上传者: 47367099
|
上传时间: 2022-04-27 20:07:02
|
文件大小: 9.84MB
|
文件类型: PDF
随着社会经济的高速发展,出行需求的持续增加,道路供需矛盾日益突出,致使
交通拥堵路段的数量和里程逐年增加。实时准确的交通状态判别和预测,对于交通拥
堵的智能管控具有重要的作用。随着ITS的逐步实施,各类交通检测设备提供了不同
精度、广度和深度的大量交通数据。然而,如何有效分析交通数据却成为一个巨大的
挑战。传统数据分析方法往往具有特定的模型结构和过多的假设条件,而不能满足分
析各类数据的需求。因此,有必要研究和探索用于交通状态判别与预测的新方法,以
充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性
和可靠性。
本研究旨在改善交通状态判别与预测的效果,在分析各类交通数据的基础上,采
用先进机器学习方法,并有机结合特征选择、群体智慧搜索和时间序列分析等理论方
法,对交通状态判别与预测方法展开深入研究。主要研究内容及成果如下:
(1)基于PSO-SVR优化FCM的交通流缺失数据修复方法
在分析交通流数据时空相关性的基础上,提出了基于PSO-SVR优化FCM的缺失
数据修复方法,以模糊C均值(FCM)为基础算法,采用粒子群优化算法(PSO)和
支持向量回归(SVR)的