一、道路网短期交通流预测方法比较（论文文献综述）
陈德启[1]（2021）在《基于浮动车数据的信号交叉口运行态势推演与配时优化方法》文中提出信号交叉口在道路网中扮演着重要的角色,交叉口的瓶颈问题已成为引起交通延误、制约交通效率的重要因素,因此制定合理的管控策略以缓解交叉口延误是十分必要的。然而,用于感知信号交叉口运行态势、诊断延误原因、预测交通演变规律、优化信号配时方案的传统技术手段在面对现阶段的越发复杂的交通状态时逐渐呈现出疲态。交通大数据和新兴智能技术的出现为降低交叉口延误提升运行效率带来了新的契机。其中,浮动车数据凭借着覆盖范围广、采集成本低、数据量大、时空信息丰富的优点,逐渐在交通出行特征的研究中流行起来。浮动车数据可以实时地检测信号交叉口的运行状态,被认为是感应道路网络运行脉络的“听诊器”,但是作为新兴的数据源,如何更好地发挥浮动车数据在交叉口的作用还有待深化研究。为了深入理解、梳理、挖掘浮动车数据的特征规律,本文以网格模型为匹配方法实现快速、有效地提取交叉口区域浮动车数据的时空特征,掌握浮动车数据的运行规律及演变机理,实现对信号交叉口运行状态精细化的评价和延误原因的自动诊断,是精准预测交叉口运行状态的基础和前提。基于此,构建了多任务融合深度学习框架,对大范围交叉口通行时间和速度特征进行有效地预测,并为后续的自适应配时优化方案提供技术基础。信号配时优化方案主要包括两个部分,构建深度强化学习模型和提取浮动车数据的交通状态,旨在浮动车数据的基础上设计更加有效的信号配时方案,提升信号交叉口的运行效率。本文的主要研究内容和发现分为以下四个方面:（1）基于海量浮动车数据,深入挖掘浮动车数据的基本属性特征、时空特征、环境特征和演化规律。构建交叉口网格模型用以匹配浮动车数据,提取交通特征。利用基于网格模型的模糊C-均值聚类方法界定信号交叉口的影响区域,精准地刻画不同交叉口、不同通行方向的影响范围。此外,利用网格模型可以快速地、精准地识别浮动车轨迹数据的方向。结果表明,网格模型可以有效地支撑信号交叉口的运行状态的研究。（2）基于网格模型提取浮动车数据的出行特征,通过估算交通参数和信号配时参数构建信号交叉口运行状态评价体系和延误诊断指数,以实现对信号交叉口运行状态感知和延误问题的自动识别。案例研究发现,本文构建的信号交叉口运行评价方法可以有效的感知信号交叉口的整体和内部的服务水平。信号配时参数计算方法可以对固定配时方案的配时参数实现精准地估算。所构建的延误诊断指数可以有效地诊断延误原因。相关结果和发现可以有效地支撑交叉口交通参数预测和配时优化策略的研究。（3）基于多任务融合深度学习模型MFDL（Multi-Task Fusion Deep Learning）对大范围信号交叉口的通行时间和速度进行协同预测。MFDL模型充分考虑了交通参数的时空特征、拓扑结构特征、天气环境特征,并利用残差神经网络提升模型深度,释放模型预测的潜能,采用注意力机制自动分配多维变量的权重,展现特征融合的优势。案例研究发现,与基础模型对比,MFDL模型的精准度更高。通过更改MFDL模型本身变量组对模型自身分析,发现模型具有较强的鲁棒性。与单任务模型对比,发现MFDL模型能够发挥变量之间信息共享的优势,减少训练时间、提升预测精度。相关结果和技术可以辅助构建深度强化学习配时优化方法。（4）基于深度强化学习模型3DQN-PSTER（Double Dueling DQN Priority Sum Tree Experience Replay）实现信号交口的自适应控制。3DQN-PSTER模型融合了Double DQN、Dueling DQN技术和优先级经验回放策略提升了模型性能。利用SUMO（Simulation of Urban MObility）仿真总体数据、浮动车数据、感应线圈数据的交通环境,并进行仿真优化。案例研究发现:3DQN-PSTER模型具有收敛速度快、稳定性强、优化效果显着的优点。在不同的交通量、不同方向的进口道的场景下与不同的配时优化方案对比,发现基于3DQN-PSTER的配时方案RLSC在实时的、非均衡的动态交通流环境中具有独特的优势。此外,在浮动车数据的交通环境中,发现渗透率越高,模型学习过程表现得越稳定,所训练的模型的优化效果越显着。本文按照发现延误、诊断延误、态势推演、缓解延误的研究思路。利用浮动车数据感知信号交叉口的运行态势、诊断延误原因、预测交通参数、优化配时方案的一系列工作,将交通大数据处理技术、深度学习方法和强化学习方法应用于交叉口复杂的交通状态。本研究对降低信号交叉口延误提升整个路网的运行效率具有重要的理论价值和实际指导意义。
薛松[2]（2021）在《GPS数据驱动的城市道路网交通状态分析及拥堵模式预测》文中进行了进一步梳理出租车轨迹数据可以揭示城市路网交通运行状态以及乘客出行行为的变化情况,统计学理论、机器学习以及深度学习等数据挖掘方法的发展促进了交通领域对出租车GPS数据等交通出行大数据的深入研究,也促进对交通运输系统的运行状态进行精准分析和预测,进而为出行者更高质量的交通出行和科学的交通管理与决策提供了支撑与服务。本文分析挖掘了北京市出租车浮动车数据,以“出租车GPS数据与路网预处理→交通运行状态综合评价指标的构建→交通运行状态分析→交通拥堵模式预测模型的构建→案例分析”为主线,对交通运行状态分析以及预测方法展开研究。本文的主要研究内容如下:（1）以出租车GPS数据为基础,构建了不同道路等级的评价体系,提出了基于直接模糊熵的多指标融合算法。首先,从电子标签/牌照识别、GPS浮动车数据、事故数据以及道路交通传感器四个方面,对基础数据源进行分析,确定了评价指标选取原则与标准;其次,通过分析出租车GPS数据和模糊C均值聚类算法,建立出租车GPS轨迹与交通状态相结合的综合数据模型,为后续研究提供数据支持。据此,根据出租车轨道数量和每条轨道的平均速度,构建了不同等级道路的交通运行状态;然后,在基础评价指标的基础上,利用直接模糊熵构建了不同道路等级的评价体系,确定快速路、主干路和次干路/支路交通状态的综合评价指标。（2）构建了交通拥堵模式差异性计算方法,并从时空角度分析了多层次城市道路交通运行状态。在综合评价指标的基础上,从维度、适用数据类型、绝对数值的敏感度以及研究目标的契合度四方面,确定了交通拥堵模式时空差异性的描述方法;基于欧式距离以及统计学理论方法,立足于时间和空间两个特征,从路段、线路以及路网三个层次评价分析了交通拥堵模式以及交通运行状态,实例验证了综合评价指数用于交通运行状态等级划分和评价的可行性。（3）构建了嵌入时空相关性变量的长短期记忆人工神经网络预测模型。首先,确定了以长短期记忆人工神经网络（Long Short-Term Memory,LSTM）为架构的预测模型;然后结合相关系数以及预测理论从时间、空间以及时空三个角度构建了LSTM模型的输入变量,并给出了相应的阈值判断标准;最后,利用嵌入时间变量的长短期记忆人工神经网络（Temporal-Long Short-Term Memory,T-LSTM）模型、嵌入空间变量的长短期记忆人工神经网络（Spatial-Long Short-Term Memory,S-LSTM）模型以及嵌入时空变量的长短期记忆人工神经网络（Temporal–Spatial Long Short-Term Memory,TS-LSTM）模型分别对不同路段展开综合评价指标预测研究,分析时间、空间以及时空关系对预测精度的影响,并将TS-LSTM模型的预测结果与传统机器学习模型支持向量机（Support Vector Machine,SVM）以及基础深度学习模型LSTM进行了对比分析。预测结果表明,TS-LSTM模型结合了统计方法以及深度学习的优势,具有更好的预测性能,适用于交通拥堵模式的预测。
