论文部分内容阅读
近年来,随着城市机动车保有量的快速增长,交通拥挤、交通事故及环境污染等城市交通问题日益突出,目前世界上很多城市都将发展智能交通系统作为解决城市交通问题的重要措施,而及时准确地获取动态交通信息是智能交通系统发挥有效作用的一个重要基础和前提。除了传统的路侧检测设备外,基于移动车辆的浮动车系统近年来也越来越多地应用到数据采集中,但由于固定检测技术和浮动车数据采集技术存在诸多差异,采集到的信息存在异质、不一致、不精确以及缺失现象,造成目前智能交通系统中输出信息在精度、完整性以及可靠性等方面的局限性。因此,本文基于快速路和主干道上收集到的多源交通流数据,提出了一套较为完整的面向区间实时速度估计的数据融合方案。其中,微波检测数据和浮动车数据作为快速路数据融合的基础数据,线圈数据和浮动车数据作为主干道数据融合的基础数据,将牌照检测数据作为反映实际交通状况的真实数据对模型进行检验。本文期望通过数据融合实现多源交通检测数据的互相补充校验,从而得到更加精确、全面、可靠的城市路网交通信息。首先,针对多源数据中存在的数据错误、缺失等现象,本文提出实用的错误数据剔除方法和缺失数据补缺方法;其次,结合遗传算法和BP神经网络的特点,采用GA-BP神经网络组合算法实现快速路和主干道多源交通检测数据的融合,以解决BP神经网络算法不易寻找最优解的缺陷;再次,根据研究对象、数据的空间粒度、数据缺失情况及补缺方法的不同,将数据融合模型分为三大类共33个子模型:快速路基于牌照区间的数据融合模型(12个子模型)、快速路基于链路的融合模型(12个子模型)及主干道基于牌照区间的融合模型(9个子模型)。最后,基于实际交通数据,利用平均绝对误差(MRE)和最小误差(LSE)两个指标对各模型的验证结果表明:各模型的精度高达82%-91%,经过GA-BP神经网络模型融合后的速度值均比融合前的任何单源交通流数据更接近于真值,模型的精度和有效性得到了很好的验证。