GPS浮动车路段行程时间地图匹配模糊C均值聚类支持向量机硕士论文.docVIP

采用低频采样浮动车数据的城市路段行程时间估计与预测 【摘要】 城市交通诱导系统是智能交通系统的重要组成部分,是缓解交通拥堵的重要方法。准确、有效、实时的获取、处理及发布交通状况信息是交通诱导系统正常工作的基础和保障。本论文依托浙江省科技厅重大专项课题“城市智能交通诱导系统关键技术研究与应用”,采用低频采样浮动车数据对城市路段行程时间估计与预测进行了研究。针对GPS浮动车地图匹配的特殊性,提出了一种浮动车智能地图匹配及轨迹跟踪算法。该算法综合考虑了GPS数据误差、路网拓扑结构、道路宽度、浮动车行驶方向及车辆数据连续性等因素,可对车辆进行精确定位及轨迹跟踪。由于该算法可对数据进行分批处理,大大提高了数据处理效率。在地图匹配及路径跟踪的基础上,针对我国城市混合式交通及浮动车采样频率低的特点,提出了一种低频采样下的城市路段行程时间估计方法。首先综合考虑了交叉口的影响因素,提出了改进的端点时差法计算单车路段行程时间估计,提高了路段平均行程时间估计数据来源的正确性。然后在此基础上,结合交通流的周相似特性及出租车的特殊交通行为,利用模糊C均值聚类对路段平均行程时间进行实时估计,建立了路段行程时间数据库,为行程时间预测提供了数据支持。针对交通参数短时预测中存在的...?更多还原 【Abstract】 Traffic Guidance System plays an important role in the Intelligent Transportation Systems (ITS), which is an effective way to ease traffic jams. Dealing with the traffic status information effectively and accurately is the foundation and guarantee of Traffic Guidance System implementation. The research on estimation and prediction of urban link travel time based on low-frequency floationg car data was conducted in this paper. The work was supported by the project揜esearch and Application of the ...?更多还原 【关键词】 GPS浮动车； 路段行程时间； 地图匹配； 模糊C均值聚类； 支持向量机； 【Key words】 GPS floating car； link travel time； map-matching； fuzzy c-means clustering； support vector machine； 摘要 5-6 ABSTRACT 6-7 第1章 绪论 10-20 1.1 研究背景及研究意义 10-11 1.2 研究对象 11-12 1.3 主要技术及发展现状 12-17 1.3.1 行程时间采集方式 12-13 1.3.2 基于GPS浮动车的路段行程时间/速度估计国内外研究历史与现状 13-15 1.3.3 行程时间预测技术 15-17 1.4 主要内容及论文结构 17-20 1.4.1 主要研究内容 17-18 1.4.2 论文组织结构 18-20 第2章 GPS浮动车原理及关键技术 20-29 2.1 引言 20 2.2 GPS浮动车系统原理及应用 20-22 2.2.1 GPS浮动车系统 20-21 2.2.2 GPS浮动车系统在ITS中的应用 21-22 2.3 GPS定位原理 22 2.4 车辆的地图匹配及轨迹跟踪 22-26 2.4.1 基于车辆行驶方向的点线匹配算法 23-24 2.4.2 利用车辆行驶连续性修正错误匹配 24-25 2.4.3 车辆轨迹跟踪 25-26 2.5 实例分析 26 2.6 本章小结 26-29 第3章 路段平均行程时间估计 29-42 3.1 引言 29-30 3.2 模糊C均值聚类 30-32 3.2.1 聚类分析 30 3.2.2 模糊集 30 3.2.3 K均值聚类算法 30-31 3.2.4 模糊C均值聚类