陈萌[3]（2021）在《基于改进的图注意力网络的交通流预测研究》文中研究说明随着城市化进程加快,交通负载压力变大,亟需科学的管理和调度,发展智能交通系统势在必行。衡量交通负载状态需使用交通流量指标,准确预测交通流量对相关交通调度与管理至关重要。目前对于交通流量的预测研究,主要集中于抓取历史数据的时间序列特征,对于道路网中动态的空间相关性特征的分析不足,导致预测模型与真实值有较大偏差。针对这些问题,本文提出了一种基于改进图注意力网络的交通流预测模型,具体工作如下:模型采用编码器-解码器（Encoder-Decoder）的系统架构,其中编码器和解码器都由多重的时空注意力模块组成,来模拟空间和时间因素对于交通条件的影响。每个时空注意力模块由空间注意力机制和时间注意力机制组成,并且通过门控递归单元进行时空特征的融合。输入模型的交通流量数据将由编码器进行编码,由解码器进行预测并输出预测序列。并提出一个时空嵌入模块,将在时间和空间注意力的建模过程中,将道路网结构特征和时间信息纳入其中。针对道路网传播中的错误传播问题,在编码器和解码器架构中加入一个转换模块,来进行转换编码,对历史时间和未来时间之间进行直接建模,通过注意力系数来自适应筛选进入解码器的特征信息,以减少误差影响。然后,本文在真实的数据集上,对模型进行训练并且与现有的典型交通流量预测模型,ARIMA,SVR,LSTM,STGCN,DCRNN等模型进行对比实验,以平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）作为评价标准,在15分钟、30分钟和60分钟的预测上取得了优秀的性能,误差指标有所降低,特别是对于长时（60分钟）的交通流量预测取得不错的结果。进一步对模型的容错能力进行分析,验证了模型在残缺的数据集上具有稳定的预测性能。此外,通过消融实验,充分证明了本文模型中各个子模块对于提升模型的预测性能真实有效。
王俊栋[4]（2021）在《雨雪天气因素影响下的高速公路短时交通流预测》文中提出随着社会的不断发展,汽车保有量飞速增加,道路拥堵等一系列交通问题变得越来越突出。这些突出的交通问题亟待解决,但方法效果都只是治标不治本。智能交通系统的出现能够很好的帮助解决道路交通系统内存在的一些问题。而道路交通流预测又是实现智能交通系统中最关键的技术。交通流预测就是利用历史交通流数据来提前预测未来一段时间内的交通流数据。准确且具有时效性的预测交通数据可以为道路使用者提供优化出行计划、降低相关成本的信息。根据道路上的交通流预测报告,有关管理部门可以采取有效的交通管理措施来疏解道路拥堵。短期交通流预测问题变得越来越热门,因此越来越多的交通流预测方法层出不穷。与城市道路相比,高速公路交通流更容易受到不利天气因素的影响,特别是多雨、多雪环境的影响。高速公路由于道路环境比较封闭,不受横向交叉口的影响,道路上车速较快,交通流比较稳定。但是封闭的高速公路运行环境却容易受到不利天气的影响,在雨雪天气下,高速道路路面湿滑,会严重影响车流的速度等,因此会对整段封闭的高速公路环境交通流造成很大的影响。然而,国内外对交通流预测模型的研究大多只关注特定环境下的交通数据本身,很少考虑在雨雪天气下雨雪天气因素对高速公路交通流的影响。因此,本文主要将雨雪天气因素的影响考虑到高速公路的交通流量变化中,不再单一的研究,而是将天气因素作为模型约束参数,构建雨雪天气因素影响下的高速公路短时交通流预测模型。通过美国公开数据集Pe MS和美国Meso West这两大网站分别获取本文实验所需的交通流数据、天气数据,获取到两种原始数据后进行补全、去噪、归一化等数据预处理,通过利用相关系数矩阵的方法,然后相关性分析出两者之间相关性最大的天气因素,接着将两种数据输入模型中进行不断的学习,将两种数据所独有的特征进行提取,接着考虑交通流数据会在不同的时间节点具有不同的规律,分别对工作日及非工作日进行预测。最终验证得出:本文提出的雨雪天气因素影响下的高速公路短时交通流的预测模型对比未考虑雨雪天气因素影响下的预测模型,其精确度更高,可行性更强。同时准确的交通流预测结果也可为交通管理者制定交通管控及诱导措施提供数据支持,也为政府及相关部门对道路合理的规划与管理提供了理论支撑。
于舰[5]（2021）在《交通事件影响下的城市道路网载能力模型研究》文中研究表明交通事件是可能引起城市道路网通行能力降低和服务水平下降的非正常事件,为了更加直观、明确地了解交通事件与城市道路网运行状态之间的关系,引入城市道路网承载能力这一概念来评估交通事件对城市道路网运行状态的影响程度。目前,国内外学者多从城市整体的角度来评估城市道路网的承载能力,应用城市基础设施、人口、发展水平等参数判断承载能力的变化,对于城市道路网承载能力的针对性研究较少,有关交通事件对城市道路网承载能力影响的研究更为稀缺。本文旨在通过对交通事件的归类分析,构建交通事件影响下的城市道路网承载能力模型,结合动态交通分配方法,研究交通事件对城市道路网运行状态的影响,为更妥善、高效地解决和消除交通事件对城市道路网的影响提供思路。从交通事件特性入手,分析各类交通事件的持续时间和影响程度,探究不同类型交通事件的时空分布特性对城市道路网的影响。界定城市道路网承载能力概念,研究城市道路网承载能力的特征,解析其影响因素之间的相互作用,融合道路交叉口利用系数、车道综合利用系数等参数,并考虑交通均衡配流建立城市道路网承载能力模型。提出多节点城市道路抽象化网络、OD路径选择型路网两类城市道路抽象化网络,构建路段影响型事件、路段截断型事件、区域影响型事件和全面影响型事件四类交通事件影响下的城市道路网承载能力模型,并应用vissim软件的动态交通分配功能实现交通均衡配流,从而具体化分析各类交通事件对城市道路网承载能力的影响程度。根据构建的交通事件影响下的城市道路网承载能力模型,以大庆商城区域为城市道路抽象化网络实例,模拟路段影响型事件和全面影响型事件这两类事件的发生状态,应用vissim软件进行模拟实验,验证模型的适用性及可行性,并根据研究结果得出交通事件对城市道路网承载能力影响的变化规律,为交通管理者应对各类交通事件产生的影响提供思路。
朱杰[6]（2021）在《基于出行大数据的城市重点区域交通状态识别方法与应用研究》文中研究说明近年来,机动车保有量和交通出行量的不断提升,加上违规占道及乱停车等现象屡禁不止,导致学校和医院及周边等重点区域的交通拥堵问题越发严重。学校与医院等城市重点区域往往是居民交通出行的主要区域,城市重点区域的交通运行状态与居民生活息息相关。交通拥堵不仅增加了出行过程中的延误,也使得交通事故发生率提高,严重威胁中小学生与医患人员的出行安全。然而,我国应用的城市交通运行状态识别,主要从宏观角度出发,重点关注道路网络全局交通运行变化情况,较少有微观指标专门针对学校、医院等重点区域的交通运行状态识别,不利于交通管理部门提早采取疏导应对措施。为方便交通管理部门提前制定重点区域疏导措施和诱导社会公众合理安排出行,急需针对学校、医院等重点区域的交通运行状态识别研究。本文基于智慧交通的处理思路与技术,分别从重点区域交通数据处理、运行状态识别、识别状态应用三个层面,开展城市重点区域交通拥堵识别技术与应用的研究。交通数据处理方面,主要开展重点区域交通数据填补、交通数据短时预测研究;运行状态识别方面,主要开展重点区域交通状态识别研究;识别状态应用方面,主要开展重点区域交通信息查询和信息服务方案发布研究。