發(fā)布時(shí)間：2020-12-10 20:09

　　準(zhǔn)確、高效的交通流預(yù)測(cè)是智能交通系統(tǒng)的核心功能,也是實(shí)現(xiàn)智能交通誘導(dǎo)和控制的前提;而改善交叉口信號(hào)配時(shí),則是提高交通運(yùn)行系統(tǒng)效能的關(guān)鍵。本文以短時(shí)交通流預(yù)測(cè)為基礎(chǔ),對(duì)交叉口配時(shí)優(yōu)化進(jìn)行研究,具有一定的理論意義和實(shí)際應(yīng)用價(jià)值。本文在研究現(xiàn)有短時(shí)交通流預(yù)測(cè)模型基礎(chǔ)上,融合傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型,提出了一種混合預(yù)測(cè)交通流模型,以及基于該模型的交叉口多目標(biāo)配時(shí)優(yōu)化模型,實(shí)現(xiàn)了基于預(yù)測(cè)交通流的交叉口交通控制信號(hào)多目標(biāo)配時(shí)優(yōu)化計(jì)算。論文主要工作與貢獻(xiàn)包括:1.分析交通流量的主要特性和時(shí)空相關(guān)性,以及交通流數(shù)據(jù)集特點(diǎn),并從不同維度分析交通流的特征。在此基礎(chǔ)上,針對(duì)短時(shí)交通流預(yù)測(cè),提出CNN-XGBoost混合預(yù)測(cè)模型。將CNN-XGBoost模型與其它四種預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn)對(duì)比,驗(yàn)證該模型的優(yōu)勢(shì)。2.基于短時(shí)交通流預(yù)測(cè),建立交叉口多目標(biāo)配時(shí)優(yōu)化模型,并提出一種改進(jìn)的非支配排序遺傳算法（Nondominated Sorting Genetic Algorithm Ⅱ,NSGA-Ⅱ）算法。3.利用河北育才街和裕華路交叉口幾何條件和相位相序,以及基于實(shí)際交通流生成數(shù)據(jù),對(duì)該交叉口使用VISSIM進(jìn)行仿真... 

