s11竞猜平台

物流(liu)管(guan)(guan)理论(lun)文栏(lan)目(mu)提供(gong)最(zui)新物流(liu)管(guan)(guan)理论(lun)文格式、物流(liu)管(guan)(guan)理硕士论(lun)文范(fan)文。详情咨询QQ:357500023(论(lun)文辅导)

基于深度自编码网络的短时交通流预测探讨

日期:2021年09月08日 编辑:ad201107111759308692 作(zuo)者:s11竞猜平台 点击次数:0
论(lun)文价(jia)格:150元/篇 论文编号:lw202108291442489904 论文字(zi)数:42514 所(suo)属栏目:物流(liu)管理论文
论文地区:中国 论文语种(zhong):中文 论文用途:硕士毕业论文 Master Thesis
相(xiang)关标签:物流管理论文

本(ben)文是一篇物流管理论文,针对交(jiao)通(tong)流数(shu)据的(de)(de)特性,提(ti)出基于深(shen)度自编码网络构建短(duan)(duan)时(shi)交(jiao)通(tong)流预(yu)测模(mo)型(xing)(xing),并针对单一深(shen)度学习模(mo)型(xing)(xing)本(ben)身(shen)存在的(de)(de)数(shu)据适应(ying)性缺陷(xian),提(ti)出分别结合灰色模(mo)型(xing)(xing)与模(mo)糊信息粒(li)化(hua)方(fang)法提(ti)升(sheng)深(shen)度自编码网络的(de)(de)预(yu)测准确度及泛(fan)化(hua)性能(neng)。最后基于微观交(jiao)通(tong)仿真(zhen)平台将短(duan)(duan)时(shi)交(jiao)通(tong)流预(yu)测结果用(yong)于交(jiao)叉口信号(hao)灯的(de)(de)动(dong)态控制当中(zhong),以实现提(ti)前对交(jiao)通(tong)流的(de)(de)随机(ji)变化(hua)做出反应(ying)并优化(hua)相应(ying)的(de)(de)信号(hao)灯配时(shi)方(fang)案。


第 1 章 绪论


1.1 研究背景

随(sui)着我国(guo)国(guo)民(min)经(jing)(jing)济与(yu)(yu)城市(shi)化进程发展,城市(shi)旅客运输(shu)(shu)需(xu)(xu)求及工业(ye)制造与(yu)(yu)电(dian)商物流等相关产(chan)业(ye)的(de)(de)货物运输(shu)(shu)需(xu)(xu)求急(ji)速增长,部分地区的(de)(de)“城市(shi)病”日益凸显。交通(tong)(tong)运输(shu)(shu)管理作(zuo)为(wei)城市(shi)发展的(de)(de)核心(xin)问题之(zhi)一,在(zai)(zai)运行(xing)过(guo)程中始终处于一个前期(qi)(qi)规划与(yu)(yu)后期(qi)(qi)治理不断冲突与(yu)(yu)协调的(de)(de)阶段(duan)。现(xian)阶段(duan)粗(cu)放(fang)型(xing)的(de)(de)交通(tong)(tong)管理模式已经(jing)(jing)不能满足(zu)城市(shi)发展的(de)(de)需(xu)(xu)求,道路交通(tong)(tong)系统运行(xing)不畅(chang)、交通(tong)(tong)堵塞(sai)及其引发的(de)(de)环境污染问题已经(jing)(jing)严重(zhong)影响(xiang)到(dao)了居民(min)的(de)(de)正常出行(xing)与(yu)(yu)货物运输(shu)(shu)效率,甚至在(zai)(zai)一定程度上制约了区域经(jing)(jing)济的(de)(de)发展[1]。

