GPS浮動(dòng)車(chē)路段行程時(shí)間地圖匹配模糊C均值聚類(lèi)支持向量機(jī)碩士論文

1、采用低頻采樣浮動(dòng)車(chē)數(shù)據(jù)的城市路段行程時(shí)間估計(jì)與預(yù)測(cè)【摘要】 城市交通誘導(dǎo)系統(tǒng)是智能交通系統(tǒng)的重要組成部分,是緩解交通擁堵的重要方法。準(zhǔn)確、有效、實(shí)時(shí)的獲取、處理及發(fā)布交通狀況信息是交通誘導(dǎo)系統(tǒng)正常工作的基礎(chǔ)和保障。本論文依托浙江省科技廳重大專(zhuān)項(xiàng)課題“城市智能交通誘導(dǎo)系統(tǒng)關(guān)鍵技術(shù)研究與應(yīng)用”,采用低頻采樣浮動(dòng)車(chē)數(shù)據(jù)對(duì)城市路段行程時(shí)間估計(jì)與預(yù)測(cè)進(jìn)行了研究。針對(duì)GPS浮動(dòng)車(chē)地圖匹配的特殊性,提出了一種浮動(dòng)車(chē)智能地圖匹配及軌跡跟蹤算法。該算法綜合考慮了GPS數(shù)據(jù)誤差、路網(wǎng)拓?fù)浣Y(jié)構(gòu)、道路寬度、浮動(dòng)車(chē)行駛方向及車(chē)輛數(shù)據(jù)連續(xù)性等因素,可對(duì)車(chē)輛進(jìn)行精確定位及軌跡跟蹤。由于該算法可對(duì)數(shù)據(jù)進(jìn)行分批處理,大大提高了

2、數(shù)據(jù)處理效率。在地圖匹配及路徑跟蹤的基礎(chǔ)上,針對(duì)我國(guó)城市混合式交通及浮動(dòng)車(chē)采樣頻率低的特點(diǎn),提出了一種低頻采樣下的城市路段行程時(shí)間估計(jì)方法。首先綜合考慮了交叉口的影響因素,提出了改進(jìn)的端點(diǎn)時(shí)差法計(jì)算單車(chē)路段行程時(shí)間估計(jì),提高了路段平均行程時(shí)間估計(jì)數(shù)據(jù)來(lái)源的正確性。然后在此基礎(chǔ)上,結(jié)合交通流的周相似特性及出租車(chē)的特殊交通行為,利用模糊C均值聚類(lèi)對(duì)路段平均行程時(shí)間進(jìn)行實(shí)時(shí)估計(jì),建立了路段行程時(shí)間數(shù)據(jù)庫(kù),為行程時(shí)間預(yù)測(cè)提供了數(shù)據(jù)支持。針對(duì)交通參數(shù)短時(shí)預(yù)測(cè)中存在的. 更多還原【Abstract】 Traffic Guidance System plays an important role

3、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 t

4、ravel time based on low-frequency floationg car data was conducted in this paper. The work was supported by the project“Research and Application of the . 更多還原 【關(guān)鍵詞】 GPS浮動(dòng)車(chē)； 路段行程時(shí)間； 地圖匹配； 模糊C均值聚類(lèi)； 支持向量機(jī)； 【Key words】 GPS floating car； link travel time； map-matching； fuzzy c-means clustering； supp

5、ort vector machine； 摘要 5-6 ABSTRACT 6-7 第1章 緒論 10-20 1.1 研究背景及研究意義 10-11 1.2 研究對(duì)象 11-12 1.3 主要技術(shù)及發(fā)展現(xiàn)狀 12-17 1.3.1 行程時(shí)間采集方式 12-13 1.3.2 基于GPS浮動(dòng)車(chē)的路段行程時(shí)間/速度估計(jì)國(guó)內(nèi)外研究歷史與現(xiàn)狀 13-15 1.3.3 行程時(shí)間預(yù)測(cè)技術(shù) 15-17 1.4 主要內(nèi)容及論文結(jié)構(gòu) 17-20 1.4.1 主要研究?jī)?nèi)容 17-18 1.4.2 論文組織結(jié)構(gòu) 18-20 第2章 GPS浮動(dòng)車(chē)原理及關(guān)鍵技術(shù) 20-29 2.1 引言 20 2.2 GPS浮動(dòng)車(chē)系統(tǒng)原理及

6、應(yīng)用 20-22 2.2.1 GPS浮動(dòng)車(chē)系統(tǒng) 20-21 2.2.2 GPS浮動(dòng)車(chē)系統(tǒng)在ITS中的應(yīng)用 21-22 2.3 GPS定位原理 22 2.4 車(chē)輛的地圖匹配及軌跡跟蹤 22-26 2.4.1 基于車(chē)輛行駛方向的點(diǎn)線匹配算法 23-24 2.4.2 利用車(chē)輛行駛連續(xù)性修正錯(cuò)誤匹配 24-25 2.4.3 車(chē)輛軌跡跟蹤 25-26 2.5 實(shí)例分析 26 2.6 本章小結(jié) 26-29 第3章 路段平均行程時(shí)間估計(jì) 29-42 3.1 引言 29-30 3.2 模糊C均值聚類(lèi) 30-32 3.2.1 聚類(lèi)分析 30 3.2.2 模糊集 30 3.2.3 K均值聚類(lèi)算法 30-31 3.

7、2.4 模糊C均值聚類(lèi)(FCM) 31-32 3.3 單輛浮動(dòng)車(chē)路段行程時(shí)間估計(jì) 32-35 3.3.1 速度積分法和端點(diǎn)時(shí)差法 33-34 3.3.2 改進(jìn)端點(diǎn)時(shí)差法估計(jì)單車(chē)路段行程時(shí)間 34-35 3.4 路段平均行程時(shí)間估計(jì) 35-37 3.5 實(shí)例分析 37-41 3.6 本章小結(jié) 41-42 第4章 路段行程時(shí)間短時(shí)預(yù)測(cè) 42-59 4.1 引言 42-43 4.2 支持向量回歸機(jī) 43-48 4.2.1 -支持向量回歸機(jī) 43-46 4.2.2 -支持向量回歸機(jī) 46-47 4.2.3 核函數(shù) 47-48 4.3 路段行程時(shí)間預(yù)測(cè)模型的建立 48-53 4.3.1 時(shí)間序列支持向量

8、機(jī)預(yù)測(cè)模型 48-49 4.3.2 結(jié)合路段時(shí)空性的行程時(shí)間預(yù)測(cè)模型 49-50 4.3.3 回歸模型和核函數(shù)選擇 50-51 4.3.4 模型求解 51-53 4.4 實(shí)例分析 53-57 4.4.1 實(shí)例數(shù)據(jù) 53-54 4.4.2 實(shí)例應(yīng)用 54-57 4.5 本章小結(jié) 57-59 第5章 系統(tǒng)構(gòu)建與實(shí)現(xiàn) 59-69 5.1 引言 59 5.2 需求分析 59-60 5.3 系統(tǒng)構(gòu)建 60-64 5.4 系統(tǒng)實(shí)現(xiàn) 64-68 5.4.1 GPS管理系統(tǒng)實(shí)現(xiàn) 64-66 5.4.2 信息發(fā)布系統(tǒng) 66-68 5.5 本章小結(jié) 68-69 第6章 結(jié)論與展望 69-71 6.1 結(jié)論 69-70 6.2 展望 70-71 參考文獻(xiàn) 71-75 致謝【索購(gòu)全文】Q聯(lián)系Q：138113721 Q聯(lián)