基于GPS数据的短时交通状态预测识别研究

《基于GPS数据的短时交通状态预测识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号:学校代码:10128UDC:学号:20151100096硕士学位论（文学生类别：全日制学术型硕士研究生学科名称：交通信息工程及控制论文题目：基于GPS数据的短时交通状态预测识别研究英文题目：ResearchonShort-TermTrafficConditionPredictionandIdentificationBasedonGPSData学生姓名：张海鹏导师姓名：杨宏业教授二○一八年六月内蒙古工业大学硕士学位论文I内蒙古工业大学硕士学位论文摘要随着经济的快速发展和人民生活水平的提高，城市机动车保有量逐年升高，近几年尤为

2、迅速。城市固有的交通设施已无法满足人们的出行需求，交通拥堵现象在各大中型城市时有发生。交通拥堵不仅影响经济的进一步发展和居民的出行质量，而且会导致一系列的环境污染、资源浪费等社会问题。发展智能交通是解决交通问题的有效方法，而短时交通状态预测识别是实现智能交通系统的基础和前提。因此本课题的研究不仅具有理论意义，而且对社会发展和国民经济建设具有一定的实用价值。充分利用城市公交车实时采集的GPS数据对短时交通状态进行预测识别，不仅可以降低数据采集成本，而且能达到很好的预测识别效果。文章基于呼和浩特市公交数据进行研究，主要包括交通状态分类

3、识别和短时交通流预测两部分。具体研究内容如下：(1)采用以公交车速度曲线特征参数平均值、方差和波动次数为判别依据的交通状态判别方法。以呼和浩特市公交车GPS数据为基础，对数据进行深入挖掘分析并提取特征参数，然后利用模糊C均值聚类算法对城市道路交通状态进行判别。该方法旨在避开了对交通流量，占有率等数据采集的同时，寻求更简洁，计算开销小，速度更快的判别方法。(2)构建了基于长短期记忆人工神经网络两种不同训练方式的组合预测模型对短时交通流速度进行预测。公交车速度数据属于时序数据，具有时间相关性和准周期特性。组合模型充分考虑到了长期历史数

4、据和前一时刻速度数据对当前预测速度的影响，利用长短期记忆人工神经网络良好的记忆功能，使预测结果达到了较高的准确率。关键词：短时交通状态预测识别；公交车GPS数据；模糊C均值聚类；长短期记忆人工神经网络I内蒙古工业大学硕士学位论文AbstractWiththerapideconomicdevelopmentandtheimprovementofpeople’slivingstandards,urbanmotorvehicleownershipisgrowingatarapidrateyearbyyear,especiallyinre

5、centyears.Theintrinsictransportationfacilitiesofthecitycannolongermeetpeople’stravelneeds,sotrafficcongestionoccursinmajorandmedium-sizedcities.Trafficcongestionnotonlyaffectsthefurtherdevelopmentoftheeconomyandresidents’travelquality,butalsoleadstoaseriesofsocialprob

6、lemssuchasenvironmentalpollutionandwasteofresources.Theintelligenttransportationisaneffectivewaytosolvethetrafficproblem,Short-termtrafficconditionpredictionisthebasisandpremiseofintelligenttransportationsystem,therefore,theresearchofthissubjectnotonlyhasimportanttheo

7、reticalsignificance,butalsohasacertainpracticalvalueforsocialdevelopmentandnationaleconomicdevelopment.MakingfulluseofGPSdatacollectedbycitybusesinrealtimetopredictandrecognizeshort-termtrafficstatuscannotonlyreducethecostofdataacquisition,butalsoachieveagoodpredictiv

8、erecognitioneffect.ThearticleresearchbasedonthedataofbusinHohhot,whichmainlyincludestwoparts:short-termtrafficflowforecastin