本文的主要研究成果如下:（1）提出含缺失权重的交通流量矩阵化数据填补模型数据填补是开展交通拥堵状态识别的前期工作,考虑到数据存在不完整的情况,从时间和空间两方面入手,利用机器学习法,建立数据填补模型。首先,针对历史数据,优化现有深度学习方法,构建基于领域-降噪堆叠自编码器（ND）模型,弥补缺失或损害的数据;然后,引入空间处理思路,研究构建含缺失权重的交通流量矩阵化填补模型。实验发现,模型在处理完全随机交通数据恢复、随机卡口缺失数据恢复中,均取得较好恢复效果。（2）提出基于时序残差网络的重点区域短时交通预测模型以预测精度高和资源占用少为目标,建立基于时序残差网络为基础的重点区域短时交通预测模型。模型主要由中心模块与独立模块构成,前者在于发现共性问题,后者主要就各条道路提炼个性问题,接着借助模型融合形成时序残差网络交通流预测模型。实验发现,短时预测模型精确较高,达到Acc0.02的97%且所需参数较少。（3）提出基于聚集交通量比里程分布的重点区域交通状态识别模型从微观角度出发,首先验证聚集交通量变化与交通拥堵的产生、发展与消散存在密切的相关性;然后针对区域内重点导致拥堵的路段进行挑选研究;之后运用粗糙集模型对交通拥堵区间进行细分;最后依托学校和医院监测数据,完成了聚集交通量比里程概率分布模型的建立,形成分段线性方程,并提出评价重要区域交通指数方法。相较传统指数,模型在评估区域范围交通拥堵状态方面精准性更高。（4）提出基于动态Dc-top-k的交通状态信息查询算法从动态分区方面进一步完善了Top-k查询算法。首先,运用分治检索的思路,形成Dc-top-k选择算法。然后,引入动态自适应分区算法,进一步优化Dc-top-k算法,增加智能分区功能,形成动态自适应分区Dc-top-k算法。实验发现,同其它选择算法相比来说,动态自适应分区Dc-top-k算法在查询效果与扩展性方面表现突出,非常适用于并行处理。上述四项研究从数据处理、状态识别、结果应用三个层面完成了城市重点区域交通状态识别及应用工作,从微观层面提出了有针对性的评价方法,为后续更准确分析研究和有针对性治理措施提供有力保障。此外,智慧交通的应用和用户使用都离不开信息交互系统的支持。文章根据高德地图和北京市公安交管局提供2019年全年学校医院周边道路监测数据,利用高德开放式平台,结合各项研究成果,进行实例研究,将北京市学校、医院等重点区域交通信息发布服务方案进行发布,为交通管理部门和社会公众提供实时拥堵信息查询。
王震[7]（2020）在《雨天环境下高速公路交通流特性分析及预测研究》文中研究说明目前,我国道路的交通管控和行车安全问题日益凸显。相比城市道路,高速公路的交通流具有更强的时变特性,也更容易受到不利天气因素,特别是雨天环境的影响。因此,本文基于北京市的降雨数据和高速公路的交通流数据,研究雨天环境下高速公路的交通流特性,掌握其分布和变化规律,并对其做出准确稳定的预测,为交通管控提供依据,保障交通系统的稳定运行。论文的主要内容有:（1）针对降雨数据和高速公路交通流数据进行了时空匹配。首先,针对错误的交通流数据,采用一种融合阀值法和交通流基本理论的方法进行数据剔除。其次,针对非连续缺失的交通流数据和降雨数据,采用最邻近均值填充法进行数据填充。然后,将清洗后的交通流数据和降雨数据统一粒度,完成两种数据的时间与空间匹配,提升数据的准确性和可用性。（2）分析了降雨对高速公路交通流特性的影响。首先,分析了高速公路工作日和周末的交通流基本特性,描述了交通流速度和交通流量的分布与变化规律。其次,针对影响交通流参数（自由流速度、速度和流量）的潜在因素,包括降雨强度、日期类别、车道数量和时段,通过多因素方差分析的方法探究了这些因素对交通流参数的独立影响和交叉影响的显着程度。然后,基于显着性分析的结果,利用统计方法分析了各影响因素的不同水平对交通流参数的影响程度。（3）提出了基于LSTM的雨天环境下交通流预测模型。首先,使用三种自适应调整学习率的梯度下降优化算法对LSTM模型的内部权重进行优化,经过验证得出Adam算法的性能最优。其次,使用一种自适应非线性惯性权重PSO算法对LSTM进行参数寻优,构建了APSO-LSTM交通流预测模型。然后,利用搭建的预测模型进行不同降雨场景下的交通流预测,以历史速度、流量和降雨量的时间序列作为输入来预测速度和流量。通过实际路段进行验证,加入SVR模型进行对比。结果表明,APSO-LSTM模型的预测精度和稳定性均优于LSTM模型和SVR模型。（4）提出了基于GRU的雨天环境下交通流预测模型。首先,针对LSTM模型和APSO-LSTM模型在持续性降雨场景下的可移植性和预测精度有待提升的问题,在LSTM网络的基础上提出了GRU网络。其次,通过Adam算法和APSO算法分别对GRU模型的内部权重和参数进行优化,提出了APSO-GRU交通流预测模型。然后,在相同的路段和降雨场景下进行实例验证,结果表明,APSO-GRU模型比APSO-LSTM模型的预测稳定性大幅提升,在持续性降雨时能更好地提取降雨特征,平均预测准确率达到了96.74%,相比APSO-LSTM模型提高了2.39%。
魏梦媛[8]（2020）在《基于时间卷积网络的城市快速路交通流量预测方法研究》文中认为伴随着我国的城市化进程,在城市交通设施日益完善的同时,机动车保有量急剧攀升,城市道路网承受着巨大的压力,致使城市交通拥堵、环境污染等问题逐步加重。智能交通系统（Intelligent Traffic System,ITS）凭借其先进的科学技术手段已经成为减缓交通拥挤和满足出行者意愿的最有效途径之一,其核心功能是实现交通控制与诱导,而实时、高精度的短时交通流预测是提升诱导能力及道路管控的前提。通过对短时交通流预测的国内外研究现状进行梳理,得出现有的交通流预测模型鲜少考虑不同断面的局部预测效果,难以解决波动剧烈的交通流所带来的精度不稳定问题。因此,本文在研究路段整体预测效果的基础上,进一步确定以快速路的不同断面交通流为研究对象,更好地满足局部预测精确化的要求。首先,对城市快速路的交通流特性进行了重点剖析,详细讨论了交通流三个基本参数的时空特性,并在阐述微波检测器采集快速路交通流数据的技术原理的基础上,提出了一种基于统计相关分析的故障数据修复模型,为下文所建立的交通流量预测模型提供数据支撑。其次,基于交通流的时空特性及可预测性,在阐释深度学习理论的基础上,建立了一种基于时间卷积网络（Temporal Convolutional Network,TCN）的快速路交通流量预测模型,该模型重点结合了卷积神经网络（Convolutional Neural Network,CNN）的优点并规避了循环神经网络（Recurrent Neural Network,RNN）的缺陷,避免了任何历史信息的遗漏。实验结果表明,TCN模型可对路段整体实现较高精度的快速路交通流量预测,且整体预测性能均优于处理时序性任务的经典预测模型。最后,针对模型预测精度因样本容量变化而难以维持稳定性的问题,在上述研究的基础上,引入集成学习和特征工程的思想,构建了一种基于Boosting融合的交通流量预测模型,将传统数理算法、随机森林模型和时间卷积网络模型作为子预测模型进行集成式学习,对交通流量数据进行特征的提取与选择,重点研究了融合模型对于不同断面的局部预测效果。实验结果表明,与其他单一模型相比,融合模型不仅对整体预测效果得到了大幅度提升,还实现了高精度的断面级交通流量预测。图42幅,表12个,参考文献73篇。