可持(chi)续性经济(ji)发展对(dui)于(yu)高(gao)效、精细化交(jiao)通(tong)管理模式的(de)需求日趋(qu)迫切,智(zhi)(zhi)能(neng)交(jiao)通(tong)系统(tong)(Intelligent Transport System, ITS)应运而(er)生并(bing)逐(zhu)步发展。ITS 具体是指在基础交(jiao)通(tong)设施相(xiang)对(dui)健全(quan)的(de)前提下引入(ru)各类先进的(de)技(ji)术(shu)(shu)(如数据通(tong)信(xin)传输技(ji)术(shu)(shu)、电子传感技(ji)术(shu)(shu)、人工智(zhi)(zhi)能(neng)以及计算机处理技(ji)术(shu)(shu)等)并(bing)进行一定的(de)集(ji)成,建立(li)起一个精确、实(shi)时、高(gao)效的(de)综合交(jiao)通(tong)管理系统(tong),全(quan)方(fang)位地在交(jiao)通(tong)控制(zhi)场景中发挥(hui)作(zuo)用(yong)[2]。

我(wo)国(guo)自(zi)“十五(wu)”规划(hua)以(yi)来开始将智(zhi)(zhi)能(neng)(neng)交(jiao)通(tong)(tong)(tong)(tong)系(xi)统(tong)的开发列(lie)入(ru)国(guo)家(jia)科(ke)技(ji)攻关计划(hua)。2017 年(nian)(nian)国(guo)务(wu)院印(yin)发《“十三五(wu)”现(xian)(xian)代(dai)综合(he)交(jiao)通(tong)(tong)(tong)(tong)运(yun)(yun)(yun)输(shu)(shu)体(ti)系(xi)发展(zhan)规划(hua)》,明确(que)建设(she)(she)综合(he)型现(xian)(xian)代(dai)交(jiao)通(tong)(tong)(tong)(tong)运(yun)(yun)(yun)输(shu)(shu)体(ti)系(xi)的一项(xiang)重点任务(wu)就(jiu)是提(ti)升(sheng)(sheng)交(jiao)通(tong)(tong)(tong)(tong)发展(zhan)智(zhi)(zhi)能(neng)(neng)化水平、促进交(jiao)通(tong)(tong)(tong)(tong)产业(ye)智(zhi)(zhi)能(neng)(neng)化变(bian)革;同年(nian)(nian),交(jiao)通(tong)(tong)(tong)(tong)运(yun)(yun)(yun)输(shu)(shu)部发布的《推进智(zhi)(zhi)慧交(jiao)通(tong)(tong)(tong)(tong)发展(zhan)行(xing)动(dong)计划(hua)》指(zhi)出要利(li)用(yong)大(da)数据(ju)、地理(li)信(xin)息系(xi)统(tong)等信(xin)息技(ji)术(shu)实现(xian)(xian)行(xing)业(ye)数据(ju)资(zi)源交(jiao)换共享和(he)开放应用(yong),以(yi)提(ti)升(sheng)(sheng)交(jiao)通(tong)(tong)(tong)(tong)运(yun)(yun)(yun)输(shu)(shu)系(xi)统(tong)的总(zong)体(ti)运(yun)(yun)(yun)作效率。2019 年(nian)(nian) 9 月,中共中央(yang)、国(guo)务(wu)院印(yin)发实施《交(jiao)通(tong)(tong)(tong)(tong)强(qiang)国(guo)建设(she)(she)纲(gang)要》,进一步(bu)明确(que)了(le)建设(she)(she)交(jiao)通(tong)(tong)(tong)(tong)强(qiang)国(guo)在(zai)构建现(xian)(xian)代(dai)化经济体(ti)系(xi)以(yi)及(ji)全(quan)面建成社会主义(yi)现(xian)(xian)代(dai)化强(qiang)国(guo)中的战(zhan)略地位,并提(ti)出建设(she)(she)交(jiao)通(tong)(tong)(tong)(tong)强(qiang)国(guo)的重点任务(wu)之一就(jiu)是“科(ke)技(ji)创(chuang)新富有活(huo)力(li)、智(zhi)(zhi)慧引领”,即推动(dong)人工智(zhi)(zhi)能(neng)(neng)、大(da)数据(ju)、区块链、超级计算(suan)等新技(ji)术(shu)与交(jiao)通(tong)(tong)(tong)(tong)行(xing)业(ye)深(shen)度融(rong)合(he),大(da)力(li)发展(zhan)智(zhi)(zhi)慧交(jiao)通(tong)(tong)(tong)(tong),完(wan)善科(ke)技(ji)创(chuang)新机制(zhi)。因此,基于新兴智(zhi)(zhi)能(neng)(neng)技(ji)术(shu)对(dui)智(zhi)(zhi)能(neng)(neng)交(jiao)通(tong)(tong)(tong)(tong)系(xi)统(tong)及(ji)其各功能(neng)(neng)模(mo)块进行(xing)提(ti)升(sheng)(sheng)与完(wan)善,成为目前及(ji)未来较长时间内交(jiao)通(tong)(tong)(tong)(tong)运(yun)(yun)(yun)输(shu)(shu)领域的研究热点。

