论文摘要
本文主要应用统计学和其他数学方法,使用大量实际交通流数据来分析交通行为,研究了快速路交通流数据是否存在以天或周为周期的重复性或相似性。在本文中,以时间序列的方式来表达每天的交通流数据,将交通流数据的相似性问题转化为对不同时间序列间相似性的研究,其中涉及到相似性度量函数的选择,相似模式归类等一系列问题。文章主要做了以下几项工作:统计了大量深圳市快速路的真实交通流数据,对原始的交通流数据进行统计意义下的过滤,剔除了错误的交通流数据,并使用线性估计的方法补偿了缺失的数据;讨论了各种相似性度量函数的定义和使用方法,包括定量的距离度量和定性的趋势分析方法,并应用到交通流数据研究中,对实验结果进行分析和对比,以此证明了交通流的确存在以天或周为周期的重复性或相似性;经过对交通流相似性的分析,创新性地提出了波带分析法来对交通流数据进行模式判定,通过将某天的交通流数据放到各种模式的波带中进行比较和分析,可以迅速地对该天的交通流模式进行判定。文章中对月平均模式、工作日模式和假期模式都进行了详细的分析,验证了交通流数据各种模式的存在,而各种模式以天或周为单位重复的出现也间接证明了交通流数据确实存在以天或周为周期的重复性或相似性。
论文目录
致谢中文摘要ABSTRACT1 绪论1.1 研究的目的和意义1.1.1 经典交通流模型与控制方法1.1.2 交通流相似性研究的意义1.2 本文主要研究内容及贡献2 相似性度量的数学基础2.1 定量方法2.1.1 Minkowski距离2.1.2 动态时间弯曲（Dynamic Time Warping，DTW）2.2 定性方法——位图法2.2.1 趋势因子2.2.2 趋势序列2.2.3 位图表示序列的相似性2.3 本章小结3 交通流数据的预处理3.1 所使用交通数据的来源3.2 交通流错误数据的判断3.2.1 交通流量（多天相同采样时间段）的正态分布性验证3.2.2 t分布检验法检验异常数据3.3 交通流数据的修复3.4 本章小结4 交通流t-q图的宏观比较与分析4.1 假期之间交通流t-q图的宏观比较4.2 工作日之间交通流t-q图的宏观比较4.3 工作日与假期之间交通流t-q图的宏观比较4.4 周与周之间的交通流量时变图之间的宏观比较4.5 宏观比较结果总结4.6 本章小结5 相似性研究——聚类分析5.1 聚类分析方法5.2 选择欧几里德距离进行聚类分析5.2.1 分为两类的聚类结果5.2.2 分为三类的聚类结果5.2.3 分为六类的聚类结果5.3 动态时间弯曲（DTW）5.4 位图法5.4.1 与欧氏距离的比较5.4.2 位图法所得结果分析5.5 本章小结6 模式判定——波带法分析6.1 单模式分析i）|-）×e%的单模式分析'>6.1.1 采样间隔为5分钟，ε=（（xi）|-）×e%的单模式分析6.1.2 采样间隔为5分钟，ε=e的单模式分析i）|-）×e%的单模式分析'>6.1.3 采样间隔为15分钟，ε=（（xi）|-）×e%的单模式分析6.1.4 采样间隔为20分钟，ε=e的单模式分析6.2 双模式分析6.2.1 工作日模式6.2.2 假期模式6.3 权重分析6.4 跳出点模式分析6.5 本章小结7 总结与展望参考文献作者简历学位论文数据集
相关论文文献
标签：快速路论文; 相似性论文; 时间序列论文; 数据挖掘论文; 交通流模式论文;
