資源描述：
《基于探測(cè)車數(shù)據(jù)和定點(diǎn)檢測(cè)器數(shù)據(jù)的路段行程時(shí)間估計(jì)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、同濟(jì)大學(xué)交通運(yùn)輸工程學(xué)院博士學(xué)位論文基于探測(cè)車數(shù)據(jù)和定點(diǎn)檢測(cè)器數(shù)據(jù)的路段行程時(shí)間估計(jì)姓名：胡小文申請(qǐng)學(xué)位級(jí)別：博士專業(yè)：交通運(yùn)輸規(guī)劃與管理指導(dǎo)教師：楊東援20080701摘要隨著人類步入機(jī)動(dòng)化和汽車化時(shí)代，城市交通問(wèn)題^現(xiàn)，城市交通擁堵已經(jīng)嚴(yán)重地影響到社會(huì)經(jīng)濟(jì)活動(dòng)和人們的f1常生活。智能交通系統(tǒng)已成為公認(rèn)的解決交通問(wèn)題的最傳途徑之一，而信息是智能交通系統(tǒng)的核心。為了實(shí)時(shí)監(jiān)控道路交通流的狀態(tài)，許多城市都布設(shè)或采用了為數(shù)眾多的定點(diǎn)檢測(cè)器和移動(dòng)檢測(cè)器，從而，大量的多源交通數(shù)據(jù)被采集，因此，對(duì)多源交通數(shù)據(jù)的挖掘利用具有重要性和緊迫性雙重特點(diǎn)。論文圍繞多源交通數(shù)據(jù)的挖掘利用和融合展開，具有十分重要的理論
2、意義和實(shí)踐價(jià)值。論文主要完成了六個(gè)部分的研究工作。第一，以深圳市城市交通仿真系統(tǒng)中采集到的GPS數(shù)據(jù)為分析對(duì)象，試圖發(fā)現(xiàn)和找出其中的特征，為后續(xù)的研究和實(shí)踐作鋪墊。論文主要研究了深圳市GPS數(shù)據(jù)的時(shí)間和空間分布特征、GPS采樣問(wèn)隔特征、路段樣本量分布特征、路網(wǎng)覆蓋率特征以及路網(wǎng)覆蓋率與出租車數(shù)最之間的關(guān)系。研究結(jié)果揭示了基于探測(cè)年數(shù)據(jù)的路段行程時(shí)間采集面臨的兩大問(wèn)題——路段樣本量不足和路網(wǎng)覆蓋率低。對(duì)上述特征的提取和認(rèn)識(shí)對(duì)于探測(cè)車交通信息系統(tǒng)設(shè)計(jì)以及對(duì)GPS數(shù)據(jù)的挖掘利用具有很好的指導(dǎo)意義。第二．從路段和路網(wǎng)兩個(gè)層面對(duì)探測(cè)車樣本量進(jìn)行了研究。首先，在對(duì)路段樣本量模型深入研究的基礎(chǔ)上，指出了路段
3、樣本量是一個(gè)有限總體無(wú)放回簡(jiǎn)單隨機(jī)抽樣問(wèn)題，并提出了改進(jìn)的路段樣本量模型：其次，引入了路網(wǎng)覆蓋率，提出了路網(wǎng)樣本量的通用模型，并以深圳市實(shí)際數(shù)據(jù)為例，建立了路網(wǎng)覆蓋率與出租車總數(shù)量之間的關(guān)系模型。該模型雖有一定的局限性，但為路網(wǎng)樣本量模型的研究提供了一種新的思路。第三，研究了道路交通流參數(shù)的時(shí)變規(guī)律。以檢測(cè)器數(shù)據(jù)為對(duì)象進(jìn)行分析，揭示了交通流參數(shù)在工作日、周末和節(jié)假日三類時(shí)間的不同變化規(guī)律以及交通流參數(shù)在一天中的波動(dòng)程度；引入棚似系數(shù)和波動(dòng)系數(shù)，研究了各天的交通流參數(shù)在時(shí)間軸上的變化趨勢(shì)的干H似程度以及各天之問(wèn)的波動(dòng)程度。研究表明，交通流參數(shù)在同類時(shí)問(wèn)上的時(shí)變趨勢(shì)具有較高的相似程度和較小的波動(dòng)。