叶萌[9]（2020）在《基于交通流多步预测的路径规划研究》文中提出随着科学技术的迅速发展以及人们生活水平的不断提高,人们拥有的车辆数量也在急剧增加,对于出行效率的需求也日益增长。而相对固定的城市道路交通网络与日益增长的出行需求便产生矛盾,从而导致城市道路拥挤和堵塞的产生,极大地降低道路的通行效率。ITS（Intelligent Traffic System,智能交通系统）是目前缓解交通拥堵,提高交通效率的重要途径。交通流状态预测是ITS中一项重要且基础的研究内容,其可以为ITS提供实时、准确的交通流变化趋势,使得ITS能够针对可能出现的拥堵道路及交叉路口,及时地做出车辆分流、调整交通灯信号等措施,从而缓解部分道路的交通压力,避免交通拥堵的产生,提供城市道路的通行效率。同时,由于人们对通信效率的需求,人们的行驶路径更偏向于行驶时间更短的路径,而不是行驶路程最短的路径。准确的交通流预测也能为城市道路路径规划提供数据支持,利用城市道路交通流状态的预测值,可以有效避开可能产生拥堵的道路或交叉路口,从而规划出一条最有可能的行驶时间最短的路径。但是,现有研究中,仍然存在交通流预测方法对交叉路口和路段相互影响关系考虑不足,多步预测误差累积、复杂度高、可预测范围小,交通网络路径规划算法时间复杂度较高等问题。在此背景下,本论文研究基于交通流多步预测的路径规划,主要分以下两部分开展工作:（1）本文同时考虑道路交通流和交叉路口的交通流状态,基于图卷积循环神经网络（Graph Convolutional Recurrent Neural Network,GC-RNN）,对城市道路的道路和交叉路口进行多步短期交通流预测。并针对交通流多步预测可能存在的误差累积、训练数据不足等问题,提出了一种基于数据平滑的多步预测方案,有效降低误差累积,增加可预测的步数。同时,利用德国科隆市人们日常出行记录产生的模拟交通数据集,对多步预测方案进行验证,并与现有其他方法进行对比分析和评价。（2）在多步交通流预测的基础上,将路径规划问题建模为时变网络最短路径问题,并针对现有求解时变网络最短路径问题的主要方法,分析对比了其优劣,提出了一种基于扩散的层级网络搜索算法,迅速寻找到一条在出发点和目的点附近的局部最佳路径,其准确度能够接近全局最优路径,且时间复杂度相比已有算法大大降低。最后,利用多步预测的结果对各最短路径搜索算法进行验证和对比,结果表明,基于扩散的层级网络搜索算法能够有效降低时间复杂度,减少搜索时间,且搜索结果接近全局最优。
俞欣琪[10]（2020）在《城市主干道机动车行驶速度预测方法研究》文中进行了进一步梳理随着经济发展,居民的出行需求逐渐提高,城市内的交通呈现显着增长的趋势,尤以经济发达地区和发达城市更甚。城市居民的汽车保有量的增加,导致交通设施供给不能满足交通需求。出行者之间不能协调规划路径,导致路网道路利用不合理、路网运行不能达到最优状态。由此引发众多的城市问题和交通问题,如城市道路拥堵,能源消耗,环境污染,经济损失等。城市路网中的主干道作为城市的骨架,对路网交通状态影响较大。本文针对以上交通现状和交通问题研究城市主干道机动车行驶速度的预测方法,以便交通部门更好地对城市交通进行规划、设计、管理与控制,同时也为出行者的路径规划提供主干道路网的速度信息。为能较准确地预测城市主干道的机动车行驶速度,本人完成了如下工作。首先分析城市主干道的交通特性,包括机动车流特性,车速特性以及影响主干道区间车速的主要因素。接着,本文对比分析了对速度预测的几种方法,总结出数据分析法较其他方法的优势,因此选择数据分析法作为预测速度的整体方向。人工神经网络在对数据预测分析时有较高的准确性,其中近来较热的深度学习算法应用领域广泛且该算法对数据的预测结果更为准确,因此本文选择深度学习算法作为突破口来对城市主干道速度预测。由城市主干道行驶车速的时空变化特性,本文选择具有时间序列特性的循环神经网络模型作为基本模型,并对其中两种主要的隐藏单元结构进行改进,搭建出基于深层长短期记忆模型和深层门控循环单元的速度预测方法,并对模型进行一定的优化。为验证构造的模型的有效性和实用性,本文搜集了纽约市部分主干道的速度数据及其影响因素数据,并对其中一条主干道的速度使用搭建的深层循环神经网络进行详细预测分析。在预测时,对模型的超参数进行调整以选择最优模型。此外,本文还将该搭建的深层循环神经网络的速度预测模型与其他经典时间序列模型进行对比。最后,本文研究了将预测的纽约市部分主干道速度进行动态可视化展示。从模型运行的结果分析可知,搭建的基于深层循环神经网络能较准确地预测城市主干道速度,与其他的经典时间序列模型相比,搭建的深度学习模型性能表现较优。此外,对预测的城市主干道速度进行的动态可视化能较全面地反映速度特征的变化和道路交通状况,能为出行者提供一定的道路信息以优化路径规划。
二、道路网短期交通流预测方法比较（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、道路网短期交通流预测方法比较（论文提纲范文）
（1）基于浮动车数据的信号交叉口运行态势推演与配时优化方法（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 信号交叉口运行状态评价 |
| 1.3.2 信号交叉口交通参数预测 |
| 1.3.3 信号交叉口配时优化方法 |
| 1.4 论文主要研究内容 |
| 1.4.1 浮动车数据处理及网格模型构建 |
| 1.4.2 信号交叉口运行状态的评价方法 |
| 1.4.3 信号交叉口交通参数的预测方法 |
| 1.4.4 信号交叉口自适应配时优化方法 |
| 1.5 论文技术路线 |
| 2 基础理论方法简介 |
| 2.1 信号交叉口配时参数及控制方法 |
| 2.1.1 信号配时参数 |
| 2.1.2 信号控制方法 |
| 2.2 深度学习方法 |
| 2.2.1 循环神经网络 |
| 2.2.2 卷积神经网络 |
| 2.3 强化学习方法 |
| 2.3.1 强化学习基本要素 |
| 2.3.2 强化学习基本模型 |
| 2.4 本章小结 |
| 3 浮动车数据处理与网格模型构建 |
| 3.1 浮动车数据说明 |
| 3.2 浮动车数据预处理 |
| 3.2.1 异常数据分析 |
| 3.2.2 数据过滤流程 |
| 3.2.3 轨迹坐标转换 |
| 3.3 浮动车出行数据基础分析 |
| 3.3.1 原始数据特征分析 |
| 3.3.2 空间范围影响分析 |
| 3.3.3 时间因素影响分析 |
| 3.3.4 天气因素影响分析 |
| 3.4 基于网格模型的浮动车数据匹配方法 |
| 3.4.1 网格模型的构建 |
| 3.4.2 交叉口区域界定 |
| 3.4.3 轨迹方向的识别 |
| 3.5 本章小结 |
| 4 信号交叉口运行状态评价与延误诊断方法 |
| 4.1 引言 |
| 4.2 信号交叉口交通参数计算方法 |
| 4.2.1 通行时间计算方法 |
| 4.2.2 总延误的计算方法 |
| 4.2.3 走停比的计算方法 |
| 4.2.4 流量比的计算方法 |
| 4.3 信号交叉口信号配时参数计算方法 |
| 4.3.1 信号周期计算方法 |
| 4.3.2 绿信比的计算方法 |
| 4.4 信号交叉口运行状态评价及诊断 |
| 4.4.1 信号交叉口整体延误分析 |
| 4.4.2 信号交叉口内部延误分析 |
| 4.4.3 信号交叉口延误问题诊断 |
| 4.5 本章小结 |
| 5 信号交叉口通行时间和速度预测方法 |
| 5.1 引言 |
| 5.2 信号交叉口交通特征数据集构建 |
| 5.2.1 特征变量相关性检验 |
| 5.2.2 特征变量标准化处理 |
| 5.2.3 特征变量数据集划分 |
| 5.3 多任务深度学习融合模型构建 |
| 5.3.1 残差卷积神经网络 |
| 5.3.2 残差图卷积神经网络 |
