学位论文 > 优秀研究生学位论文题录展示
交通事件持续时间预测方法研究
作 者: 姬杨蓓蓓
导 师: 孙立军
学 校: 同济大学
专 业: 道路与铁道工程
关键词: 交通事件 持续时间 延迟时间 消散时间 预测 决策树 元胞传输模型
分类号: U491.14
类 型: 博士论文
年 份: 2008年
下 载: 895次
引 用: 12次
阅 读: 论文下载
内容摘要
交通事件持续时间的预测是先进的交通事件管理系统的一项重要内容,精确的、预测的交通信息对旅行者信息系统至关重要。事实上,交通事件的持续时间包括四个重要组成部分:事件的发现时间,事件的响应时间,事件的清除时间和交通的恢复时间。这四个阶段的总和代表了交通事件总的持续时间,也就是从交通事件发生到交通恢复到正常状态的总和。前三个阶段表示事件的延迟时间,它可以通过快速检测事件和快速清除事件来减小;第四个阶段表示交通事件清除后拥堵的消散时间,不仅与交通事件本身的性质和特点有关,而且与事件发生前后的交通状况有关。过去对交通事件持续时间预测的研究中没有考虑到不同阶段的持续时间其影响因素并不相同,因此并没有把交通事件的持续时间分阶段的加以预测,从而使得预测精度很难提高。此外,由于对交通事件持续时间预测还存在使用的数据样本单一,预测的实时性差,难以适应实际情况中数据缺失情况等缺陷,因此一直没有被应用于实际的交通管理中。本文针对交通事件持续时间预测方法展开了一系列的研究。文章首先分析了上海市城市快速路的交通事件持续时间的影响因素,针对目前上海市城市快速路交通事件管理的现状,设计了交通事件数据库。并采用决策树方法建立了交通事件持续时间预测模型,该模型对于抛锚事件清除时间的预测值与真实值差的绝对值小于15分钟的准确率为82%,对交通事故清除时间的预测值与真实值的绝对值小于30分钟的准确率为56%。其次,分析了荷兰交通部提供的交通事件数据信息,这些信息详细、精确,有助于标定更为精确的交通事件清除时间预测模型。基于荷兰交通事件的数据信息,本文提出了基于贝叶斯的决策树算法的事件持续时间预测模型,该模型可以更好的处理信息缺失或信息不全的交通事件信息,与分类树方法和线性回归预测模型相比,它具有更高的预测精度。自1994年Daganzo提出元胞传输模型(Cell Transmission Model,CTM)以来,由于CIM模型中的参数易于标定,求解方法简单,可以很好的模拟动态交通等优点一直被广泛应用。本文以上海市城市快速路的特征路段为基础,基于元胞传输模型建立了交通事件持续时间预测的实例模型,将仿真结果与实际路段交通参数对比发现,元胞传输模型可以真实的再现交通事件发生后道路的运行状况和集散特点。因此,本文采用CTM模型建立了交通事件清除后拥堵消散时间的预测模型,并基于CTM模型计算了在交通事件延迟过程中,拥堵集结过程产生的延误和事件清除后拥堵消散的延误。分析结果表明,在城市快速路上,交通事件清除后拥堵的消散时间在事件总的持续时间中占有很大比例。拥堵的消散时间与事件延迟时间的比值不仅随事件延迟时间的增加而增加,且这一比值对交通事件发生后道路剩余通行能力的大小更为敏感。特殊情况下,拥堵的消散时间甚至是交通事件延迟时间的三倍多,而事件的总延误随着事件后剩余通行能力的减小而呈倍数迅速增加。因此,在交通事件处理过程中,要尽量减少占道,减少对通行能力的干扰,这对保证事件发生后道路设施的运行效率最为有效。交通事件处理过程中提高事件清除效率,降低事件延迟时间可以很大程度上减小事件总的持续时间。在上海市城市快速路上发生的一般性质的交通事件,降低事件的延迟时间,一定条件下可减小三倍的总的持续时间;在事件较为严重时,降低事件的延迟时间,甚至可以减小五倍的总的持续时间。因此,对于不同严重程度的交通事件,从先进的交通事件管理战略而言,应给予不同等级的救援预案。通过计算发现,高峰时段发生交通事件时,若该事件持续时间较长,有必要采取交通需求控制措施优化路网的交通流,从而减少交通事件产生的总延误。通过需求控制措施减少事件位置上游的交通需求,一般条件下可以使总延误减小到原来的一半。本文通过对交通事件清除后消散时间的预测,以及对拥堵延误和消散延误的定量分析,得出的主要研究结论可以有助于评价各项交通救援措施的效果,为提出更合理、更有效的交通救援措施和事件管理方法服务。论文最后就进一步的研究方向进行了简要的讨论。
|
全文目录
摘要 6-8 ABSTRACT 8-13 第1章 引言 13-24 1.1 研究背景与意义 13-17 1.2 研究的背景与意义 17-20 1.2.1 交通事件管理的需要 17-18 1.2.2 先进的旅行者信息管理系统的需要 18-20 1.2.3 评价交通事件管理措施的需要 20 1.3 研究内容及技术路线 20-22 1.3.1 研究内容 20-21 1.3.2 研究的技术路线 21-22 1.4 章节安排 22-24 第2章 交通事件持续时间预测综述 24-41 2.1 交通事件以及事件持续时间的定义 24-26 2.1.1 交通事件的定义 24-25 2.1.2 交通事件持续时间的定义 25-26 2.2 交通事件持续时间预测的研究现状 26-40 2.2.1 概率分布(Probabilistic Distributions) 26-29 2.2.2 条件概率(Conditional Probabilities) 29-30 2.2.3 线性回归模型(Linear Regression