3.2路段行程时间数据去噪

3.4本章小结

4基于BP神经网络的路段行程时间预测研究

4.1路段行程时间预测概述

4.1.1路段行程时间的定义

4.1.2路段行程时间预测方法

4.2 BP神经网络基本原理

4.2.1神经网络发展概况

4.2.2 BP神经网络基本原理

4.2.3 BP网络前馈计算和系数调整

4.2.4 BP网络的改进算法

4.3预测建模实例

4.3.1建模思想

4.3.2网络结构的确定

4.3.3样本对的划分和归一化处理

4.3.4训练算法和预测性能指标

4.3.5预测实例验证与分析

4.4本章小结

5基于遗传神经网络的路段行程时间预测研究

5.1概述

5.2遗传算法基本原理

5.2.1遗传算法思想及其特点

5.2.2遗传算法求解思想和流程

5.3预测实例研究

5.3.1遗传神经网络的构建

5.3.2预测结果分析

5.4本章小结

6论文总结与展望

6.1论文主要研究结论

6.2论文研究展望

参考文献

附录A

作者简历