發(fā)布時(shí)間：2019-07-10 20:16

【摘要】：高速公路實(shí)時(shí)交通狀態(tài)的準(zhǔn)確判別是科學(xué)制定交通管理決策的重要基礎(chǔ)�，F(xiàn)階段交通狀態(tài)的判別以單參數(shù)閾值判斷和交通事件檢測(cè)為主,判別結(jié)果的準(zhǔn)確性和時(shí)效性有待進(jìn)一步提升�；�于此,本文利用海量歷史數(shù)據(jù),基于模糊C聚類算法和支持向量機(jī)多分類模型,研究構(gòu)建高速公路實(shí)時(shí)交通狀態(tài)判別模型,在保證方法可行性的基礎(chǔ)上提升判別結(jié)果的時(shí)效性和準(zhǔn)確性。首先,闡述高速公路交通流參數(shù)及參數(shù)之間的關(guān)系,確定實(shí)時(shí)交通狀態(tài)判別模型中使用的特征參數(shù),整合參數(shù)數(shù)據(jù)的預(yù)處理方法,提出高速公路交通狀態(tài)劃分標(biāo)準(zhǔn)。其次,研究分析傳統(tǒng)模糊C均值聚類算法在判別高速公路交通狀態(tài)中存在的問(wèn)題。通過(guò)單一參數(shù)特征向量的聚類分析,結(jié)合實(shí)際算例,對(duì)不同參數(shù)的重要程度和選取多參數(shù)進(jìn)行聚類的必要性進(jìn)行分析。針對(duì)傳統(tǒng)模糊聚類算法并未考慮不同參數(shù)的重要性差異,采用熵權(quán)法為參數(shù)賦權(quán)從而實(shí)現(xiàn)模糊聚類算法的改進(jìn),在海量歷史數(shù)據(jù)基礎(chǔ)上,通過(guò)多參數(shù)聚類獲取不同狀態(tài)類別下的數(shù)據(jù)樣本,并利用誤判率交叉估計(jì)法對(duì)聚類結(jié)果進(jìn)行評(píng)估。然后,將聚類結(jié)果劃分為支持向量機(jī)模型的訓(xùn)練集和測(cè)試集,確定核函數(shù)類型,并采用網(wǎng)格搜索法、遺傳算法和粒子群算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化,得到使模型分類準(zhǔn)確率達(dá)到最大值的參數(shù)組,以此建立起支持向量機(jī)多分類模型。結(jié)合改進(jìn)模糊C均值聚類算法提出高速公路實(shí)時(shí)交通狀態(tài)判別方法,闡述方法的基本流程和主要步驟,分析判別結(jié)果的時(shí)效性和準(zhǔn)確性。最后,在高速公路實(shí)測(cè)數(shù)據(jù)基礎(chǔ)上,對(duì)建立的高速公路實(shí)時(shí)交通狀態(tài)判別模型進(jìn)行實(shí)例驗(yàn)證。結(jié)果表明,改進(jìn)的模糊C均值聚類算法聚類有效性高、結(jié)果誤判率低,為支持向量機(jī)模型的訓(xùn)練提供良好的數(shù)據(jù)基礎(chǔ);基于支持向量機(jī)多分類模型的實(shí)時(shí)交通狀態(tài)判別模型分類準(zhǔn)確率高。因此,本文提出的基于改進(jìn)模糊C均值聚類算法和支持向量機(jī)多分類模型的高速公路實(shí)時(shí)交通狀態(tài)判別方法具有較好的適用性和可行性。
文內(nèi)圖片：
圖片說(shuō)明： 圖２－２速度－密度關(guān)系圖逡逑Ｆｉｇ．２－２邋Ｔｈｅ邋Ｒｅｌａｔｉｏｎｓｈｉｐ邋ｂｅｔｗｅｅｎ邋Ｓｐｅｅｄ邋ａｎｄ邋Ｄｅｎｓｉｔｙ逡逑從圖２－２可分析得，當(dāng)Ａ：邋＝邋０時(shí)，ｗ＝ｗ／，此時(shí)的交通狀態(tài)描述如下：交通流量逡逑很低，路面交通密度很低，車輛行駛速度很大，并無(wú)限接近于自由流速度；當(dāng)（＝毛逡逑時(shí)，Ｗ邋＝邋０，此時(shí)的交通狀態(tài)為：交通流量大，車輛行駛受阻，道路狀態(tài)由擁擠惡逡逑化為阻塞。逡逑經(jīng)研宄發(fā)現(xiàn)，式（２－８）的適用條件為交通密度比較適中，交通密度較大或較逡逑小時(shí)使用該模型會(huì)產(chǎn)生一定的誤差。對(duì)此，Ｇｒｅｅｎｂｅｒｇ等人對(duì)Ｇｒｅｅｎｓｈｉｅｌｄｓ模型進(jìn)逡逑行了優(yōu)化［４｜］。逡逑當(dāng)交通流密度很大時(shí)，速度與密度成對(duì)數(shù)函數(shù)關(guān)系：逡逑ｕ邋－邋Ｕｍ邋Ｉｎ邋—邐（２－９）逡逑其中Ｖｍ為臨界速度。逡逑當(dāng)交通流密度很小時(shí)，采用指數(shù)模型：逡逑１２逡逑
文內(nèi)圖片：
圖片說(shuō)明： 邐７逡逑密度ｋ邋（輛／ｈ）逡逑圖２－２速度－密度關(guān)系圖逡逑Ｆｉｇ．２－２邋Ｔｈｅ邋Ｒｅｌａｔｉｏｎｓｈｉｐ邋ｂｅｔｗｅｅｎ邋Ｓｐｅｅｄ邋ａｎｄ邋Ｄｅｎｓｉｔｙ逡逑從圖２－２可分析得，當(dāng)Ａ：邋＝邋０時(shí)，ｗ＝ｗ／，此時(shí)的交通狀態(tài)描述如下：交通流量逡逑很低，路面交通密度很低，車輛行駛速度很大，并無(wú)限接近于自由流速度；當(dāng)（＝毛逡逑時(shí)，，Ｗ邋＝邋０，此時(shí)的交通狀態(tài)為：交通流量大，車輛行駛受阻，道路狀態(tài)由擁擠惡逡逑化為阻塞。逡逑經(jīng)研宄發(fā)現(xiàn)，式（２－８）的適用條件為交通密度比較適中，交通密度較大或較逡逑小時(shí)使用該模型會(huì)產(chǎn)生一定的誤差。對(duì)此，Ｇｒｅｅｎｂｅｒｇ等人對(duì)Ｇｒｅｅｎｓｈｉｅｌｄｓ模型進(jìn)逡逑行了優(yōu)化［４｜］。逡逑當(dāng)交通流密度很大時(shí)，速度與密度成對(duì)數(shù)函數(shù)關(guān)系：逡逑ｕ邋－邋Ｕｍ邋Ｉｎ邋—邐（２－９）逡逑其中Ｖｍ為臨界速度。逡逑當(dāng)交通流密度很小時(shí)，采用指數(shù)模型：逡逑１２逡逑
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：U491