Models) 30-33 2.2.4 时间序列模型(Time Sequential Models) 33-34 2.2.5 决策树模型(Decision Trees) 34-37 2.2.6 非参数回归模型(Non-parametric Regression) 37-39 2.2.7 模糊逻辑模型(Fuzzy Logic) 39 2.2.8 其它 39-40 2.3 结语 40-41 第3章 决策树算法预测上海交通事件的延迟时间 41-73 3.1 决策树基本算法概述 42-45 3.1.1 决策树生成算法 42-43 3.1.2 决策树修剪算法 43-45 3.2 决策树ID3算法 45-49 3.2.1 信息增益值计算 45-47 3.2.2 算法描述 47-48 3.2.3 ID3算法的性能描述 48-49 3.3 交通事件数据来源 49-64 3.3.1 上海市交通事件数据采集情况介绍 49-51 3.3.2 交通事件延迟时间影响因素定性分析 51-60 3.3.3 交通事件数据库设计 60-64 3.4 事件延迟时间的决策树模型 64-71 3.4.1 决策树预测模型 65-70 3.4.2 模型预测结果检验 70-71 3.5 本章小结 71-73 第4章 基于贝叶斯的决策树方法预测交通事件延迟时间 73-97 4.1 贝叶斯决策树方法 74-78 4.1.1 贝叶斯方法 74-75 4.1.2 决策树方法 75-76 4.1.3 贝叶斯决策树算法 76-78 4.2 数据来源 78-80 4.3 贝叶斯决策树预测模型 80-92 4.3.1 基于贝叶斯决策树的预测方法 80-86 4.3.2 采用分类方法的预测模型 86-87 4.3.3 采用线性回归方法的预测模型 87-92 4.4 预测精度比较分析 92-95 4.5 本章小结 95-97 第5章 运用元胞传输模型预测交通恢复时间 97-118 5.1 元胞传输模型(CTM) 97-108 5.1.1 CTM基本段模型 98-101 5.1.2 CTM合流模型 101-104 5.1.3 CTM分流模型 104-105 5.1.4 采用元胞传输模型建立交通恢复时间预测模型 105-108 5.2 CTM的参数的合理取值 108-112 5.2.1 交通需求的确定 109-110 5.2.2 自由流车速参数的确定 110 5.2.3 瓶颈路段通行能力的取值 110-111 5.2.4 非瓶颈路段通行能力参数的确定 111-112 5.2.5 拥挤态特征波速的标定 112 5.3 实例验证 112-116 5.4 本章小结 116-118 第6章 交通恢复时间和延误的预测与分析 118-138 6.1 交通恢复时间的预测与分析 118-127 6.1.1 事件严重程度对交通恢复时间的影响分析 119-122 6.1.2 事件延迟时间对交通恢复时间的影响分析 122-124 6.1.3 交通需求对交通恢复时间的影响分析 124-125 6.1.4 降低事件清除时间对交通恢复时间的影响分析 125-127 6.2 延误的预测与分析 127-136 6.2.1 延误的计算方法 127-128 6.2.2 事件的严重程度对延误的影响分析 128-130 6.2.3 事件的延迟时间对延误的影响分析 130-132 6.2.4 交通需求对延误的影响分析 132-135 6.2.5 降低的清除时间对延误的影响分析 135-136 6.3 本章小结 136-138 第7章 结论与展望 138-142 7.1 结论 138-140 7.2 展望 140-142 致谢 142-143 参考文献 143-149 个人简历 在读期间发表的学术论文与研究成果 149-150
|
相似论文
- K公司计划及预测改进对于合理库存配置的研究,F224
- 基于图的标志SNP位点选择算法研究,Q78
- 液力减速器制动性能及用于飞机拦阻的仿真研究,TH137.331
- 深空撞击探测末制导律的设计与分析,V448.2
- 卫星姿态的磁控制方法研究,V448.222
- Hall推进器寿命预测和壁面侵蚀加速实验研究,V439.2
- 高精度激光跟踪装置闭环控制若干关键问题研究,TN249
- 网络语音传输丢包的恢复技术,TN912.3
- 基于神经网络的水厂投药预测控制研究,TP273.1
- 基于支持向量机的故障诊断方法研究,TP18
- 网络化系统的鲁棒模型预测控制,TP273
- 硝酸钠制配过程中pH值的预测控制及仿真研究,TP273
- 离散非线性系统输入到状态稳定性研究,TP13
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 山西省人口中长期发展变化趋势预测,O212.1
- 云南省勐腊县南坡铜矿床成矿规律与成矿预测研究,P618.41
- 计算智能在数字化卷烟叶组配方中的应用研究,TS44
- 地州级卷烟销量预测影响因素研究,F224
- 基于不确定性系统研究方法的高校学生学习成绩分析与预测,G642.4
- 农业昆虫中微RNA基因的生物信息学预测,S186
- 基于电子海图的海上溢油预测系统的设计与实现,X55
中图分类: > 交通运输 > 公路运输 > 交通工程与公路运输技术管理 > 交通工程与交通管理 > 交通调查与规划 > 交通预测
© 2012 www.xueweilunwen.com
|