| 5.3.3 堆栈式长短期记忆网络 |
| 5.3.4 注意力机制神经网络 |
| 5.3.5 多任务融合深度学习模型 |
| 5.4 实验分析 |
| 5.4.1 评价指标选取 |
| 5.4.2 实验环境介绍 |
| 5.4.3 模型结果分析 |
| 5.4.4 敏感度的分析 |
| 5.5 本章小结 |
| 6 信号交叉口自适应配时优化方法 |
| 6.1 引言 |
| 6.2 信号交叉口智能体设计 |
| 6.2.1 基于NUDG的交通状态提取方法 |
| 6.2.2 信号灯相位集的构建及动作选择 |
| 6.2.3 信号相位转换奖励值函数的构建 |
| 6.3 基于3DQNPSTER的信号交叉口优化配时方法 |
| 6.3.1 3DQNPSTER深度强化学习模型 |
| 6.3.2 信号交叉口的交通环境构建方案 |
| 6.3.3 模型评估和应用性能的指标选取 |
| 6.4 仿真实验与结果分析 |
| 6.4.1 仿真环境设置 |
| 6.4.2 模型比较分析 |
| 6.4.3 模型应用结果 |
| 6.5 本章小结 |
| 7 结论 |
| 7.1 主要工作总结 |
| 7.2 主要的创新点 |
| 7.3 未来研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）GPS数据驱动的城市道路网交通状态分析及拥堵模式预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通运行状态评价指标研究现状 |
| 1.2.2 城市交通运行状态特征分析研究现状 |
| 1.2.3 交通参数预测研究现状 |
| 1.2.4 国内外研究现状评述 |
| 1.3 研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 1.4 研究技术路线 |
| 2 GPS数据预处理和路网建模 |
| 2.1 出租车GPS数据处理流程 |
| 2.1.1 GPS数据预处理 |
| 2.1.2 GPS数据轨迹化 |
| 2.1.3 轨迹时空粒度划分 |
| 2.1.4 地图匹配 |
| 2.2 城市路网模型构建 |
| 2.2.1 道路网数据处理 |
| 2.2.2 基于复杂网络的城市路网模型构建 |
| 2.3 本章小结 |
| 3 基于出租车GPS数据的城市道路网交通运行状态分析 |
| 3.1 城市交通运行状态指标分析 |
| 3.1.1 交通运行状态判别指标的选取 |
| 3.1.2 基于模糊C均值聚类的交通运行状态划分 |
| 3.1.3 基于模糊分级区间的综合评价指标模型 |
| 3.2 城市道路交通运行状态分析 |
| 3.2.1 交通拥堵模式差异分析 |
| 3.2.2 路段交通运行状态分析 |
| 3.2.3 线路交通运行状态分析 |
| 3.2.4 路网交通运行状态分析 |
| 3.3 本章小结 |
| 4 交通拥堵模式预测研究 |
| 4.1 长短期记忆人工神经网络模型 |
| 4.2 状态变量的选择研究 |
| 4.2.1 基于时间相关性的状态变量选择 |
| 4.2.2 基于空间相关性的状态变量选择 |
| 4.2.3 基于时空相关性的状态变量选择 |
| 4.3 案例分析 |
| 4.3.1 实验场景 |
| 4.3.2 误差分析指标 |
| 4.3.3 实验分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 研究的主要结论 |
| 5.2 主要创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于改进的图注意力网络的交通流预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统理论的交通流量预测模型 |
| 1.2.2 基于机器学习的交通流量预测模型 |
| 1.2.3 基于深度学习的交通流量预测模型 |
| 1.3 论文主要工作和研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 相关理论介绍 |
| 2.1 引言 |
| 2.2 交通流基本特征 |
| 2.2.1 交通流量 |
| 2.2.2 交通流速度 |
| 2.2.3 交通流密度 |
| 2.3 交通流数据采集 |
| 2.4 相关理论基础 |
| 2.4.1 循环神经网络 |
| 2.4.2 编码器-解码器结构 |
| 2.4.3 图神经网络 |
| 2.4.4 图注意力网络 |
| 2.5 交通流预测经典模型分析 |
| 2.5.1 自回归积分滑动平均模型(ARIMA) |
| 2.5.2 支持向量机回归模型(SVR) |
| 2.5.3 全连接的长短时记忆神经网络(FC-LSTM) |
| 2.5.4 时空图卷积网络(STGCN) |
| 2.5.5 扩散卷积递归神经网络(DCRNN) |
| 2.6 本章小结 |
| 第3章 基于图注意力网络的预测模型 |
| 3.1 引言 |
| 3.2 交通流数据的时空特征 |
| 3.2.1 道路网结构 |
| 3.2.2 交通流动态的空间相关性 |
| 3.2.3 交通流的非线性时间相关性 |
| 3.3 交通流预测问题概述 |
| 3.4 时空嵌入模块 |
| 3.5 基于图注意力网络的模型构建 |
| 3.5.1 问题描述 |
| 3.5.2 时空注意力机制模块 |
| 3.6 引入时空注意力机制的门控递归单元 |
| 3.7 本章小结 |
| 第4章 基于改进的图注意力网络预测模型 |
| 4.1 引言 |
| 4.2 引入编码器-解码器的模型 |
| 4.2.1 编码器-解码器架构 |
| 4.2.2 编码器结构 |
| 4.2.3 解码器结构 |
| 4.3 编码器-解码器模型的改进 |
| 4.4 算法复杂度优化 |
| 4.5 改进后的交通流预测模型 |
| 4.6 本章小结 |
| 第5章 实验结果和性能评估 |
| 5.1 引言 |
| 5.2 实验数据集 |
| 5.3 数据集处理 |
| 5.4 实验相关设置 |
| 5.4.1 实验参数设置 |
| 5.4.2 模型评价标准 |
| 5.4.3 基准模型 |
| 5.5 实验结果分析 |
| 5.5.1 实验对比分析 |
| 5.5.2 模型容错能力分析 |
| 5.5.3 消融实验 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）雨雪天气因素影响下的高速公路短时交通流预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外研究现状述评 |
| 1.3 论文主要研究内容及章节安排 |
| 2 天气因素影响下的短时交通流预测特性分析 |
| 2.1 短时交通流预测的基本理论 |
| 2.1.1 短时交通流预测的三个参数 |
| 2.1.2 短时交通流预测的三个基本特性 |
| 2.2 雨雪天气因素对短时交通流特性的影响 |
| 2.2.1 降雨对交通流特性的影响 |
| 2.2.2 降雪对交通流特性的影响 |
| 2.3 本章小结 |
| 3 基于深度学习的短时交通流预测模型 |
| 3.1 深度学习的概念 |
| 3.2 深度学习模型 |
| 3.2.1 限制波尔兹曼机模型 |
| 3.2.2 深度信念网络模型 |
| 3.2.3 卷积神经网络模型 |
| 3.2.4 循环神经网络 |
| 3.3 基于DBN的短时交通流预测模型 |
