發(fā)布時(shí)間：2024-06-12 00:18

　　城市汽車保有量隨著城市化進(jìn)程的加快而快速增長(zhǎng),導(dǎo)致城市道路交通擁堵問(wèn)題變得愈發(fā)嚴(yán)重,為了有效地緩解城市道路擁堵問(wèn)題,智能交通作為智慧城市建設(shè)的重要組成部分,已成為當(dāng)前研究熱點(diǎn)。2019年度智能交通領(lǐng)域中交通信號(hào)控制成為最受關(guān)注的民生內(nèi)容之一,在原有的道路建設(shè)條件下,研究如何緩解城市交通擁堵?tīng)顩r,提高路網(wǎng)通行效率和管理能力,解決當(dāng)下人們關(guān)注的出行問(wèn)題,具有重要的理論意義和研究?jī)r(jià)值。本文針對(duì)城市道路中交通控制信號(hào)優(yōu)化問(wèn)題進(jìn)行了研究,利用交通道路監(jiān)控拍攝的視頻,實(shí)時(shí)獲取當(dāng)前道路的交通流量;將當(dāng)前車流量數(shù)據(jù)輸入誤差校正小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,對(duì)路口下一時(shí)段交通流量進(jìn)行預(yù)測(cè);根據(jù)模型的預(yù)測(cè)值實(shí)時(shí)調(diào)整當(dāng)前路口及區(qū)域路網(wǎng)的信號(hào)控制策略,提升道路通行效率及交通管理水平,在此基礎(chǔ)上設(shè)計(jì)了基于視頻車流量的智能路網(wǎng)指揮系統(tǒng)。本文在算法研究方面,首先,為了更加準(zhǔn)確地獲取視頻中交通流量信息,提出了一種融合改進(jìn)ViBe和自適應(yīng)閾值陰影消除算法的動(dòng)態(tài)目標(biāo)檢測(cè)算法,該算法利用均值背景建模對(duì)ViBe算法進(jìn)行改進(jìn),解決了ViBe算法的鬼影問(wèn)題,并且進(jìn)一步融合了閾值自適應(yīng)的混合色度空間陰影消除算法,有效地消除了前景圖像中的陰...

