导读:本文包含了行程时间预测模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译,主要关键词:时间,行程,模型,神经网络,卡尔,平滑,数据。
行程时间预测模型论文文献综述
杨超,胡尧,商明菊,李扬,周江娥[1](2019)在《基于SV模型的行程时间预测》一文中研究指出行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。(本文来源于《贵州大学学报(自然科学版)》期刊2019年05期)
杨航,王忠宇,邹亚杰,吴兵[2](2019)在《基于二次修正的短时行程时间预测模型》一文中研究指出为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差叁个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.(本文来源于《同济大学学报(自然科学版)》期刊2019年10期)
程娟,陈先华[3](2019)在《基于梯度提升决策树的高速公路行程时间预测模型(英文)》一文中研究指出为研究高速公路行程时间预测方法,基于梯度提升决策树(GBDT)建立了行程时间预测模型.提出的模型中选用11个变量(当前时段行程时间T_i、当前时段流量Q_i、当前时段速度V_i、当前时段密度K_i、当前时段车辆数N_i、当前时段占有率R_i、当前时段交通状态参数X_i、前一个时段行程时间T_(i-1)等)预测向前10 min的行程时间.利用VISSIM仿真得到的数据对模型进行训练和测试.结果表明,GBDT模型的预测误差小于BP神经网络模型和支持向量机模型;GBDT模型中当前时段行程时间T_i在所有变量中最重要.GBDT模型能够得到更准确的预测结果,能深入挖掘变量与预测行程时间之间隐藏的非线性关系.(本文来源于《Journal of Southeast University(English Edition)》期刊2019年03期)
王学媛[4](2019)在《基于OBD数据地图匹配的城市道路行程时间预测模型研究》一文中研究指出智能交通系统(ITS)作为缓解城市交通压力的有效途径之一,已经成为城市交通发展的方向,而行程时间预测是ITS的核心研究内容之一,它在交通诱导系统、信号协调控制系统等ITS子系统中起着重要作用。目前国内外对行程时间预测研究大多基于浮动车和固定检测器数据,少有利用车辆诊断系统(On Board Diagnostic,OBD)数据进行相关的研究,而OBD可以获取车辆实际运行状态下的行车数据,数据量大且覆盖范围广,非常适合于进行交通预测研究。本文主要研究内容包括:(1)对OBD数据量及数据分布进行了统计分析,依据阈值法和统计结果对数据中的异常值和缺失值进行了识别与处理,提高了 OBD数据的质量。(2)基于车辆定位误差对电子地图进行格网划分,设置了定位点与路段的索引规则,计算并判定偏差距离与路段行车方向,将OBD数据精确匹配到电子路网上。以端点时间插值估计法为基础,针对车辆定位点在路段下游端点附近的位置不同,分别设置不同的端点时刻计算方法。以北京市阜成门外大街为实验道路,计算求得了该道路20个工作日的行程时间数据,经相关性分析,验证了行程时间数据的可靠性。(3)在城市道路行程时间预测研究中,提出了一种基于新息的卡尔曼滤波行程时间预测模型,通过观测新息的变化,实时调节噪声协方差,以提高卡尔曼滤波的稳定性;同时,建立了基于布谷鸟算法优化Elman神经网络的行程时间预测模型,引入最优鸟巢位置降低布谷鸟算法随机偏好游动机制的强随机性,利用改进后的布谷鸟算法优化Elman神经网络参数的初始值。(4)利用由OBD数据得到的道路行程时间数据对所建立的模型进行检验。结果表明,两模型的平均绝对百分比误差(MAPE)均小于4%,利用基于新息的噪声协方差调整后的卡尔曼滤波的MAPE较未调整前降低了 3%。经过布谷鸟算法优化后的Elman神经网络预测模型MAPE较未优化前降低了 3.3%,且相比于遗传算法,布谷鸟算法对Elman神经网络初始参数的优化效果更加显着。(本文来源于《北京交通大学》期刊2019-06-01)