| 3.3.1 DBN模型函数 |
| 3.3.2 RBM训练过程 |
| 3.3.3 深度信念网络模型训练过程 |
| 3.3.4 基于DBN的短期交通流预测模型 |
| 3.4 本章小结 |
| 4 雨雪天气因素影响下的高速公路短时交通流预测模型的构建 |
| 4.1 交通流数据的采集 |
| 4.2 数据的预处理 |
| 4.2.1 错误数据修补 |
| 4.2.2 数据的去噪处理 |
| 4.2.3 数据的归一化处理 |
| 4.3 数据的相关性 |
| 4.4 雨雪天气因素影响下的短时交通流预测模型 |
| 4.4.1 支持向量回归理论 |
| 4.4.2 预测模型的数据集构造 |
| 4.4.3 雨雪天气因素影响下的高速公路短时交通流预测模型 |
| 4.5 预测结果评价指标 |
| 4.6 本章小结 |
| 5 实例预测结果分析 |
| 5.1 实验数据的获取 |
| 5.1.1 交通数据的获取 |
| 5.1.2 雨雪天气数据的获取 |
| 5.2 交通流数据的时间特性分析 |
| 5.3 天气数据和交通流数据的相关性分析 |
| 5.4 交通流预测结果分析 |
| 5.4.1 工作日交通流预测结果 |
| 5.4.2 周末交通流预测结果 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 6.3 本章小结 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（5）交通事件影响下的城市道路网载能力模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 国内外研究现状综合评述 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 交通事件特性及时空分布 |
| 2.1 交通事件内涵及分类 |
| 2.1.1 交通事件内涵 |
| 2.1.2 交通事件分类 |
| 2.2 交通事件特性 |
| 2.2.1 交通事件特点 |
| 2.2.2 交通事件持续时间及影响程度 |
| 2.3 交通事件的时空分布 |
| 2.3.1 交通事件的时间分布影响 |
| 2.3.2 交通事件的空间分布影响 |
| 2.3.3 交通事件的时空分布影响 |
| 2.4 本章小结 |
| 3 城市道路网承载能力分析及模型构建 |
| 3.1 城市道路网承载能力定义及特性界定 |
| 3.1.1 城市道路网承载能力定义 |
| 3.1.2 城市道路网承载能力要素 |
| 3.1.3 城市道路网承载能力特性 |
| 3.2 城市道路网承载能力影响因素分析 |
| 3.2.1 影响城市道路网系统需求压力的因子 |
| 3.2.2 影响城市道路网系统支撑力的因子 |
| 3.2.3 影响城市道路网承载能力因素相互作用分析 |
| 3.3 城市道路网承载能力模型构建 |
| 3.3.1 城市道路网承载能力结构分析 |
| 3.3.2 城市道路网承载能力模型相关研究及构建思路 |
| 3.3.3 考虑交通均衡配流的城市道路网承载能力模型构建 |
| 3.4 本章小结 |
| 4 考虑交通事件的城市道路网承载能力模型及仿真分析 |
| 4.1 城市道路抽象化网络构建 |
| 4.2 交通事件对城市道路网承载能力影响模型构建 |
| 4.2.1 交通事件归类分析 |
| 4.2.2 交通事件对城市道路网影响模型相关研究及启发 |
| 4.2.3 考虑交通事件的城市道路网承载能力模型构建 |
| 4.3 考虑动态交通分配的交通事件对道路网承载能力影响仿真研究 |
| 4.3.1 多路径动态交通分配仿真算例 |
| 4.3.2 考虑动态交通分配的交通事件对道路网承载能力影响算例 |
| 4.4 本章小结 |
| 5 案例分析 |
| 5.1 大庆商城区域道路网基础数据调查 |
| 5.2 大庆商城区域道路网承载能力计算 |
| 5.2.1 大庆商城区域道路网仿真模型构建 |
| 5.2.2 现状大庆商城区域道路网承载能力计算 |
| 5.3 交通事件对大庆商城区域道路网承载能力影响分析 |
| 5.3.1 路段影响型事件对大庆商城区域道路网承载能力影响 |
| 5.3.2 全面影响型事件对大庆商城区域道路网承载能力影响 |
| 5.3.3 交通事件对大庆商城区域道路网承载能力影响对比 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（6）基于出行大数据的城市重点区域交通状态识别方法与应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 本章小结 |
| 2 国内外研究现状 |
| 2.1 交通节点特征分析 |
| 2.1.1 道路驶入和驶出节点拥堵特征分析 |
| 2.1.2 路段拥堵特征分析 |
| 2.1.3 交叉口拥堵特征分析 |
| 2.2 交通流数据填补研究 |
| 2.3 交通流量预测研究 |
| 2.4 交通状态评价方法研究 |
| 2.5 TOP-K选择算法研究 |
| 2.6 已有研究的不足 |
| 2.7 本章小结 |
| 3 重点区域交通流数据填补方法研究 |
| 3.1 研究思路 |
| 3.2 基于ND的缺失数据填补方法研究 |
| 3.2.1 ND缺失数据填补模型设计 |
| 3.2.2 基于ND缺失数据填补方法的案例分析 |
| 3.3 交通流量矩阵化网络填补模型研究 |
| 3.3.1 矩阵化网络填补方法设计 |
| 3.3.2 复原子网络设计 |
| 3.3.3 预测子网络设计 |
| 3.3.4 融合网络设计 |
| 3.4 实证研究 |
| 3.4.1 数据集缺失情况描述 |
| 3.4.2 交通网络矩阵化 |
| 3.4.3 缺失数据恢复 |
| 3.5 本章小结 |
| 4 重点区域短时交通流预测研究 |
| 4.1 研究思路 |
| 4.2 重点区域短时交通流预测模型设计研究 |
| 4.2.1 中心模块设计 |
| 4.2.2 独立模块设计 |
| 4.2.3 时序残差网模型设计 |
| 4.3 模型训练方法研究 |
| 4.4 评价指标选取 |
| 4.5 实证研究 |
| 4.6 本章小结 |
| 5 重点区域交通状态识别模型构建研究 |
| 5.1 研究思路 |
| 5.2 学校和医院交通流特征及交通拥堵原因分析 |
| 5.3 基于聚集交通量的路段交通拥堵识别方法可行性分析 |
| 5.3.1 聚集交通量与区段行驶速度的关系分析 |
| 5.3.2 聚集交通量与交通波在区段上的传播分析 |
| 5.3.3 聚集交通量比与路段饱和度的比较分析 |
| 5.3.4 聚集交通量比与路段密度的比较分析 |
| 5.3.5 基于聚集交通量的交通状态评价方法可测性分析 |
| 5.4 路段交通拥堵识别研究 |
| 5.4.1 单条路段交通拥堵识别研究 |
| 5.4.2 关键路段识别研究 |
| 5.5 基于粗糙集的拥堵区间细分研究 |
| 5.5.1 交通状态多级划分 |
| 5.5.2 粗糙集理论模型概述 |
| 5.5.3 基于粗糙集模型的交通拥堵区间细分 |
| 5.6 重点区域交通拥堵识别研究 |
| 5.6.1 不同交通状态聚集交通量比区间阈值划分 |
| 5.6.2 不同交通状态下聚集交通量比聚集里程分布模型 |
| 5.6.3 基于聚集交通量比里程分布的重点区域交通状态评价模型 |
| 5.7 实证研究 |
| 5.8 本章小结 |
| 6 重点区域交通状态信息查询研究 |