...........................


1.2  研究目的及意义

1.2.1  研(yan)究目的

在实际信号交(jiao)(jiao)(jiao)叉(cha)(cha)口的(de)(de)交(jiao)(jiao)(jiao)通(tong)管控中,信号灯定时(shi)控制或(huo)者仅(jin)根据当前时(shi)段(duan)与路段(duan)的(de)(de)交(jiao)(jiao)(jiao)通(tong)流信息进行(xing)(xing)感应控制,均不能(neng)充分应对未来(lai)(lai)一段(duan)时(shi)间内实际交(jiao)(jiao)(jiao)通(tong)流的(de)(de)随机变化(hua),容易(yi)造成交(jiao)(jiao)(jiao)叉(cha)(cha)口通(tong)行(xing)(xing)能(neng)力分配不合理、交(jiao)(jiao)(jiao)叉(cha)(cha)口服务水平下(xia)降(jiang)等问(wen)题。利(li)用交(jiao)(jiao)(jiao)通(tong)流预(yu)(yu)测结果(guo)对交(jiao)(jiao)(jiao)叉(cha)(cha)口未来(lai)(lai)的(de)(de)交(jiao)(jiao)(jiao)通(tong)状态进行(xing)(xing)预(yu)(yu)判(pan),能(neng)够(gou)在一定程度上提升对于交(jiao)(jiao)(jiao)通(tong)流随机变化(hua)的(de)(de)适应性,但是预(yu)(yu)测模型(xing)准确度不高则会导(dao)致制定的(de)(de)控制方案(an)达不到预(yu)(yu)期效(xiao)果(guo)。

针对(dui)交(jiao)通流时(shi)空数(shu)据的大规(gui)模(mo)、高随机性等特点,旨在(zai)(zai)利用深度学(xue)习(xi)(xi)算(suan)法提升预测模(mo)型(xing)(xing)在(zai)(zai)特征学(xue)习(xi)(xi)方面(mian)(mian)的能(neng)力,并结合灰色(se)模(mo)型(xing)(xing)与模(mo)糊(hu)信(xin)息粒化方法弥补深度学(xue)习(xi)(xi)算(suan)法在(zai)(zai)泛(fan)化性能(neng)方面(mian)(mian)的缺陷,融合构建相对(dui)准确与稳定(ding)的短时(shi)交(jiao)通流预测模(mo)型(xing)(xing),以支撑信(xin)号灯精细化动(dong)态控制,实(shi)现对(dui)交(jiao)通流随机变化的提前应对(dui)、提升交(jiao)叉(cha)口服务水(shui)平(ping)。

1.2.2  研究意(yi)义

(1)理(li)论意义(yi)