刘昶[5](2019)在《基于时间序列的经典模型和LSTM模型的城市宏观行程速度预测研究》一文中研究指出本文从宏观视角对城市道路交通的日均速度进行了预测推演研究。研究对象是集计的基于网约车大数据的城市宏观行程速度,该数据是北京市六环内的城市道路日均速度,宏观意义上具有较高的研究价值。目前在交通流预测领域有很多研究方法,但是综合来看,研究的重点都是局部的交通状态,缺乏对交通流宏观状态的研究。本文以城市宏观行程速度为研究基础,将其看作一个时间序列并进行分解,发现数据中存在着有趣的季节性特征和趋势特征,基于此推演分析出了影响城市宏观行程速度的外部因素。随后,本文引入了时间序列模型的不同算法来建立不同的宏观预测模型。一方面,在时间序列模型的经典算法中,本文详细地研究了自回归移动平均模型(Auto-Regressive Intergrated Moving Average,ARIMA),为提高模型的信息捕捉能力,创造性地将时间序列分解过程与动态回归模型相结合,提出了 STL-ARIMAX模型,该模型能够在捕捉数据中更多信息的同时,提高预测精度。另一方面,在时间序列模型的神经网络算法中,本文使用了深度学习中的长短时记忆神经网络模型(Long Short-Term Memory Network,LSTM)来对宏观速度进行建模和预测推演,其可以将外部影响因素作为额外的特征维度来输入,因此LSTM模型具有较高的灵活性,预测效果也优于时间序列经典预测方法。本文以城市宏观行程速度为研究基础,对数据本身特点和其预测模型都进行了详细的研究,还对经典算法的流程和神经网络算法的输入分别进行了改进,更好地把握了宏观交通流速度的变化规律,以及速度受多种外部因素影响而产生的波动。可为相关交通政策的制定提供科学依据,同时为未来城市交通宏观特征的相关研究提供启发和参考。(本文来源于《北京交通大学》期刊2019-05-01)
景立竹,李群善,许金良,贾兴利,刘江[6](2018)在《基于v/C比和载重汽车混入率的高速公路基本路段车辆平均行程时间预测模型》一文中研究指出为了研究高速公路交通流状态对车辆通行时间的影响,以路段交通流饱和度v/C比(v为路段交通量,C为通行能力)和载重汽车混入率P作为综合反映交通流状态的基本指标。在P保持一致的前提下,在西安绕城高速公路选择满足特定几何条件的基本路段作为试验路段,采用基于媒体访问控制(MAC)地址的交通数据采集设备开展行程时间测定试验,采集小客车和两轴轻型载重汽车在不同v/C比下的行程时间数据。在此基础上,提出单位距离平均行程时间概念,采用SPSS回归分析法,分别建立适用于小客车和载重汽车的单位距离平均行程时间随v/C比呈指数变化的关系模型,并通过对比试验,对模型在不同线形条件下的适用性和预测结果准确性进行检验。以参数敏感性分析为依据,利用正交试验对VISSIM软件中的最小车头时距、平均停车距离、驾驶人期望车头时距3个仿真参数进行校准与修正,在此基础上开展不同P条件下的车辆平均行程时间仿真试验。结果表明:当P不同时,车辆单位距离平均行程时间预测模型中的3个修正系数也不相同;在P∈[0%,50%]、v/C∈[0.15,1.25]条件下,P越大,同一车型在同一v/C比状态下的单位距离平均行程时间也越大;与载重汽车相比,v/C比改变对小客车单位距离平均行程时间的影响更显着。研究结论可以为降低出行者时间成本、提高区域交通运行效率提供指导。(本文来源于《长安大学学报(自然科学版)》期刊2018年05期)
刘炀[7](2018)在《基于网格模型的城市交通运行状态识别和行程时间预测方法研究》一文中研究指出随着机动车辆的迅猛增长,特大城市的交通问题日趋严重,城市路网中事件多发、通行状态多变。能够快速、准确的对大城市路网中的交通状态识别和分析有着极为重要的意义。与此同时,随着大数据技术的飞速发展,海量轨迹数据的采集、传输、分析的技术逐步成熟,这也就使得我们能够通过对道路中海量浮动车的轨迹数据进行挖掘,及时发现路网中出现的问题,进一步提高路网的运行效率,也能够帮助路网中的参与者更高效、更安全的完成出行。在应用浮动车轨迹提取道路网中的交通参数的传统方法中,需要将轨迹数据与地理信息系统中的道路网络的矢量数据进行匹配,即通过匹配在道路上的车辆的位置和速度来完成路段交通运行参数的计算,因此在计算过程中,浮动车轨迹数据与GIS矢量地图缺一不可。