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李曉璐;;基于模糊C均值聚類的城市道路交通狀態(tài)判別[J];交通科技與經(jīng)濟(jì);2016年04期

2 馮樹民;孫祥龍;李俊香;;基于熵權(quán)模糊物元的高速公路投資績(jī)效評(píng)價(jià)研究[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2015年05期

3 辛督強(qiáng);;基于熵權(quán)-TOPSIS模型的我國(guó)區(qū)域道路交通安全評(píng)價(jià)[J];物流技術(shù);2015年18期

4 吳峰;陳后金;姚暢;郝曉莉;;基于網(wǎng)格搜索的PCA-SVM道路交通標(biāo)志識(shí)別[J];鐵道學(xué)報(bào);2014年11期

5 錢超;徐娜;許宏科;代亮;李雪;;基于蒙特卡羅模擬的交通狀態(tài)辨識(shí)[J];交通運(yùn)輸系統(tǒng)工程與信息;2014年03期

6 常發(fā)亮;黃翠;劉成云;趙永國(guó);馬傳峰;;基于高斯顏色模型和SVM的交通標(biāo)志檢測(cè)[J];儀器儀表學(xué)報(bào);2014年01期

7 劉志強(qiáng);呂學(xué);張利;;基于多分類GA-SVM的高速公路AID模型[J];系統(tǒng)工程理論與實(shí)踐;2013年08期

8 芮海田;吳群琪;袁華智;馮忠祥;朱文英;;基于指數(shù)平滑法和馬爾科夫模型的公路客運(yùn)量預(yù)測(cè)方法[J];交通運(yùn)輸工程學(xué)報(bào);2013年04期

9 文傳軍;詹永照;柯佳;;廣義均衡模糊C均值聚類算法[J];系統(tǒng)工程理論與實(shí)踐;2012年12期

10 齊馳;侯忠生;;自適應(yīng)單指數(shù)平滑法在短期交通流預(yù)測(cè)中的應(yīng)用[J];控制理論與應(yīng)用;2012年04期

相關(guān)博士學(xué)位論文 前1條

1 杜長(zhǎng)海;計(jì)算智能及其在城市交通誘導(dǎo)系統(tǒng)中的應(yīng)用研究[D];重慶大學(xué);2009年

相關(guān)碩士學(xué)位論文 前5條

1 葛志鵬;基于多源數(shù)據(jù)的高速公路短時(shí)交通狀態(tài)預(yù)測(cè)方法研究[D];東南大學(xué);2016年

2 胡丹龍;基于PSO-SVM高速公路交通事件檢測(cè)算法的分析與研究[D];西南交通大學(xué);2013年

3 李琳;高速公路網(wǎng)交通流運(yùn)行態(tài)勢(shì)評(píng)估技術(shù)研究[D];長(zhǎng)安大學(xué);2011年

4 王川童;基于視頻處理的城市道路交通擁堵判別技術(shù)研究[D];重慶大學(xué);2010年

5 陳祥梅;GA-SVM在高速公路交通事件檢測(cè)中的應(yīng)用研究[D];西南交通大學(xué);2009年

本文編號(hào)：2512864