论文部分内容阅读
动态交通预测与诱导模型是智能交通系统研究的重要内容。目前动态交通预测与诱导模型的数据主要通过固定式检测器(如线圈检测器、超声波检测器、视频检测器等)采集,存在安装和维护成本高、覆盖范围小、仅能检测固定位置数据等不足,已无法满足智能交通系统发展的需求。随着GPS、GIS和无线通信技术的广泛应用,利用装备GPS的浮动车采集交通数据的方式,具有建设周期短、实时性强、覆盖范围广、数据精度高等优点,是交通数据采集技术的重要发展方向。因此,从理论和技术层面对浮动车采集方式下动态交通预测与诱导模型的研究,具有重要的理论意义和应用价值。在总结国内外相关理论研究的基础上,针对GPS数据与GIS数据的匹配、行程时间的预测和交通诱导模型进行了系统研究。率先把长时间间隔的浮动车GPS数据应用于城市动态交通预测中,创造性地提出了拟合角度距离模型和长周期的城市动态交通预测模型,首次将卡尔曼滤波平滑处理模型和相关法自适应滤波模型引入到动态行程时间预测中。解决了目前浮动车GPS数据应用于动态交通预测中存在的数据融合困难、动态行程时间预测模型误差大和诱导模型难以实现等关键问题,并指出了未来的研究方向。本文首先阐述了国内外基于浮动车GPS数据研究动态交通预测与诱导模型的现状,并研究了卡尔曼滤波理论、相关法自适应滤波理论、动态OD理论、以及动态最优路径诱导理论。总结出了现有研究成果在城区浮动车GPS数据匹配中错误率高,行程时间动态预测模型精度低,以及城区交通信息在几何网络模型中表达困难等问题。针对以上问题,确定了本论文研究的切入点。为了解决浮动车GPS定位数据不能落在GIS路网上的问题,研究了GPS数据过滤方法、坐标系转换算法,以及GPS数据与GIS数据融合的算法,率先提出了基于角度和距离的匹配模型。该模型在浮动车采样周期为1秒时,能够避免浮动车GPS数据在平行路间跳动和十字路口误匹配的问题,同时兼有点-线匹配速度和线-线匹配的精度。为了解决由浮动车的瞬时速度求取区间平均速度和预测路段行程时间变化信息的问题,研究了卡尔曼滤波理论,率先提出基于长时间间隔的GPS城市交通数据建立卡尔曼滤波方程的方法,并对卡尔曼滤波预测结果提出了参数回归的平滑处理方法。为了避免卡尔曼滤波中白噪声方差对行程时间预测结果的影响,本文把相关法自适应滤波理论引入到动态行程时间预测中,提出了应用浮动车GPS数据建立相关法自适应滤波模型的方法,并通过相对误差、相对误差平方和均值平方根、均等系数等误差指标,对误差进行了对比分析。结果表明,离散卡尔曼滤波模型的精度优于相关法自适应滤波模型。为了解决交通信息的表达问题,本文研究了GIS中的几何网络构建理论,提出了几何网络的改进方法。通过制定严格的编码规则,实现了路网中的单向行驶、转向限制、交通管制等交通信息在道路几何网络中的表达,使得改建后的几何网络充分满足了动态交通诱导的需求。为了解决动态最优路径诱导的问题,本文研究了动态OD理论,提出了改进Dijkstra的方法。结合本文构建的路网模型,改进的Dijikstra算法满足了交通诱导中搜索最优路径的需求。论文系统地研究了基于浮动车GPS数据的动态交通预测和诱导模型理论与方法,特别是在GPS数据匹配、基于卡尔曼滤波和相关法自适应滤波的行程时间预测、路网模型的构建、最优路径的搜索方法等方面取得了新的研究成果,为浮动车采集技术的实际应用提供了理论和技术依据。