城市区域交通状态演化过程分析

论文摘要

交通状态是对交通系统(或其子系统)某一时刻宏观运行情况的总体描述。在现代城市智能交通系统中,为了实现有效的交通诱导和交通控制,区域交通状态演化分析方法起着核心的作用。但现有的交通检测和分析方法方法多针对高速公路和单点、单线的情况,并不适合对高密度、强耦合的城市区域交通进行分析。本文以城市交通系统为对象,提出数种区域交通状态的分析方法和模型,并利用这些方法对城市交通的演化规律进行了研究。本文的具体工作包括:提出了一种分析区域交通状态模式的方法,选择流量向量作为反映区域交通状态的参量,并利用自组织神经网络对其进行聚类以获得交通状态模式,利用可视化方法分析了不同状态模式的物理意义、相互关系及其演化规律。针对区域交通中存在的空间相关性,本文提出利用离散小波变换对路段交通流向量进行多层次的特征提取,以挖掘不同路段流量序列之间在不同时间尺度上的相似性,并应用到异常路段识别和交通流预测中。上述方法都在真实交通数据上进行测试,并取得良好的效果。为了进一步考察城市交通系统的行为特性和及其背后的机制,本文还对区域交通流的波动现象进行了重点研究。本文对交通流数据进行详细分析,发现城市交通网络的流量波动符合一特定幂律,并且幂律指数依赖于观测窗口和外部驱动力强度等系统参数。本文提出了一个交通流波动非时齐泊松模型,能对上述现象做出简洁和解析性解释。仿真表明,此模型能复现真实系统中的多种波动行为。对城市区域交通流波动的分析和建模可以帮助我们分析采样窗口、内部因素和外部因素对系统的影响,从而更加深入地了解城市交通系统的整体运行规律

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 课题研究背景
• 1.2 国内外研究现状
• 1.2.1 交通状态分析方法研究现状
• 1.2.2 交通流预测研究现状
• 1.2.3 其他相关研究现状
• 1.2.4 研究现状总结
• 1.3 论文研究任务及成果
• 1.4 论文结构
• 第2章 区域交通状态分析方法
• 2.1 本章引论
• 2.2 基本理论介绍
• 2.2.1 自组织神经网络
• 2.2.2 离散小波变换
• 2.3 基于自组织神经网络的区域交通可视化分析
• 2.3.1 基本概念与思路
• 2.3.2 聚类及分析方法
• 2.3.3 实例研究
• 2.3.4 小结
• 2.4 基于小波变换的交通流相似性分析
• 2.4.1 基本概念与思路
• 2.4.2 基于离散小波变换的特征提取
• 2.4.3 基于自组织神经网络的特征向量聚类与相似性挖掘
• 2.4.4 实证研究
• 2.4.5 小结
• 2.5 本章小结
• 第3章 基于区域交通状态的交通流短时预测算法
• 3.1 本章引论
• 3.2 基本理论
• 3.2.1 k-近邻算法
• 3.3 区域交通流短时预测算法框架
• 3.4 实验结果
• 3.5 本章小结
• 第4章 城市区域交通流波动现象研究
• 4.1 本章引论
• 4.2 基本理论与研究现状
• 4.3 区域交通流波动现象实证研究
• 4.3.1 交通流波动的幂律现象分析
• 4.3.2 内部与外部成分的分离
• 4.3.3 空间上的非同构性与“热点”现象
• 4.3.4 日夜交通的区别
• 4.4 本章小结
• 第5章 城市区域交通流波动的非时齐泊松模型
• 5.1 本章引论
• 5.2 现有模型回顾
• 5.2.1 现有模型介绍
• 5.2.2 现有模型小结
• 5.3 城市区域交通流波动的非时齐泊松模型介绍
• 5.3.1 α与观测窗口大小Δt 的关系
• 5.3.2 α与外部驱动力的关系
• 5.3.3 Crossover 现象
• 5.3.4 模型小结
• 5.4 仿真结果
• 5.4.1 观测窗口大小α与Δt 的关系
• 5.4.2 α与外部驱动力的关系
• 5.4.3 Crossover 现象
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 研究工作总结
• 6.2 对未来研究的展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果