而实际情况中存在GIS地图更新不及时和轨迹匹配计算量大两方面问题,因此此次研究提出一种方法,不以道路矢量地图为基础,仅通过浮动车轨迹数据实现城市交通运行状态判别、拥堵识别以及行程时间预测。即将研究区域划分为均匀网格,通过对海量浮动车轨迹数据进行处理提取网格的交通特征,将网格作为研究一定区域内交通问题的载体。因此本论文首先对浮动车轨迹数据进行预处理,然后构建网格模型对区域宏观交通运行状态进行判别;在此基础上,进一步深化网格模型,通过浮动车经过网格边界的轨迹数据,提取了网格的静态特征和动态特征,并以网格的特征数据针对拥堵识别和行程时间预测进行了深入研究,最终本论文的主要研究内容为以下五个方面。(1)通过对海量浮动车原始数据进行描述性分析,对原始浮动车轨迹中存在的质量问题归纳总结,建立了浮动车轨迹数据的预处理流程,并按照流程对2012年11月北京市浮动车的海量数据进行了校准和清洗,清洗结果能够较好的满足后续的研究需求。(2)构建网格模型,将浮动车轨迹数据与划分为网格的研究区域进行匹配,提取网格交通运行指数,通过数据挖掘,对网格模型下的城市交通运行状态判别方法进行了研究,通过对网格进行密度聚类,按照聚类结果,将大城市拥堵区域的类型从空间范围上划分为“点——线——面”叁个层级。(3)完善网格模型,对经过网格的轨迹数据进行解析、统计、聚类处理,提取轨迹经过网格的进出位置节点以及连通进出点组成的节点构成网格静态特征,提取轨迹从进入网格到离开网格的转移花费时间构成网格的动态特征,进一步将时间维度引入模型,统计分析网格内行程时间的时序变化数据,根据网格内节点对行程时间的历史数据,识别常发拥堵的节点对;结合实时行程时间数据,识别偶发拥堵事件。(4)深化网格模型,提出网格模型行程时间预测方法,以网格内历史行程时间和实时行程时间两类数据相结合作为准备数据,将多元线性回归和KNN非参数回归结合作为预测方法,对网格内节点对行程时间进行预测。通过对海量浮动车轨迹数据进行挖掘,提取两网格之间的多条轨迹,对网格模型节点对形式下的轨迹进行统计处理,提取出其中的有效路径,将路径提取方法和节点对行程时间预测方法相结合,给出针对给定OD两点,进行行程时间预测的方法。(5)应用网格模型,结合.NETFramework技术和ArcgisEngine技术,建立了基于浮动车轨迹数据的行程时间预测系统,系统针对研究区域,依照网格模型的构建方法,生成区域内网格化地图,结合导入的浮动车的轨迹数据,实现历史数据下的常、偶发拥堵的识别以及实时数据流下的偶发拥堵事件识别功能;实现网格模型下OD之间的路径提取以及当前交通状态下的路径行程时间预测功能;最终针对上述功能,应用Arcgis Engine的二次开发组件和动态链接库,实现可视化展示。(本文来源于《北京交通大学》期刊2018-05-30)
侯真超[8](2018)在《基于卡尔曼滤波和指数平滑法组合模型的公交行程时间预测》一文中研究指出随着经济社会的高速增长,城市居民购买的私家车数量也大幅增加,与此同时也带来了交通拥堵、资源不足等问题,我国城市道路交通出现的许多问题已经越来越成为影响现代化城市高速发展的重要因素,研究公交车辆的行程时间预测可以帮助提高城市公共交通系统的运行效率,降低公交车的运营成本,同时也是智能公交系统的重要发展方向。为了改善城市道路公交系统的服务质量,缓解城市道路交通资源的压力,许多科研人员对公交车的行程时间预测展开了大量的调查和钻研。本文首先介绍了公交车行程时间预测的研究背景及现状,然后介绍了常用的一些预测模型。针对其中存在的一些问题,本文主要做了以下工作:(1)本文将公交的行程时间分为站点停靠时间和站间路段行驶时间,对于站间路段行驶时间以前的许多研究一般都是根据目标线路公交的行驶信息建立预测模型,而在时间数据采集方面没有很好地考虑到突发性事件、公交车自身行驶区别等带来的差异,本文提出了以目标线路公交出行时间为基础融合其它线路公交信息的数据预处理方法,很好地处理了单一线路公交不足以反映实时道路交通流的问题,提高了预测结果的准确性。