【文章來(lái)源】：中國(guó)科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：92 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究意義
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 短時(shí)交通流預(yù)測(cè)
        1.3.2 交通信號(hào)控制
    1.4 研究目標(biāo)和研究?jī)?nèi)容
    1.5 論文組織結(jié)構(gòu)
第2章 相關(guān)理論與技術(shù)
    2.1 交通信號(hào)控制相關(guān)概念和評(píng)價(jià)指標(biāo)
        2.1.1 交通信號(hào)控制的基本參數(shù)
        2.1.2 交通信號(hào)控制的評(píng)價(jià)指標(biāo)
    2.2 XGBoost模型
    2.3 深度學(xué)習(xí)模型
        2.3.1 長(zhǎng)短期記憶模型
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)模型
    2.4 多目標(biāo)優(yōu)化的相關(guān)理論和NSGA-Ⅱ算法
        2.4.1 多目標(biāo)優(yōu)化的相關(guān)概念
        2.4.2 多目標(biāo)優(yōu)化的評(píng)價(jià)指標(biāo)
        2.4.3 NSGA-Ⅱ優(yōu)化算法
    2.5 城市交通信號(hào)智能控制系統(tǒng)相關(guān)技術(shù)
        2.5.1 Spring/SpringBoot相關(guān)技術(shù)
        2.5.2 Netty相關(guān)技術(shù)
    2.6 本章小結(jié)
第3章 短時(shí)交通流預(yù)測(cè)
    3.1 交通流量主要特性和時(shí)空相關(guān)性
        3.1.1 交通流量主要特性
        3.1.2 交通流量時(shí)空相關(guān)性
    3.2 交通流數(shù)據(jù)集分析
        3.2.1 交通流數(shù)據(jù)結(jié)構(gòu)
        3.2.2 交通流數(shù)據(jù)預(yù)處理
    3.3 基于XGBoost模型的短時(shí)交通流預(yù)測(cè)
    3.4 基于深度學(xué)習(xí)模型的短時(shí)交通流預(yù)測(cè)
        3.4.1 LSTM預(yù)測(cè)模型
        3.4.2 CNN預(yù)測(cè)模型
    3.5 混合預(yù)測(cè)模型
        3.5.1 LSTM-XGBoost預(yù)測(cè)模型
        3.5.2 CNN-XGBoost預(yù)測(cè)模型
    3.6 實(shí)驗(yàn)結(jié)果與討論
    3.7 本章小結(jié)
第4章 交叉口多目標(biāo)配時(shí)優(yōu)化模型和優(yōu)化算法
    4.1 經(jīng)典配時(shí)方法
        4.1.1 Webster配時(shí)法
        4.1.2 HCM配時(shí)法
        4.1.3 ARRB配時(shí)法
    4.2 多目標(biāo)配時(shí)優(yōu)化模型
        4.2.1 性能指標(biāo)選擇
        4.2.2 配時(shí)優(yōu)化模型
        4.2.3 配時(shí)方案選擇
    4.3 改進(jìn)的NSGA-Ⅱ優(yōu)化算法
        4.3.1 新的初始化種群
        4.3.2 概率選擇算子
        4.3.3 混合交叉算子
        4.3.4 INSGA-Ⅱ算法步驟
        4.3.5 INSGA-Ⅱ算法測(cè)試和分析
    4.4 本章小結(jié)
第5章 實(shí)例仿真與分析
    5.1 交叉口條件
        5.1.1 交叉口幾何條件
        5.1.2 交叉口現(xiàn)行信號(hào)相位和配時(shí)方案
    5.2 仿真建模與實(shí)驗(yàn)參數(shù)
        5.2.1 VISSIM仿真軟件概述
        5.2.2 交叉口仿真步驟
        5.2.3 實(shí)驗(yàn)參數(shù)
    5.3 仿真結(jié)果分析
    5.4 本章小結(jié)
第6章 城市交通信號(hào)智能控制子系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    6.1 UTSICS系統(tǒng)需求分析
        6.1.1 功能需求
        6.1.2 質(zhì)量需求
    6.2 UTSICS系統(tǒng)總體設(shè)計(jì)
        6.2.1 系統(tǒng)的技術(shù)架構(gòu)
        6.2.2 系統(tǒng)的模塊結(jié)構(gòu)
        6.2.3 數(shù)據(jù)持久化存儲(chǔ)設(shè)計(jì)
        6.2.4 系統(tǒng)開(kāi)發(fā)工具以及運(yùn)行環(huán)境
    6.3 UTSICS子系統(tǒng)實(shí)現(xiàn)
        6.3.1 參數(shù)分析實(shí)現(xiàn)
        6.3.2 仿真優(yōu)化實(shí)現(xiàn)
    6.4 本章小結(jié)
第7章 總結(jié)與展望
    7.1 總結(jié)
    7.2 下一步工作展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文與取得的其他研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)研究[J]. 王祥雪,許倫輝.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(01)
[2]基于NSGA-Ⅱ的并網(wǎng)型風(fēng)光互補(bǔ)發(fā)電系統(tǒng)協(xié)調(diào)控制[J]. 李曉青,王小會(huì),李慧玲.  測(cè)控技術(shù). 2017(12)
[3]基于CNN-SVR混合深度學(xué)習(xí)模型的短時(shí)交通流預(yù)測(cè)[J]. 羅文慧,董寶田,王澤勝.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(05)
[4]城市道路短時(shí)交通流預(yù)測(cè)方法研究[J]. 馬飛虎,饒志強(qiáng).  公路. 2017(06)
[5]基于組合模型的短時(shí)交通流量預(yù)測(cè)算法[J]. 芮蘭蘭,李欽銘.  電子與信息學(xué)報(bào). 2016(05)
[6]基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)模型[J]. 傅貴,韓國(guó)強(qiáng),逯峰,許子鑫.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(09)
[7]基于NSGA-Ⅱ算法的過(guò)飽和狀態(tài)交叉口群交通信號(hào)配時(shí)優(yōu)化（英文）[J]. 李巖,過(guò)秀成,陶思然,楊潔.  Journal of Southeast University(English Edition). 2013(02)
[8]基于時(shí)空依賴性的區(qū)域路網(wǎng)短時(shí)交通流預(yù)測(cè)模型[J]. 常剛,張毅,姚丹亞.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(02)
[9]短時(shí)交通流預(yù)測(cè)模型[J]. 樊娜,趙祥模,戴明,安毅生.  交通運(yùn)輸工程學(xué)報(bào). 2012(04)
[10]國(guó)外智能交通系統(tǒng)的發(fā)展情況[J]. 陳桂香.  中國(guó)安防. 2012(06)

博士論文
[1]城市交通控制信號(hào)配時(shí)參數(shù)優(yōu)化方法研究[D]. 栗紅強(qiáng).吉林大學(xué) 2004

碩士論文
[1]信號(hào)交叉口違規(guī)變道對(duì)交通效率影響研究[D]. 何磊.長(zhǎng)安大學(xué) 2017
[2]擁擠網(wǎng)絡(luò)交叉口多目標(biāo)配時(shí)優(yōu)化研究[D]. 張凌煊.西南交通大學(xué) 2015
[3]基于粒子群算法的區(qū)域交通優(yōu)化控制的研究[D]. 李忠玉.西華大學(xué) 2015
[4]基于低碳交通的信號(hào)交叉口優(yōu)化控制研究[D]. 王芳.湖南大學(xué) 2014
[5]城市單交叉路口交通信號(hào)的控制方法研究[D]. 曾松林.西南交通大學(xué) 2013
[6]城市交通動(dòng)態(tài)研判應(yīng)用技術(shù)研究[D]. 楊洪.西南交通大學(xué) 2013
[7]基于多目標(biāo)規(guī)劃的城市道路交叉口信號(hào)配時(shí)研究[D]. 劉金明.北京交通大學(xué) 2011
[8]基于FCD的交通動(dòng)態(tài)區(qū)域協(xié)調(diào)控制研究[D]. 卞凱.中國(guó)科學(xué)技術(shù)大學(xué) 2011
[9]車輛導(dǎo)航系統(tǒng)中動(dòng)態(tài)路徑規(guī)劃方法研究[D]. 曹磊.吉林大學(xué) 2009



本文編號(hào)：2909298