道路线形自动识别方法研究

论文摘要

由于我国车辆保有量的快速增长,催生了诸如网络地图绘制、车辆定位和导航、智能交通系统等对实时更新、准确、详细的数字化地理交通信息服务的大量需求。近些年国家加大对基础设施的投资,道路的新建、拓宽和改建速度加快,现有的道路信息不准确和不完整性,即现势性差已成为亟待解决的问题。论文在国家自然科学基金“基于人车环境动态数据协同推演的汽车驾驶倾向性辨识方法研究”,山东省自然科学基金“基于交通态势评估的道路安全推理研究”和淄博市科技发展项目“城市道路威胁评估方法研究”的支持下,采用不同算法,着重对道路信息包括道路线形自动分类和出行者个性出行信息进行了深入研究。为了可持续性地更新道路信息数据库,利用车载GPS产生的大量路径跟踪轨迹信息,快速捕捉道路信息变化,分别提出了基于增量式贝叶斯分类器,ⅠVQ（Learning Vector Quantization Network）-Boosting模型和改进的SLFNs算法的道路线形自动分类方法。贝叶斯增量方法以数据流分类为基础,将增量学习理论应用于朴素贝叶斯算法；LVQ-Boosting算法以LVQ为基础分类器,采用改进的Boosting算法进行网络集成,进一步提高LVQ的泛化能力,从而获得一个使用弱分类算法却具有强分类性能的分类器；另外,利用软测量思想,提出将一趟聚类算法与基于奇异值分解的单隐含层前馈神经网络分类算法相结合,建立一个高效混合分类器,该分类器结构简单,而且具有较低的计算复杂度。此外,还结合道路交通条件和环境变化信息,分析道路交通易变性对道路线形抽取的影响,研究从GPS数据中快速、准确捕获道路变化,分类道路特征类型和提取新路的方法。三种方法均以GPS定位点坐标、速度,道路水平曲率和行驶方向作为基本识别特征和输入变量,以直线型道路,曲线型道路,丁字路口,十字路口和环交路等道路线形特征作为输出变量,实现自动识别道路线形特征,快速分组道路特征类型的目的。实验结果表明,三种数据分类算法均具有较高的道路线形的识别效率和精度,且改进的SLFNs算法的识别能力最优。此外,针对出行者个体需求的差异性,利用Weka分析平台,以某一驾车出行者为例,挖掘出行者出行信息规律,生成出行信息的分类决策树和关联规则,对出行者的出行信息进行定量分析,归纳出出行者对各类出行信息的个性要求。而且通过分类分析得到了出行信息的分类结果,通过关联分析得到了出行者个性出行信息间的相关性,通过聚类分析呈现出出行信息的相对聚集现象。缓解出行者面对大量出行信息时产生的过激反应、集聚反应等现象,从而为出行者提供便捷、智能的信息服务。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究意义
• 1.2 国内外研究现状及发展趋势
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.2.3 发展趋势
• 1.3 本文的结构安排
• 第二章 数据分类算法概述
• 2.1 数据分类问题特点及算法介绍
• 2.2 数据流分类问题特点及算法介绍
• 2.3 本文采用分类算法依据及特点
• 第三章 数据分类算法模型构筑
• 3.1 增量式贝叶斯分类器模型
• 3.2 LVQ-Boosting算法
• 3.2.1 LVQ网络模型
• 3.2.2 LVQ网络学习规则
• 3.2.3 Boosting算法
• 3.2.4 LVQ-Boosting算法
• 3.3 基于改进的SLFNs路形软测量建模
• 3.3.1 一趟聚类
• 3.3.2 SLFNs的改进
• 3.4 三种算法特点
• 第四章 数据采集与处理方法
• 4.1 GPS轨迹数据采集与处理
• 4.1.1 数据采集的基本方法及特点
• 4.1.2 数据处理
• 4.2 轨迹变化影响分析
• 第五章 实验分析进化性研究
• 5.1 增量式贝叶斯实验
• 5.1.1 分析及结果
• 5.1.2 小结
• 5.2 LVQ-Boosting算法实验
• 5.2.1 分类及结果
• 5.2.2 小结
• 5.3 改进的SLFNs路形软测量实验
• 5.3.1 测量验证及比较
• 5.3.2 小结
• 第六章 出行者个性出行信息挖掘研究
• 6.1 数据挖掘平台简介及数据采集
• 6.1.1 Weka简介
• 6.1.2 ARFF文件介绍
• 6.1.3 实验数据采集
• 6.2 出行信息分析
• 6.3 实验分析
• 6.3.1 分类规则
• 6.3.2 关联规则
• 6.3.3 聚类
• 6.4 结语
• 第七章 总结与展望
• 7.1 全文总结
• 7.2 展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的学术论文及科研成果