同时对于站点的停靠时间本文使用了改进K-means聚类算法对公交的历史停靠数据依据站点进行了聚类处理。(2)对本文提出的卡尔曼滤波算法与指数平滑法两个预测模型的基本内容进行了详细的描述,并根据两个算法各自的特点提出了卡尔曼滤波算法与指数平滑法的组合模型来预测公交车的行程时间,对两个算法相结合的优势、组合原理以及组合方法进行了详细的说明。(3)本文选取236线路公交行驶路线中的长江街泰山路站到北方医院站为实验路段,对中间的沙河子小区和第九印刷厂两个站点的停靠时间做了聚类分析,同时对站间路段行驶时间的预测中融合了190路和106路公交信息,并通过实验验证了多线路公交信息融合以及卡尔曼滤波与指数平滑法组合模型的预测准确度更好。(本文来源于《辽宁大学》期刊2018-04-01)
童小龙,卢冬生,张腾,黄晶晶[9](2017)在《基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例》一文中研究指出准确预测公交站间行程时间是先进的出行者信息系统(ATIS)的核心,是公交运营和管理的关键问题之一。本文采用改进的时间序列法进行公交车辆站间行程时间预测,利用游程检验法检验时间序列平稳性,并借鉴EMD算法把非平稳时序分解为若干个平稳时序的线形组合,然后对每个平稳时序用指数平滑模型预测。最后,依托苏州1路公交运行数据对该预测模型进行验证,结果表明,该预测模型不仅能够准确的预测公交站间行程时间,还能增强时间序列法对于突发事件的反应能力,大幅提高预测精度。(本文来源于《交通运输工程与信息学报》期刊2017年04期)
蔡火荣,何利力[10](2017)在《基于速度矩阵和人工神经网络的行程时间组合离线预测模型》一文中研究指出根据行程中车辆运行状态的时空相关性,结合矩阵的空间结构,构建了路段-时段平均速度矩阵,以表示车辆在行程中不同时空中的运行状态,并提出了一种基于该矩阵模拟车辆运行的行程时间离线预测模型。在此基础上,为了进一步提高该矩阵预测效果,结合相邻行程间的非线性规律,将路段-时间平均矩阵预测模型与BP神经网络模型相结合,构建出一种行程时间组合预测模型。以湖南中烟工业有限责任公司物流配送数据为数据集进行实验,结果表明:该组合模型的预测效果优于单一模型。(本文来源于《浙江理工大学学报(自然科学版)》期刊2017年06期)
行程时间预测模型论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差叁个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
行程时间预测模型论文参考文献
[1].杨超,胡尧,商明菊,李扬,周江娥.基于SV模型的行程时间预测[J].贵州大学学报(自然科学版).2019
[2].杨航,王忠宇,邹亚杰,吴兵.基于二次修正的短时行程时间预测模型[J].同济大学学报(自然科学版).2019
[3].程娟,陈先华.基于梯度提升决策树的高速公路行程时间预测模型(英文)[J].JournalofSoutheastUniversity(EnglishEdition).2019
[4].王学媛.基于OBD数据地图匹配的城市道路行程时间预测模型研究[D].北京交通大学.2019
[5].刘昶.基于时间序列的经典模型和LSTM模型的城市宏观行程速度预测研究[D].北京交通大学.2019
[6].景立竹,李群善,许金良,贾兴利,刘江.基于v/C比和载重汽车混入率的高速公路基本路段车辆平均行程时间预测模型[J].长安大学学报(自然科学版).2018
[7].刘炀.基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D].北京交通大学.2018
[8].侯真超.基于卡尔曼滤波和指数平滑法组合模型的公交行程时间预测[D].辽宁大学.2018
[9].童小龙,卢冬生,张腾,黄晶晶.基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例[J].交通运输工程与信息学报.2017
[10].蔡火荣,何利力.基于速度矩阵和人工神经网络的行程时间组合离线预测模型[J].浙江理工大学学报(自然科学版).2017