论文部分内容阅读
随着城市汽车保有量逐年激增,道路交通供需矛盾日益突出,导致交通拥堵问题愈加严重。交通路段静态属性特征和交通流特性的不同使得这些路段在整个路网中的作用和重要程度具有差异。某些路段在路网中起着关键作用,这些路段一旦失效(如发生事故、施工及堵塞等),会降低交通路网连通性并影响路网整体性能,甚至引起路网大面积交通拥堵。智能检测技术的发展以及在交通领域的广泛应用,产生了种类多样、数量庞大的交通数据,为城市路网关键路段识别提供了更全面、丰富的基础信息。因此,结合响应速度快、自学习能力强的多源信息处理技术,运用多检测源采集的海量交通数据进行城市路网关键路段识别研究,可以为路网结构优化、交通管理控制以及应急疏散与救援提供有效的决策支持。
首先,从关键路段识别对静态、动态数据的需求出发,分析了数据采集技术性能特点及多源动态数据基本特征;根据交通流基础理论中参数选取原则介绍了常用参数指标的计算方法;针对道路网络交通流的复杂性,阐述了多源信息处理技术在关键路段识别中的应用优势,并介绍了相关的经典计算模型及其优缺点。
其次,根据浮动车GPS数据异常情况提出了基于FME的数据处理与地图匹配方法并采用ArcGIS对GPS轨迹数据进行了时态分析;在对固定检测数据采用阈值法结合马氏距离进行故障识别的基础上,构建了基于GM(1,N)-GA-WNN的故障数据预测修复模型。针对单源数据的局限性和多源信息的互补性,在时空匹配的前提下结合思维进化算法的全局搜索及BP神经网络的自适应学习优点,设计了基于MEA-BP的多源数据融合模型。算例验证表明,修复、融合模型能以较快速度得到高质量、高覆盖率的关键路段识别基础数据。
最后,针对路段交通流的传播性和方向性,提出了基于有向加权复杂网络的城市原始路网模型,减小了关键路段识别模型构建的复杂性;根据路网自身结构特征和融合交通参数数据,在结合时空相关系数量化路段与周边邻接路段交通流相互影响程度的基础上建立了合理的关键路段评价指标体系,并综合考虑主客观因素对指标权重分布进行了优化,提出了基于AHP-Entropy-TOPSIS的城市路网关键路段识别模型,采用变异SI的传播动力学模型对关键路段识别方法的可行性进行验证。案例分析表明,基于多源信息处理技术的城市路网关键路段识别模型具有较强稳定性和较高准确度。
首先,从关键路段识别对静态、动态数据的需求出发,分析了数据采集技术性能特点及多源动态数据基本特征;根据交通流基础理论中参数选取原则介绍了常用参数指标的计算方法;针对道路网络交通流的复杂性,阐述了多源信息处理技术在关键路段识别中的应用优势,并介绍了相关的经典计算模型及其优缺点。
其次,根据浮动车GPS数据异常情况提出了基于FME的数据处理与地图匹配方法并采用ArcGIS对GPS轨迹数据进行了时态分析;在对固定检测数据采用阈值法结合马氏距离进行故障识别的基础上,构建了基于GM(1,N)-GA-WNN的故障数据预测修复模型。针对单源数据的局限性和多源信息的互补性,在时空匹配的前提下结合思维进化算法的全局搜索及BP神经网络的自适应学习优点,设计了基于MEA-BP的多源数据融合模型。算例验证表明,修复、融合模型能以较快速度得到高质量、高覆盖率的关键路段识别基础数据。
最后,针对路段交通流的传播性和方向性,提出了基于有向加权复杂网络的城市原始路网模型,减小了关键路段识别模型构建的复杂性;根据路网自身结构特征和融合交通参数数据,在结合时空相关系数量化路段与周边邻接路段交通流相互影响程度的基础上建立了合理的关键路段评价指标体系,并综合考虑主客观因素对指标权重分布进行了优化,提出了基于AHP-Entropy-TOPSIS的城市路网关键路段识别模型,采用变异SI的传播动力学模型对关键路段识别方法的可行性进行验证。案例分析表明,基于多源信息处理技术的城市路网关键路段识别模型具有较强稳定性和较高准确度。