基于探測車數據和定點檢測器數據的路段行程時間估計.pdf

1、隨著人類步入機動化和汽車化時代，城市交通問題凸現，城市交通擁堵已經嚴重地影響到社會經濟活動和人們的日常生活。智能交通系統(tǒng)已成為公認的解決交通問題的最佳途徑之一，而信息是智能交通系統(tǒng)的核心。為了實時監(jiān)控道路交通流的狀態(tài)，許多城市都布設或采用了為數眾多的定點檢測器和移動檢測器，從而，大量的多源交通數據被采集，因此，對多源交通數據的挖掘利用具有重要性和緊迫性雙重特點。論文圍繞多源交通數據的挖掘利用和融合展開，具有十分重要的理論意義和實踐價值。

2、論文主要完成了六個部分的研究工作。 第一，以深圳市城市交通仿真系統(tǒng)中采集到的GPS數據為分析對象，試圖發(fā)現和找出其中的特征，為后續(xù)的研究和實踐作鋪墊。論文主要研究了深圳市GPS數據的時間和空間分布特征、GPS采樣間隔特征、路段樣本量分布特征、路網覆蓋率特征以及路網覆蓋率與出租車數量之間的關系。研究結果揭示了基于探測車數據的路段行程時間采集面臨的兩大問題——路段樣本量不足和路網覆蓋率低。對上述特征的提取和認識對于探測車交通信息系統(tǒng)

3、設計以及對GPS數據的挖掘利用具有很好的指導意義。 第二，從路段和路網兩個層面對探測車樣本量進行了研究。首先，在對路段樣本量模型深入研究的基礎上，指出了路段樣本量是一個有限總體無放回簡單隨機抽樣問題，并提出了改進的路段樣本量模型；其次，引入了路網覆蓋率，提出了路網樣本量的通用模型，并以深圳市實際數據為例，建立了路網覆蓋率與出租車總數量之間的關系模型。該模型雖有一定的局限性，但為路網樣本量模型的研究提供了一種新的思路。 第

4、三，研究了道路交通流參數的時變規(guī)律。以檢測器數據為對象進行分析，揭示了交通流參數在工作日、周末和節(jié)假日三類時間的不同變化規(guī)律以及交通流參數在一天中的波動程度；引入相似系數和波動系數，研究了各天的交通流參數在時間軸上的變化趨勢的相似程度以及各天之間的波動程度。研究表明，交通流參數在同類時間上的時變趨勢具有較高的相似程度和較小的波動。 第四，路段行程時間與道路交通流參數(流量和占有率)之間的相關性研究。借助于交通仿真軟件VISSIM

5、，模擬了不同的交通環(huán)境，研究了路段行程時間和流量、占有率之間的相關關系。研究表明，在不同的交通流狀態(tài)區(qū)間中，路段行程時間與流量、占有率之間都是顯著相關的。 第五，提出了一利基于探測車數據的路段行程時間估計方法。首先，分析了基于探測車數據的路段行程時間估計的誤差來源—采樣誤差和非采樣誤差；其次，有針對性地引入了自適應式卡爾曼濾波，并提出利用相似時間特征的歷史數據來標定狀態(tài)轉移系數。研究結果表明，自適應式卡爾曼濾波能夠較好地解決基于

6、探測車數據的路段行程時間估計問題，該方法具有估計精度較高、參數少、算法收斂速度快以及對初值不敏感等優(yōu)點。 第六，著眼于改善數學建模的準確性，提出了依據相似的交通流狀態(tài)(定點檢測器數據)來標定狀態(tài)轉移系數，實現了基于數據融合的路段行程時間估計。由于轉移系數與交通流量、占有率之間的復雜關系，引入了非參數統(tǒng)計方法——K—近鄰法來估計狀態(tài)轉移系數。研究結果表明，基于數據融合的路段行程時間估計方法，除具有基于探測車數據的路段行程時間估計方