浮动车数据在城市道路交通事件检测中的应用研究

论文摘要

交通事件自动检测(Automatic Incident Detection, AID)是通过对布设于道路网络中各类固定或移动检测器采集的实时交通流数据进行分析,从而自动判定道路上有无交通事件发生的过程。交通事件在城市道路交通中时常发生,如车辆碰撞、车辆抛锚、危险物品泄漏、路面维护等等,除了事件本身造成的“点”损失外,引发的道路拥挤甚至堵塞更是给城市交通带来负面影响,如果不能及时清除事件或采取诱导措施,甚至会诱发二次事故。城市道路受到交通信号控制的影响,车流不具备自由流特征,适用于高速公路和快速路的很多算法对于城市道路并不适用。随着卫星定位导航技术和通信技术的快速发展,政府、企业、科研单位等的数据共享力度逐渐加大,浮动车数据日益成为道路交通信息的主要构成。浮动车数据具有样本量大、覆盖面广、能够及时准确反映道路交通状况的特点。本文按照浮动车数据质量控制、地图匹配、事件检测算法比较选择、事件检测算法效果评价的流程进行展开城市道路交通事件检测研究。重点对信号控制下事件对交通流影响规律进行分析,对自由流和拥挤流条件下分别采用CUSUM算法和K近邻算法进行事件检测,并建立了基于数据融合技术的交通事件检测模型,实验和实例证明检测效果较好。本论文主要完成以下五个部分工作:(1)归纳总结国内外在该领域的研究成果及最新进展,比较分析基于浮动车数据和其他交通采集数据的各类事件检测方法的优缺点,对它们的适用性进行深入细致的分析;(2)研究浮动车采集数据的质量控制问题。由于GPS定位、传输过程中环境客观存在各种干扰,由此引入很多误差。首先对浮动车数据的质量问题进行分析,在此基础上对存在问题的数据进行修复、删除等处理,为后续交通事件检测模型提供干净优质的输入数据。(3)研究面向大规模路网的浮动车数据地图匹配问题。包括杭州市在内的城市浮动车数据平均发送频率为60秒,一座城市的浮动车数以千计,而交通事件自动检测需求很强的实时性,这就要求地图匹配需要充分权衡效率和精度。(4)研究城市道路环境下事件检测方法。首先,由于交通信号控制的存在,道路上车辆表现为间断流的特征,红灯对于交通流的干扰和交通事件对交通流的影响存在相似之处,剔除周期性信号干扰是保证检测质量的关键,提出差分流量的概念;其二,不同道路环境下(如自由流和拥挤流)事件造成的阻塞对交通流影响不同,文中分别采用CUSUM和K近邻算法构建自由流和拥挤流条件下AID模型;其三,基于数据融合技术建立多源异构交通采集信息的AID模型。(5)实例和实验部分分别通过真实和仿真数据对检测模型效果进行评价。评价指标包括事件检测的准确性(通过误报率和检测率)和及时性(通过检测时间)来考察事件检测方法的有效性。最后,对全文进行总结。归纳论文创新点和存在的不足,并对进一步研究的方向进行展望。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 研究背景
• 1.2 问题定位
• 1.3 研究目的与意义
• 1.4 研究内容与技术路线
• 2 交通事件检测算法研究综述
• 2.1 概述
• 2.2 交通事件分类
• 2.3 交通事件自动检测算法
• 2.4 以往研究评述
• 2.5 本章小结
• 3 数据来源及预处理
• 3.1 浮动车采集数据质量控制
• 3.1.1 交通信息采集技术与方法
• 3.1.2 浮动车技术简介
• 3.1.3 浮动车采集数据质量及其成因
• 3.1.4 浮动车采集数据质量控制流程与方法
• 3.2 面向大规模路网的地图匹配
• 3.2.1 基本原理
• 3.2.2 匹配流程
• 3.3 本章小结
• 4 城市道路交通事件检测模型
• 4.1 问题的基本描述与研究思路
• 4.2 事件条件下交通流特征
• 4.3 交通流参数选取原则
• 4.4 自由流条件下交通事件检测
• 4.4.1 基本思想
• 4.4.2 差分流量
• 4.4.3 基于CUSUM 算法的事件检测模型
• 4.5 拥挤流条件下交通事件检测
• 4.5.1 基本思想
• 4.5.2 短时交通流预测模型
• 4.5.3 拥挤流下交通事件检测
• 4.6 基于数据融合的交通事件检测
• 4.6.1 融合层次
• 4.6.2 融合结构
• 4.6.3 融合方法
• 4.6.4 融合流程
• 4.7 本章小结
• 5 实证及实验
• 5.1 模块设计
• 5.1.1 系统物理结构
• 5.1.2 系统逻辑结构
• 5.1.3 数据传输
• 5.1.4 数据存储
• 5.2 实例分析
• 5.2.1 区域选择
• 5.2.2 评价指标
• 5.2.3 检测结果
• 5.3 实验分析
• 5.4 本章小结
• 6 结论
• 6.1 主要研究成果
• 6.2 论文创新点
• 6.3 研究展望
• 参考文献
• 致谢
• 作者简历
• 学位论文数据集