目前,短(duan)时交(jiao)(jiao)通流(liu)预(yu)(yu)测(ce)(ce)模(mo)(mo)(mo)型已经成为智能交(jiao)(jiao)通领域的(de)(de)(de)一大研(yan)究热点,为提(ti)(ti)升某个路段(duan)交(jiao)(jiao)通流(liu)量预(yu)(yu)测(ce)(ce)的(de)(de)(de)准确度(du)(du)(du)(du),模(mo)(mo)(mo)型输入(ru)已由(you)(you)目标路段(duan)的(de)(de)(de)单一历(li)史数(shu)据(ju)(ju)序列(lie)逐步过渡到结(jie)合(he)上(shang)下游路段(duan)信息(xi)的(de)(de)(de)多元历(li)史数(shu)据(ju)(ju)序列(lie),但(dan)由(you)(you)此导(dao)致的(de)(de)(de)数(shu)据(ju)(ju)维(wei)度(du)(du)(du)(du)及复杂(za)度(du)(du)(du)(du)上(shang)升对(dui)预(yu)(yu)测(ce)(ce)模(mo)(mo)(mo)型的(de)(de)(de)学(xue)(xue)习(xi)(xi)(xi)能力提(ti)(ti)出(chu)了更高的(de)(de)(de)要求。近年来一些(xie)文献开始将深(shen)(shen)(shen)度(du)(du)(du)(du)学(xue)(xue)习(xi)(xi)(xi)算法(fa)应用于交(jiao)(jiao)通流(liu)预(yu)(yu)测(ce)(ce)领域,并验证其(qi)效果优于传统(tong)统(tong)计学(xue)(xue)预(yu)(yu)测(ce)(ce)方法(fa)或浅(qian)层机器学(xue)(xue)习(xi)(xi)(xi)方法(fa)。但(dan)是单一的(de)(de)(de)深(shen)(shen)(shen)度(du)(du)(du)(du)学(xue)(xue)习(xi)(xi)(xi)模(mo)(mo)(mo)型对(dui)于现实交(jiao)(jiao)通流(liu)数(shu)据(ju)(ju)预(yu)(yu)测(ce)(ce)仍存在一定的(de)(de)(de)适应性(xing)缺陷,通过研(yan)究灰(hui)色模(mo)(mo)(mo)型、模(mo)(mo)(mo)糊信息(xi)粒化(hua)与深(shen)(shen)(shen)度(du)(du)(du)(du)神经网络结(jie)合(he)进行(xing)预(yu)(yu)测(ce)(ce)的(de)(de)(de)方法(fa),可以(yi)在一定程(cheng)度(du)(du)(du)(du)上(shang)缓解深(shen)(shen)(shen)度(du)(du)(du)(du)学(xue)(xue)习(xi)(xi)(xi)算法(fa)的(de)(de)(de)数(shu)据(ju)(ju)适应性(xing)问(wen)题,从而进一步提(ti)(ti)升模(mo)(mo)(mo)型的(de)(de)(de)预(yu)(yu)测(ce)(ce)性(xing)能。这一尝(chang)试也可以(yi)为深(shen)(shen)(shen)度(du)(du)(du)(du)学(xue)(xue)习(xi)(xi)(xi)用于其(qi)他(ta)领域进行(xing)时间(jian)序列(lie)预(yu)(yu)测(ce)(ce)提(ti)(ti)供(gong)一些(xie)新的(de)(de)(de)思路。

(2)实际意义

短时交(jiao)(jiao)通(tong)(tong)流量预(yu)测是交(jiao)(jiao)通(tong)(tong)信(xin)号控(kong)制(zhi)、交(jiao)(jiao)通(tong)(tong)诱导(dao)和交(jiao)(jiao)通(tong)(tong)信(xin)息服务(wu)等智能交(jiao)(jiao)通(tong)(tong)系统子功能模(mo)块的(de)(de)(de)(de)重要基(ji)础。信(xin)号交(jiao)(jiao)叉口(kou)的(de)(de)(de)(de)精(jing)细化(hua)控(kong)制(zhi)已经成为城(cheng)市交(jiao)(jiao)通(tong)(tong)信(xin)号控(kong)制(zhi)系统的(de)(de)(de)(de)核心(xin)发展需求,基(ji)于相对(dui)准(zhun)确的(de)(de)(de)(de)交(jiao)(jiao)通(tong)(tong)流预(yu)测结果可以(yi)对(dui)关(guan)键交(jiao)(jiao)叉口(kou)的(de)(de)(de)(de)信(xin)号灯(deng)进行动(dong)态精(jing)细化(hua)控(kong)制(zhi),这对(dui)提升(sheng)交(jiao)(jiao)叉路口(kou)的(de)(de)(de)(de)服务(wu)水(shui)平(ping)以(yi)及道路整体的(de)(de)(de)(de)通(tong)(tong)行能力(li)具(ju)备一(yi)定(ding)的(de)(de)(de)(de)实(shi)际意义。

...........................