4、第四，路段行程時(shí)間與道路交通流參數(shù)(流量和占有率)之間的相關(guān)性研究。借助于交通仿真軟件V
5、SSIM，模擬了不同的交通環(huán)境，研究了路段行程時(shí)間和流量、占有率之間的相關(guān)關(guān)系。研究表明，在不同的交通流狀態(tài)區(qū)間中，路段行程時(shí)間與流量、占有率之間都是顯著相關(guān)的。第五，提出了一利·基于探測(cè)車數(shù)據(jù)的路段行程時(shí)間估計(jì)方法。首先，分析了基于探測(cè)車數(shù)據(jù)的路段行程時(shí)間估計(jì)的誤差來(lái)源—一采樣誤差和非采樣誤差；其次，有針對(duì)性地引入了自適應(yīng)式卡爾曼濾波，并提出利用相似時(shí)間特征的歷史數(shù)據(jù)來(lái)標(biāo)定狀態(tài)轉(zhuǎn)移系數(shù)。研究結(jié)果表明，自適應(yīng)式卡爾曼濾波能夠較好地解決基于探測(cè)車數(shù)據(jù)的路段行程時(shí)間估計(jì)問(wèn)題，該方法具有估計(jì)精度較高、參數(shù)少、算
6、法收斂速度快以及對(duì)初值不敏感等優(yōu)點(diǎn)。第六，著眼于改善數(shù)學(xué)建模的準(zhǔn)確性，提出了依據(jù)相似的交通流狀態(tài)(定點(diǎn)檢測(cè)器數(shù)據(jù))摘要來(lái)標(biāo)定狀態(tài)轉(zhuǎn)移系數(shù)，實(shí)現(xiàn)了基于數(shù)據(jù)融合的路段行程時(shí)問(wèn)估計(jì)。由于轉(zhuǎn)移系數(shù)與交通流量、占有率之間的復(fù)雜關(guān)系，引入了非參數(shù)統(tǒng)計(jì)方法——K．近鄰法來(lái)估計(jì)狀態(tài)轉(zhuǎn)移系數(shù)。研究結(jié)果表明，基于數(shù)據(jù)融合的路段行程時(shí)問(wèn)估計(jì)方法，除具有基于探測(cè)車數(shù)據(jù)的路段行程時(shí)間估計(jì)方法的優(yōu)點(diǎn)外，其估計(jì)精度要優(yōu)于叢于探測(cè)牟數(shù)據(jù)的路段行程時(shí)問(wèn)估計(jì)方法，能更好地跟蹤交通流狀態(tài)變化引起的行程時(shí)問(wèn)波動(dòng)。此外，論文-l-提出的兩種路段行程時(shí)問(wèn)估計(jì)方法還可以應(yīng)用于行程時(shí)問(wèn)的短期預(yù)測(cè)，并且由于兩種方法所需要的參數(shù)較少，因而，具有
7、較強(qiáng)的可移植性。關(guān)鍵詞：多源數(shù)據(jù)，探測(cè)車，定點(diǎn)檢測(cè)器，樣本量，路網(wǎng)覆蓋率，相關(guān)系數(shù)，路段行程時(shí)間，自適應(yīng)卡爾曼濾波，K．近鄰，數(shù)據(jù)融合AbstractSincehumanbeingsenteredtheeraofmotorization,trafficcongestionhasanegativeimpactondailylife．IntelligentTransportationSystemhasbeenrecognizedasoneofthebestwaystosolvetrafficproblemswhileinformationisthecoreofit·‘Fixeddetectorsa
8、ndfloatingdetectorsareusedtodetectthestateoftrafficflowsimultaneously．Sincealargesumofmulti—sourcedatahasbeencollected，itisveryimportantandurgenttoutilizeandminemulti·sourcedata．Thisthesisfocusesondat
