论文部分内容阅读
随着城市化和机动化的快速发展,中国面临着严重的交通问题,例如交通道路堵塞、交通环境恶化、交通事故发生率增加等。如何有效地缓解交通压力并降低事故发生率,实时并且准确地获得周边车辆的行驶状态变得尤为重要。目前,基于无线感知信息预测短期车辆行驶状态被认为是有效解决交通安全问题的方案之一。为此,本文首先研究了车辆短期状态预测技术,然后提出了基于卡尔曼滤波理论的有效预测算法,主要成果如下:(1)针对高速移动车辆的速度预测问题,本文提出了一个射频识别(Radio Frequency Identification,RFID)系统,通过交换RFID标签和RFID阅读器之间的车辆数据来获取前车信息。在该射频识别环境下,本文提出了一种基于自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)的车辆速度预测算法。该预测算法中为了增强现时数据的影响力,降低旧时数据的影响力,在传统卡尔曼滤波算法(Kalman Filter,KF)的基础上引入了自适应遗忘因子。实验结果表明,本文所提出的算法相比于最小二乘法(Least Squares,LS)和传统的卡尔曼滤波算法,速度预测精度分别提高了87.5%和50%,因此本文提出的算法的实时性和准确性得到了充分的验证。(2)针对交叉口移动车辆的状态预测问题,本文提出了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆信息。在该网络系统下,本文提出了一种基于自回归滑动平均模型(Auto-Regressive Moving Average,ARMA)的两级量化自适应卡尔曼滤波(Two-Level Quantized Adaptive Kalman Filter,QAKF)算法,来预测车辆的行驶状态(行驶的方向,行驶的车道,车辆的速度和加速度)。仿真结果表明,相比于自回归滑动平均模型、传统卡尔曼滤波算法,回归树算法(Regression Tree,RT),无迹卡尔曼滤波(Unscented Kalman Filter,UKF)算法和长短期记忆网络(Long Short Term Memory,LSTM)算法,本文所提出的算法分别提高了90.62%,89.81%,88.91%,82.76%和70.77%的速度预测精度。