第 2 章  相关理论基础


2.1  机(ji)器(qi)学习时(shi)间序列(lie)预测模型(xing)概(gai)述(shu)

2.1.1  机器学习时间序列预(yu)测建模原理(li)

时(shi)(shi)间(jian)(jian)序(xu)列(lie)预(yu)(yu)(yu)测将(jiang)预(yu)(yu)(yu)测对象(xiang)的(de)(de)历(li)史信息按时(shi)(shi)间(jian)(jian)顺序(xu)排列(lie)成序(xu)列(lie),在(zai)假(jia)定与利(li)用(yong)时(shi)(shi)序(xu)数(shu)据相(xiang)(xiang)关性(xing)的(de)(de)基(ji)础上(shang)(shang)(shang),通过分(fen)析(xi)历(li)史序(xu)列(lie)随时(shi)(shi)间(jian)(jian)变化(hua)的(de)(de)规律并构(gou)建相(xiang)(xiang)应的(de)(de)时(shi)(shi)序(xu)拟合(he)模型(xing),外推得(de)到预(yu)(yu)(yu)测对象(xiang)未来的(de)(de)走势变化(hua)[40]。经(jing)典的(de)(de)机器学习算法在(zai)时(shi)(shi)间(jian)(jian)序(xu)列(lie)预(yu)(yu)(yu)测问题(ti)上(shang)(shang)(shang)取得(de)了(le)较好(hao)的(de)(de)效果,但是该方法实质(zhi)上(shang)(shang)(shang)将(jiang)时(shi)(shi)间(jian)(jian)序(xu)列(lie)预(yu)(yu)(yu)测转化(hua)为了(le)回(hui)归分(fen)析(xi),即利(li)用(yong)一组历(li)史时(shi)(shi)序(xu)数(shu)据回(hui)归得(de)到下一个时(shi)(shi)刻(ke)的(de)(de)预(yu)(yu)(yu)测值(zhi),这种转化(hua)方式的(de)(de)核心(xin)问题(ti)在(zai)于(yu),当(dang)数(shu)据顺序(xu)产生交换或是训练集与测试集随机划分(fen)时(shi)(shi)忽略了(le)时(shi)(shi)间(jian)(jian)序(xu)列(lie)预(yu)(yu)(yu)测对于(yu)数(shu)据相(xiang)(xiang)关性(xing)的(de)(de)假(jia)设(she),导致模型(xing)在(zai)现实问题(ti)中的(de)(de)预(yu)(yu)(yu)测应用(yong)受到局限。

因此,利用机(ji)器学习(xi)算法进行时(shi)间序(xu)列预(yu)测建模的(de)(de)关键思(si)路(lu)在于,通过(guo)合理设置时(shi)间滑窗(chuang)构(gou)造按时(shi)间顺(shun)序(xu)排(pai)列的(de)(de)预(yu)测特征,以及按事件发(fa)生的(de)(de)先后(hou)顺(shun)序(xu)划分训练集与测试集,避免出现用“未来(lai)数据”预(yu)测“过(guo)去走向(xiang)”的(de)(de)问题。具体的(de)(de)模型构(gou)建方式如(ru)图(tu) 2-1 所示。