| 6.1 研究思路 |
| 6.2 基于分治思想的重点区域DC-TOP-K查询算法研究 |
| 6.2.1 当前排序算法 |
| 6.2.2 串行分治查询算法设计 |
| 6.2.3 并行分治查询算法设计 |
| 6.2.4 基于分治思想的重点区域搜索算法分析 |
| 6.3 基于动态自适应分区的重点区域DC-TOP-K查询算法研究 |
| 6.3.1 动态自适应分区评估函数 |
| 6.3.2 动态自适应分区算法设计 |
| 6.4 实证研究 |
| 6.4.1 动态自适应分区DC-Top-k算法的整体性能测试 |
| 6.4.2 动态自适应分区DC-Top-k算法的扩展性能测试 |
| 6.5 本章小结 |
| 7 重点区域交通状态识别信息应用案例分析 |
| 7.1 基于HIS的重点区域交通拥堵可视化方法 |
| 7.1.1 HIS交换 |
| 7.1.2 彩虹编码和热金属编码 |
| 7.1.3 处理步骤 |
| 7.2 北京市重点区域交通运行信息服务应用方案设计 |
| 7.3 服务实例 |
| 7.4 本章小结 |
| 8 总结与展望 |
| 8.1 主要研究成果 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）雨天环境下高速公路交通流特性分析及预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雨天环境对交通流的影响研究 |
| 1.2.2 交通流预测研究 |
| 1.2.3 研究现状小结 |
| 1.3 研究内容与技术路线 |
| 2 数据预处理 |
| 2.1 交通流数据的预处理 |
| 2.1.1 研究区域高速公路概况 |
| 2.1.2 交通流数据的来源 |
| 2.1.3 交通流数据的清洗 |
| 2.2 降雨数据的预处理 |
| 2.2.1 降雨等级的划分 |
| 2.2.2 降雨数据的获取 |
| 2.2.3 降雨数据的清洗 |
| 2.3 交通流数据与降雨数据的时空匹配 |
| 2.4 本章小结 |
| 3 雨天环境对高速公路交通流特性的影响分析 |
| 3.1 雨天环境对高速公路交通的影响 |
| 3.2 高速公路交通流特性及其影响因素分析 |
| 3.2.1 交通流特性基本统计分析 |
| 3.2.2 自由流速度的影响因素分析 |
| 3.2.3 交通流速度的影响因素分析 |
| 3.2.4 交通流量的影响因素分析 |
| 3.3 降雨对高速公路自由流速度的影响 |
| 3.4 降雨对高速公路交通流速度的影响 |
| 3.4.1 交通流速度的标准化 |
| 3.4.2 不同降雨强度下的交通流速度分布特性 |
| 3.4.3 不同时段下的交通流速度分布特性 |
| 3.5 降雨对高速公路交通流量的影响 |
| 3.5.1 交通流量的标准化 |
| 3.5.2 不同降雨强度下交通流量的分布特性 |
| 3.5.3 不同时段下交通流量的分布特性 |
| 3.6 本章小结 |
| 4 基于LSTM的雨天环境下交通流预测研究 |
| 4.1 循环神经网络机理概述 |
| 4.2 神经网络目标函数优化 |
| 4.2.1 目标函数优化方法 |
| 4.2.2 梯度下降优化算法 |
| 4.3 基于LSTM的交通流预测模型设计 |
| 4.3.1 LSTM模型的结构及训练过程 |
| 4.3.2 LSTM预测模型搭建及参数设置 |
| 4.4 基于APSO-LSTM的交通流预测模型 |
| 4.4.1 粒子群优化算法(PSO)的机理 |
| 4.4.2 PSO算法的流程及参数设置 |
| 4.4.3 自适应非线性惯性权重PSO |
| 4.4.4 APSO-LSTM预测模型搭建 |
| 4.4.5 模型参数设置 |
| 4.5 实例预测结果分析 |
| 4.5.1 实验相关说明 |
| 4.5.2 非持续性降雨时的预测结果 |
| 4.5.3 持续性降雨时的预测结果 |
| 4.5.4 预测结果对比评价分析 |
| 4.6 本章小结 |
| 5 基于GRU的雨天环境下交通流预测研究 |
| 5.1 GRU模型的结构及训练过程 |
| 5.2 GRU预测模型搭建及参数设置 |
| 5.3 基于APSO-GRU的交通流预测模型 |
| 5.3.1 APSO-GRU预测模型搭建 |
| 5.3.2 模型参数设置 |
| 5.4 实例预测结果分析 |
| 5.4.1 非持续性降雨时的预测结果 |
| 5.4.2 持续性降雨时的预测结果 |
| 5.4.3 预测结果对比评价分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 论文主要工作 |
| 6.2 创新性成果 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于时间卷积网络的城市快速路交通流量预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于统计分析的预测方法 |
| 1.2.2 基于非线性理论的预测方法 |
| 1.2.3 基于现代科学的智能预测方法 |
| 1.2.4 研究现状总结 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 2 城市快速路交通流特性分析 |
| 2.1 交通流三参数时空特性分析 |
| 2.1.1 交通流量时空特性分析 |
| 2.1.2 交通速度时空特性分析 |
| 2.1.3 占有率时空特性分析 |
| 2.2 交通流三参数模型 |
| 2.2.1 交通流三参数模型 |
| 2.2.2 交通流参数间的关系 |
| 2.3 交通流数据可预测性分析 |
| 2.3.1 混沌特性 |
| 2.3.2 可预测性递归图分析 |
| 2.4 本章小结 |
| 3 城市快速路交通流故障数据的识别与修复 |
| 3.1 交通流数据的来源 |
| 3.1.1 微波检测器数据的采集 |
| 3.1.2 交通流数据的整合 |
| 3.2 交通流故障数据的识别方法 |
| 3.2.1 故障数据的产生原因 |
| 3.2.2 缺失数据的识别方法 |
| 3.2.3 错误数据的识别方法 |
| 3.3 交通流故障数据的修复方法 |
| 3.3.1 相关性理论 |
| 3.3.2 基于统计相关分析的故障数据修复模型 |
| 3.4 实例分析 |
| 3.5 本章小结 |
| 4 基于时间卷积网络的快速路短时交通流量预测 |
| 4.1 深度学习理论 |
| 4.1.1 卷积神经网络 |
| 4.1.2 循环神经网络 |
| 4.1.3 时间卷积网络 |
| 4.2 基于时间卷积网络的短时交通流量预测模型 |
| 4.2.1 模型构建 |
| 4.2.2 目标函数 |
| 4.2.3 模型训练 |
| 4.3 实例验证 |
| 4.3.1 实验数据 |
| 4.3.2 评价指标 |
| 4.3.3 参数选择 |
| 4.3.4 结果分析 |
| 4.4 本章小结 |
| 5 基于Boosting融合的快速路短时交通流量预测 |
| 5.1 集成学习技术 |
| 5.1.1 Boosting方法 |
| 5.1.2 Bagging方法 |
| 5.1.3 随机森林算法 |
| 5.2 基于Boosting融合的快速路短时交通流量预测模型 |
| 5.2.1 基于特征工程的交通流数据处理 |
| 5.2.2 基于随机森林的短时交通流量预测模型构建 |
| 5.2.3 基于Boosting融合的短时交通流量预测模型构建 |