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景與研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 交通流量預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 交叉路口交通信號(hào)控制國(guó)內(nèi)外研究現(xiàn)狀
        1.2.3 智能交通控制系統(tǒng)國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文研究主要內(nèi)容
    1.4 論文主要結(jié)構(gòu)安排
第二章 論文相關(guān)技術(shù)研究
    2.1 編程語(yǔ)言
    2.2 圖像處理技術(shù)
        2.2.1 色度空間轉(zhuǎn)換
        2.2.2 圖像形態(tài)學(xué)處理
    2.3 神經(jīng)網(wǎng)絡(luò)
    2.4 遺傳算法
    2.5 本章小結(jié)
第三章 視頻交通流量檢測(cè)
    3.1 引言
    3.2 基于改進(jìn)ViBe算法的動(dòng)態(tài)目標(biāo)檢測(cè)
        3.2.1 ViBe算法
        3.2.2 改進(jìn)的ViBe算法
    3.3 自適應(yīng)閾值的混合色度空間陰影消除算法
        3.3.1 常用陰影消除算法
        3.3.2 自適應(yīng)閾值的混合色度空間陰影消除算法
        3.3.3 實(shí)驗(yàn)與結(jié)果分析
    3.4 交叉路口多車道車流量獲取
        3.4.1 車流量基本概念
        3.4.2 基于虛擬線圈的車流量統(tǒng)計(jì)
        3.4.3 車流量統(tǒng)計(jì)與結(jié)果分析
    3.5 本章小結(jié)
第四章 短時(shí)交通流量預(yù)測(cè)
    4.1 引言
    4.2 短時(shí)交通流特性及評(píng)價(jià)指標(biāo)
        4.2.1 短時(shí)交通流特性
        4.2.2 預(yù)測(cè)效果評(píng)價(jià)指標(biāo)
    4.3 交通流預(yù)測(cè)常用模型
        4.3.1 時(shí)間序列模型
        4.3.2 神經(jīng)網(wǎng)絡(luò)模型
        4.3.3 小波神經(jīng)網(wǎng)絡(luò)模型
    4.4 基于小波神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型設(shè)計(jì)
        4.4.1 數(shù)據(jù)預(yù)處理
        4.4.2 小波神經(jīng)網(wǎng)絡(luò)模型初始化
        4.4.3 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)
    4.5 誤差校正
        4.5.1 ARIMA模型簡(jiǎn)介
        4.5.2 車流量誤差預(yù)測(cè)ARIMA模型建立
        4.5.3 誤差校正的小波神經(jīng)網(wǎng)絡(luò)模型
    4.6 預(yù)測(cè)模型實(shí)驗(yàn)及結(jié)果分析
    4.7 本章小結(jié)
第五章 基于多目標(biāo)優(yōu)化的交叉口配時(shí)策略
    5.1 引言
    5.2 多目標(biāo)優(yōu)化
        5.2.1 多目標(biāo)優(yōu)化概念
        5.2.2 多目標(biāo)優(yōu)化方法
        5.2.3 多目標(biāo)優(yōu)化求解算法
    5.3 單交叉口配時(shí)優(yōu)化模型
        5.3.1 信號(hào)配時(shí)參數(shù)
        5.3.2 配時(shí)指標(biāo)選取
        5.3.3 基于多目標(biāo)優(yōu)化的單交叉口配時(shí)模型
    5.4 基于遺傳算法的配時(shí)優(yōu)化策略
        5.4.1 多目標(biāo)優(yōu)化模型轉(zhuǎn)化
        5.4.2 遺傳算法模型求解
        5.4.3 實(shí)驗(yàn)與結(jié)果分析
    5.5 本章小結(jié)
第六章 多交叉口綠波協(xié)同控制
    6.1 引言
    6.2 干道綠波協(xié)調(diào)控制基本概念
        6.2.1 干道綠波協(xié)調(diào)控制基本要求
        6.2.2 干道綠波協(xié)調(diào)控制方式
        6.2.3 干道綠波協(xié)調(diào)控制基本參數(shù)
    6.3 多交叉口協(xié)同控制
        6.3.1 關(guān)鍵交叉口及協(xié)調(diào)相位確定
        6.3.2 公共周期及綠燈時(shí)長(zhǎng)確定
        6.3.3 相位差確定方法
    6.4 實(shí)驗(yàn)仿真與結(jié)果分析
        6.4.1 數(shù)據(jù)準(zhǔn)備
        6.4.2 仿真流程
        6.4.3 實(shí)驗(yàn)與結(jié)果及分析
    6.5 本章小結(jié)
第七章 智能路網(wǎng)指揮系統(tǒng)設(shè)計(jì)
    7.1 引言
    7.2 開(kāi)發(fā)平臺(tái)搭建
        7.2.1 云服務(wù)器
        7.2.2 WEB項(xiàng)目搭建
    7.3 智能路網(wǎng)指揮系統(tǒng)設(shè)計(jì)
        7.3.1 系統(tǒng)總體設(shè)計(jì)
        7.3.2 軟件平臺(tái)設(shè)計(jì)
        7.3.3 數(shù)據(jù)庫(kù)表結(jié)構(gòu)設(shè)計(jì)
        7.3.4 界面設(shè)計(jì)
    7.4 系統(tǒng)測(cè)試
        7.4.1 登錄測(cè)試
        7.4.2 主要功能測(cè)試
    7.5 本章小結(jié)
第八章 總結(jié)與展望
    8.1 總結(jié)
    8.2 展望
參考文獻(xiàn)
攻讀碩士期間研究成果
致謝



本文編號(hào)：3992933