首先通(tong)(tong)过时(shi)间滑(hua)窗(chuang)划分给(ji)时(shi)间序列数据构建预(yu)测(ce)特(te)征(zheng),包(bao)括历(li)史(shi)特(te)征(zheng)(特(te)征(zheng) A)与目标特(te)征(zheng)(特(te)征(zheng) B),这(zhei)里的(de)时(shi)间窗(chuang)口数量及长度可以按实际需求(qiu)进行变化。然(ran)后通(tong)(tong)过学习训练集(ji)(ji)中(zhong)预(yu)测(ce)特(te)征(zheng)的(de)内在关联完成机(ji)器学习预(yu)测(ce)模(mo)型构建,最后输入测(ce)试集(ji)(ji)所需的(de)历(li)史(shi)数据即可得到任务要(yao)求(qiu)的(de)最终(zhong)预(yu)测(ce)结果。

图 2-1 时间序列预测滑动窗口划分示意图

图 2-1 时间序列预测(ce)滑动窗(chuang)口划分示意图

...........................


2.2  短时(shi)交通流预测(ce)基(ji)础知识

2.2.1  短时交通流预测基(ji)本概念(nian)

交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)是(shi)指(zhi)机动(dong)车(che)(che)(che)辆在(zai)公共道(dao)路(lu)网络(luo)中连续行驶所形成的(de)车(che)(che)(che)流(liu)(liu)(liu),它是(shi)道(dao)路(lu)交(jiao)(jiao)(jiao)通(tong)(tong)(tong)系统(tong)中最主(zhu)要的(de)研(yan)究(jiu)对象(xiang)之(zhi)一[48]。交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)在(zai)运行过程中会呈现出多种状态,而交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)参数(shu)则是(shi)用以(yi)描述(shu)不同交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)状态特征(zheng)的(de)物理量(liang)(liang)(liang)(liang)。交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)的(de)基本参数(shu)包括(kuo)交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)量(liang)(liang)(liang)(liang)、车(che)(che)(che)流(liu)(liu)(liu)速度(du)(du)以(yi)及车(che)(che)(che)流(liu)(liu)(liu)密度(du)(du)。交(jiao)(jiao)(jiao)通(tong)(tong)(tong)流(liu)(liu)(liu)量(liang)(liang)(liang)(liang)(也称交(jiao)(jiao)(jiao)通(tong)(tong)(tong)量(liang)(liang)(liang)(liang)、流(liu)(liu)(liu)量(liang)(liang)(liang)(liang))与(yu)车(che)(che)(che)流(liu)(liu)(liu)速度(du)(du)分别表(biao)示在(zai)单位时间内通(tong)(tong)(tong)过选定地点或路(lu)段的(de)机动(dong)车(che)(che)(che)数(shu)量(liang)(liang)(liang)(liang)以(yi)及机动(dong)车(che)(che)(che)平均(jun)车(che)(che)(che)速,车(che)(che)(che)流(liu)(liu)(liu)密度(du)(du)则表(biao)示单位采集路(lu)段所承载的(de)车(che)(che)(che)辆数(shu)量(liang)(liang)(liang)(liang)。

在交通(tong)流的(de)三大参(can)数(shu)中,交通(tong)流量不仅可(ke)以直(zhi)接通(tong)过道路车辆监测器采集,而且直(zhi)观展(zhan)示了道路交通(tong)的(de)通(tong)行状态,是(shi)交通(tong)流运行分(fen)析、交通(tong)组(zu)织方(fang)案(an)制(zhi)定以及效果(guo)评(ping)价的(de)重(zhong)要参(can)数(shu),也是(shi)信号(hao)控制(zhi)的(de)基础依据。

针(zhen)对交(jiao)通流(liu)未(wei)来一段(duan)时间(jian)内反映交(jiao)通状态的(de)(de)基(ji)本(ben)参(can)数(shu)进行预(yu)测即为交(jiao)通流(liu)预(yu)测。交(jiao)通流(liu)预(yu)测模型(xing)的(de)(de)核(he)心(xin)在于,将历(li)史及实时采集的(de)(de)交(jiao)通流(liu)参(can)数(shu)信息作(zuo)为模型(xing)输入,利用数(shu)据挖(wa)掘(jue)手段(duan)对输入信息进行系(xi)统(tong)性的(de)(de)分析,以输出未(wei)来一段(duan)时间(jian)内的(de)(de)交(jiao)通流(liu)参(can)数(shu)预(yu)测结果。

