省域高速公路网车辆行驶线路分布数据的挖掘及应用研究
发布时间：2020-11-08 16:17
高速公路联网收费数据包含了海量的车辆在路网内行驶的记录，蕴含着丰富的交通行为信息。与传统的利用车辆检测器或者视频检测器观察道路运行状况的手段不同，联网收费数据是针对单目标车辆的，提供了一个从微观到宏观、从车辆到路网的研究途径，能够更加准确地把握交通行为、交通结构、交通分布在路网中的特征。以车辆检测器作为数据采集手段，在实际路段布设的车辆检测器容易发生故障，其数据完整性受到电源、网络、通信等因素的影响。以视频检测作为数据采集手段时，由于视频数据较大，对传输过程要求较高，不利于数据的实时分析和处理。联网收费数据受实际业务工作要求，必须保证其数据的安全、完整、及时传输。其次，联网收费数据能够准确地反映交通的车型、路线、行驶时间等信息，因此，以联网收费数据作为观察路网交通运行状态的窗口，具有较为明显的优势，也更适合于数据挖掘工作的实际业务应用。 本文将高速公路联网收费系统采集的海量原始数据作为数据源，结合实际路网的交通分布结构，深入高速公路运营管理部门的业务应用，开展基于路网交通分布结构数据挖掘的交通流预测研究。本文利用BP神经网络对短时断面交通流进行预测算法研究，可以获得不同收费站不同时段未来短时内的交通量估计，从而指导实际的运营工作协调、资源的优化配置。同时，在特殊时段、交通高峰期内及时疏导，有利于减少交通延误，提高路网的运行效率，促进高速公路运营管理和服务水平。基于路网交通分布结构数据挖掘的交通流预测研究，是将数据挖掘成果应用于实际业务的综合体现。 与此同时，基于路网交通分布结构进行联网收费数据挖掘的研究，可以实现路网交通分布结构稳定性的分析。经过验证，在实际路网运营中，两两收费站之间交通分布结构具有稳定性，其不同车型的周交通量构成具有特有的模式。以车辆来源、车型为划分准则，分析区域内各城市间交通行为的空间流向规律，可以探讨城市间交通行为与区域经济活动在季节、周期、路线方面的关联规则，开创了交通系统与社会经济互动研究的新思路，实现交通数据挖掘成果在社会经济领域的应用。
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2013
【中图分类】：U495
【部分图文】：
层通过输出层、隐层、输入层反传，并且根据学习规则修正网络各层整输入节点与隐层节点的联接强度和隐层节点与输出节点之间的联接使误差沿梯度方向下降。经过反复的学习和训练，确定与最小误差相权值和阈值），经过训练的神经网络能对类似样本的输入信息，自行过非线形转换的误差最小。络的学习训练过程指实质上就是在输入样本的刺激下，各层权值或参整，直到满足预先设定的学习次数，或者网络输出的误差可以接受，断地接近期望的输出，网络训练即完成。 网络结构和学习算法P 网络的结构如图 3-2 所示。
图 4.2 交通量曲线预测结果与实际交通量对比4.4.3. 短时断面交通量预测根据历史样本数据趋势和规律，结合当前时段的交通量数据，预测未来通流（15min 内）。根据不同断面的交通数据，对不同时段、不同断面、不本进行训练，不断尝试、调整参数，使得 BP 网络预测的准确性达到理想情验表明，分车型的预测结果误差较大，最大值为 20 辆车，且交通量变化与况趋势不太吻合。因此，仅对输入目标考虑为总车辆数。此外，在分时段内还要考虑车辆来源信息，由于车辆来源会比较多，逐使得网络抓不住重要特性，因此，可以利用 3 个关联性较强的其他断面作为不是训练所有的车辆来源特征。对路网内各断面，即收费站的交通量数据进行样本训练，可以获得不同
图 5. 1 2012 年各路线总车流量图5.5.3. 时间维度分析以陕西省路网 2012 年交通量为例分析，估算商界分公司所辖路段承担比例及特征，分析路段在路网时间、季节的周期性特征，判断与区域经济特征由于数据分析工作在 2012 年 11 月展开，所以路网各月份的数据截止至10 月份。 表 5. 3 2012 年路网 1 月至 10 月各月份交通量构成份 小型货车 中型货车 大型货车 超大型货车 集装箱车 货车总量 货车比例 中小客车 大客车 客车总量 客车比例1 96915 51019 38968 59096 430315 676313 0.402 947663 56541 1004204 0.598 2 84364 35954 29083 46722 327251 523374 0.324 1003542 87682 1091224 0.676 3 69625 35034 23098 40161 228505 396423 0.246 1138557 75076 1213633 0.754 4 99412 53568 38855 57648 433316 682799 0.373 1084543 61880 1146423 0.627 5 99777 52842 36017 52540 422919 664095 0.379 1031269 57792 1089061 0.621
本文编号：2875022
【学位单位】：长安大学
【学位级别】：硕士
【学位年份】：2013
【中图分类】：U495
【部分图文】：
层通过输出层、隐层、输入层反传，并且根据学习规则修正网络各层整输入节点与隐层节点的联接强度和隐层节点与输出节点之间的联接使误差沿梯度方向下降。经过反复的学习和训练，确定与最小误差相权值和阈值），经过训练的神经网络能对类似样本的输入信息，自行过非线形转换的误差最小。络的学习训练过程指实质上就是在输入样本的刺激下，各层权值或参整，直到满足预先设定的学习次数，或者网络输出的误差可以接受，断地接近期望的输出，网络训练即完成。 网络结构和学习算法P 网络的结构如图 3-2 所示。
图 4.2 交通量曲线预测结果与实际交通量对比4.4.3. 短时断面交通量预测根据历史样本数据趋势和规律，结合当前时段的交通量数据，预测未来通流（15min 内）。根据不同断面的交通数据，对不同时段、不同断面、不本进行训练，不断尝试、调整参数，使得 BP 网络预测的准确性达到理想情验表明，分车型的预测结果误差较大，最大值为 20 辆车，且交通量变化与况趋势不太吻合。因此，仅对输入目标考虑为总车辆数。此外，在分时段内还要考虑车辆来源信息，由于车辆来源会比较多，逐使得网络抓不住重要特性，因此，可以利用 3 个关联性较强的其他断面作为不是训练所有的车辆来源特征。对路网内各断面，即收费站的交通量数据进行样本训练，可以获得不同
图 5. 1 2012 年各路线总车流量图5.5.3. 时间维度分析以陕西省路网 2012 年交通量为例分析，估算商界分公司所辖路段承担比例及特征，分析路段在路网时间、季节的周期性特征，判断与区域经济特征由于数据分析工作在 2012 年 11 月展开，所以路网各月份的数据截止至10 月份。 表 5. 3 2012 年路网 1 月至 10 月各月份交通量构成份 小型货车 中型货车 大型货车 超大型货车 集装箱车 货车总量 货车比例 中小客车 大客车 客车总量 客车比例1 96915 51019 38968 59096 430315 676313 0.402 947663 56541 1004204 0.598 2 84364 35954 29083 46722 327251 523374 0.324 1003542 87682 1091224 0.676 3 69625 35034 23098 40161 228505 396423 0.246 1138557 75076 1213633 0.754 4 99412 53568 38855 57648 433316 682799 0.373 1084543 61880 1146423 0.627 5 99777 52842 36017 52540 422919 664095 0.379 1031269 57792 1089061 0.621
本文编号：2875022
本文链接：https://www.wllwen.com/jingjilunwen/quyujingjilunwen/2875022.html