| 5.3 实例验证 |
| 5.3.1 实验数据 |
| 5.3.2 评价指标 |
| 5.3.3 参数选择 |
| 5.3.4 结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）基于交通流多步预测的路径规划研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 短期交通流单步预测研究现状 |
| 1.2.2 短期交通流多步预测研究现状 |
| 1.2.3 时变网络最短路径问题研究现状 |
| 1.3 研究内容和论文结构 |
| 1.4 小结 |
| 第二章 相关研究现状与分析 |
| 2.1 短期交通流预测问题分析 |
| 2.1.1 短期交通流预测问题建模 |
| 2.1.2 交通流预测指标 |
| 2.1.3 短期交通流的混沌特性分析 |
| 2.2 短期交通流预测模型 |
| 2.2.1 短期交通流单步预测模型 |
| 2.2.2 短期交通流多步预测模型 |
| 2.3 道路网络路径规划研究现状分析 |
| 2.3.1 路径规划研究背景 |
| 2.3.2 时变网络定义及描述 |
| 2.3.3 时变网络存储结构 |
| 2.3.4 时变网络路径规划算法研究 |
| 2.4 小结 |
| 第三章 基于GC-RNN的交通流短期预测模型 |
| 3.1 概述 |
| 3.2 基于GC-RNN的交通流单步预测方法 |
| 3.2.1 GC-RNN架构分析 |
| 3.2.2 空间卷积模块设计 |
| 3.2.3 时间递归模块设计 |
| 3.3 基于GC-RNN的交通流多步预测模型 |
| 3.3.1 多步预测方法 |
| 3.3.2 GC-RNN多步预测流程 |
| 3.4 小结 |
| 第四章 基于GC-RNN的交通流多步预测实验设计与验证 |
| 4.1 交通轨迹数据集 |
| 4.2 数据处理 |
| 4.2.1 提取道路拓扑结构 |
| 4.2.2 提取道路交通流信息 |
| 4.2.3 采样生成训练集和测试集 |
| 4.2.4 数据集对比 |
| 4.2.5 数据集参数及训练结果 |
| 4.3 单步预测模型对比预测分析 |
| 4.3.1 模型介绍 |
| 4.3.2 结果分析与对比 |
| 4.4 多步预测模型对比与分析 |
| 4.5 城市道路网络环境下验证与分析 |
| 4.6 小结 |
| 第五章 道路网络时变最短路径规划研究 |
| 5.1 概述 |
| 5.2 交通网络时变建模方法 |
| 5.2.1 交通网络动态权值求解过程 |
| 5.2.2 存储结构设计 |
| 5.2.3 最短路径算法改进策略 |
| 5.3 K步扩散层级网络逆向更新算法 |
| 5.3.1 算法介绍 |
| 5.3.2 算法时间复杂度分析 |
| 5.4 小结 |
| 第六章 道路网络路径规划算法验证与分析 |
| 6.1 实验参数 |
| 6.2 实验结果与分析 |
| 6.3 城市道路网络路径规划算法验证与分析 |
| 6.4 本章小结 |
| 第七章 结束语 |
| 7.1 论文工作总结 |
| 7.2 问题和展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
（10）城市主干道机动车行驶速度预测方法研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 道路交通流特性 |
| 1.2.2 速度预测方法 |
| 1.2.3 深度学习在交通领域的运用 |
| 1.2.4 现状研究总结 |
| 1.3 研究内容 |
| 1.4 研究思路与技术路线 |
| 1.5 内容组织架构 |
| 第二章 城市主干道交通流特性及车速影响因素 |
| 2.1 城市主干道交通流理论 |
| 2.1.1 连续交通流特性 |
| 2.1.2 间断交通流特性 |
| 2.2 城市主干道行驶车速特性及其作用 |
| 2.2.1 地点车速特性及其作用 |
| 2.2.2 区间车速特性及其作用 |
| 2.3 城市主干道行驶车速影响因素 |
| 2.3.1 影响车速的直接因素 |
| 2.3.2 影响车速的微观因素 |
| 2.3.3 影响车速的宏观因素 |
| 2.4 城市主干道速度预测模型输入特征 |
| 2.5 本章小结 |
| 第三章 基于深度学习的速度预测方法 |
| 3.1 速度预测模型选择 |
| 3.1.1 速度获取方法比较 |
| 3.1.2 人工神经网络 |
| 3.1.3 深度学习算法 |
| 3.2 循环神经网络模型 |
| 3.2.1 基本循环单元 |
| 3.2.2 长短期记忆单元 |
| 3.2.3 门控循环单元 |
| 3.3 基于深层循环神经网络的速度预测模型 |
| 3.3.1 深层循环神经网络 |
| 3.3.2 速度预测模型搭建 |
| 3.3.3 速度预测模型优化 |
| 3.3.4 速度预测模型性能评价 |
| 3.3.5 速度预测模型技术实现 |
| 3.4 本章小结 |
| 第四章 基于深度学习的速度预测模型应用 |
| 4.1 数据搜集及预处理 |
| 4.2 数据分析 |
| 4.2.1 速度数据分析 |
| 4.2.2 行驶时间数据分析 |
| 4.2.3 其他影响因素数据分析 |
| 4.3 模型验证及对比分析 |
| 4.3.1 深度学习模型的速度预测结果 |
| 4.3.2 基于深度学习的最优速度预测模型 |
| 4.3.3 深度学习速度预测模型与传统预测模型性能对比 |
| 4.4 深度学习速度预测模型在国内的适用性分析 |
| 4.5 本章小结 |
| 第五章 速度预测的动态可视化研究 |
| 5.1 速度可视化实现方法 |
| 5.2 基本地图网页创建及自定义设置 |
| 5.2.1 基本地图网页创建 |
| 5.2.2 个性化地图设置 |
| 5.2.3 地图覆盖物添加 |
| 5.3 速度动态可视化的地图网页 |
| 5.3.1 主干道的预测速度可视化 |
| 5.3.2 路网轨迹飞线可视化 |
| 5.3.3 主干道路网速度预测的动态可视化 |
| 5.4 速度预测的可视化用途 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、道路网短期交通流预测方法比较（论文参考文献）
- [1]基于浮动车数据的信号交叉口运行态势推演与配时优化方法[D]. 陈德启. 北京交通大学, 2021(02)
- [2]GPS数据驱动的城市道路网交通状态分析及拥堵模式预测[D]. 薛松. 北京交通大学, 2021(02)
- [3]基于改进的图注意力网络的交通流预测研究[D]. 陈萌. 上海师范大学, 2021(07)
- [4]雨雪天气因素影响下的高速公路短时交通流预测[D]. 王俊栋. 兰州交通大学, 2021(02)
- [5]交通事件影响下的城市道路网载能力模型研究[D]. 于舰. 东北林业大学, 2021(08)
- [6]基于出行大数据的城市重点区域交通状态识别方法与应用研究[D]. 朱杰. 北京交通大学, 2021
- [7]雨天环境下高速公路交通流特性分析及预测研究[D]. 王震. 北京交通大学, 2020(03)
- [8]基于时间卷积网络的城市快速路交通流量预测方法研究[D]. 魏梦媛. 北京交通大学, 2020(03)
- [9]基于交通流多步预测的路径规划研究[D]. 叶萌. 北京邮电大学, 2020(05)
- [10]城市主干道机动车行驶速度预测方法研究[D]. 俞欣琪. 东南大学, 2020(01)