从交(jiao)通(tong)(tong)(tong)流预测(ce)的时间间隔长(zhang)短进行划分,短时交(jiao)通(tong)(tong)(tong)流预测(ce)表示对未来 5 分钟(zhong)、10 分钟(zhong)以及 15 分钟(zhong)间隔的交(jiao)通(tong)(tong)(tong)流参数(shu)进行预测(ce)。短时交(jiao)通(tong)(tong)(tong)流预测(ce)结果是交(jiao)通(tong)(tong)(tong)管理与(yu)控制(zhi)方案制(zhi)定(ding)的基础,其中(zhong),5 分钟(zhong)间隔的交(jiao)通(tong)(tong)(tong)流量预测(ce)结果能够为交(jiao)通(tong)(tong)(tong)信号控制(zhi)提供(gong)较大的决策(ce)支持[49]。

.............................


第 3 章  基于 GM-DAEP 的短时交通流预测模型 .................... 27

3.1  引言 ..................................... 27

3.2  灰色模型(xing)理论及预测(ce)方(fang)法 ........................ 28

第 4 章  基于 FIG-DAEP 的短时交通流区间预测模型 .......................... 40

4.1  引言 ....................................... 40

4.2  模(mo)糊信息粒化理论及方(fang)法 ............................ 41

第 5 章  基于交通流预测的交叉口动态信号灯控制及仿真分析 ........................... 53

5.1  引言 ....................................... 53

5.2  基(ji)于交(jiao)通流预测的交(jiao)叉口动态信号(hao)灯控制策略 ..................... 53


第 5 章  基于交通流预测的交叉口动态信号灯控制及仿真分析


5.1  引言

根(gen)据交(jiao)叉(cha)路口(kou)(kou)各进道口(kou)(kou)的(de)实(shi)际交(jiao)通(tong)情况调节(jie)信(xin)(xin)号(hao)灯的(de)配(pei)时(shi)设置,是降低交(jiao)叉(cha)口(kou)(kou)车辆(liang)延误、提(ti)升进道口(kou)(kou)通(tong)行能(neng)力的(de)一种(zhong)常用手段(duan),而利用交(jiao)通(tong)流(liu)预(yu)测模型(xing)得到交(jiao)叉(cha)口(kou)(kou)关键进道口(kou)(kou)的(de)流(liu)量信(xin)(xin)息可以实(shi)现对信(xin)(xin)号(hao)灯配(pei)时(shi)提(ti)前做出动态调整(zheng),进而有效提(ti)升信(xin)(xin)号(hao)交(jiao)叉(cha)口(kou)(kou)的(de)综合服务(wu)水平。

本章首先(xian)从交通(tong)流(liu)状(zhuang)态(tai)聚类、确定(ding)配时模板以及(ji)动态(tai)控制流(liu)程三个方面对基于交通(tong)流(liu)预测(ce)的(de)信号(hao)灯动态(tai)控制策略(lve)进行详(xiang)细阐述;然后(hou)根据实际路(lu)(lu)网(wang)的(de)道(dao)路(lu)(lu)与交通(tong)状(zhuang)况进行 VISSIM 仿真(zhen)模型构(gou)建,获取路(lu)(lu)网(wang)流(liu)量仿真(zhen)数(shu)据;最后(hou)通(tong)过仿真(zhen)平台的(de)运行结果验证基于交通(tong)流(liu)预测(ce)的(de)信号(hao)灯动态(tai)控制策略(lve)的(de)有效性。

信号灯动态控(kong)制(zhi)策略具(ju)体(ti)可分为三个(ge)步骤。首先需要根(gen)据历史流(liu)

该论文为收费论文,请加QQ1135811234联系客服人员购买全文
S11比赛竞猜-S11赛事竞猜-S11全球总决赛竞猜官网-腾讯游戏 LOL竞猜-S11赛事竞猜-LOL竞猜官网 S11竞猜-S11赛事竞猜官网