导读:本文包含了排队估计论文开题报告文献综述及选题提纲参考文献，主要关键词:排队长度,GPS数据,号牌识别数据,随机森林
排队估计论文文献综述
刘佳超,安成川,夏井新[1]（2019）在《基于号牌识别和GPS数据的实时排队长度估计方法》一文中研究指出排队长度是制定有效的城市交通缓堵策略的重要基础信息。本文提出了一种双层随机森林模型,利用匹配的号牌数据和GPS数据进行实时排队长度估计。GPS数据提供了车辆的停车位置,与之匹配的号牌识别数据提供了对应停车位置的解释特征。模型的第一层基于提取的特征对有停车车辆和无停车车辆进行分类,模型第二层用于估计有停车车辆的停车位置,从而直接得到排队长度。昆山市叁个不同等级的道路作为实例对本方法进行了验证,估计值和实际值的对比表明本方法具有可信的精度并且有一定的应用价值。(本文来源于《第十四届中国智能交通年会论文集》期刊2019-11-01）
姚宇[2]（2019）在《基于数据融合的交叉口排队长度估计方法》一文中研究指出目前,国内外对于排队长度估计的主流研究大多是根据交通流状态,获得道路交叉口信号周期内最大排队长度和平均排队长度。已有的研究多依赖于单一的交通数据来源,如GPS浮动车数据、断面检测的流量数据等。由于数据检测传输过程中的检测误差、信号丢失、干扰、以及检测设备覆盖范围限制,使得依赖于单一数据源的排队长度估计算法的稳定性和可靠性难以保证。因此,融合多源数据进行排队长度估计的算法研究,在数据互补、精度修正、提高估计模型的综合性能上具有良好的研究价值。本文主要围绕交通数据融合以及交叉口排队长度估计方法进行研究,具体分成叁部分:交通数据融合与排队长度估计方法;数据融合的交叉口排队长度估计方法精度分析;基于排队长度的信号配时思路探讨。首先,本文通过对不同交通数据特性进行分析,从而对交通数据的归属类型、交通数据采集技术分类以及不同种类检测设备的特点进行总结,分析比较各种方法的适用条件及优缺点。然后基于统计归纳思想和交通流理论,结合浮动车的排队规律和断面检测流量数据特点,分别建立排队长度估计模型。考虑到两类模型在不同数据采集环境下的精度差异,为增强估计模型的普适性和稳定性,提出采用组合估计的方法,进行误差融合修正,通过将断面检测流量数据与移动GPS数据进行有效的融合,最终构建出基于数据融合的可实时估计交叉口车辆排队长度的估计模型。其次,采用已获取的南昌市东湖区中山路与八一大道交叉口的固定检测器检测数据,应用VISSIM软件进行排队仿真分析,获得路段同步同流量下实时的浮动车数据,同时根据移动GPS数据和断面检测流量数据,分别估计各时间间隔内的交叉口排队长度,依据熵值法的组合估计理论,对基于移动GPS数据的排队长度估计结果和基于断面检测流量数据的排队长度估计结果进行加权组合估计,运用仿真输出的实际排队长度结果,对模型计算精度进行误差指标分析和评价。最终验证了基于数据融合的排队长度组合估计模型相比于单一数据来源的排队长度计算方法,整体估计稳定性能较好,计算结果精度更高。最后,基于估计的排队长度,探讨依据估计排队长度确定交叉口信号配时的方法,并分析交叉口连续数据采集条件下信号配时的基本过程,并总结了基于排队长度均衡为控制目标的信号配时策略的主要思路。(本文来源于《华东交通大学》期刊2019-06-30）
陈之锴,成卫,李黎山,李冰[3]（2019）在《考虑异质车流的信号交叉口实时排队估计》一文中研究指出信号交叉口排队长度是交通信号控制的一项重要指标,为了提高排队估计精度以及实用性,文章以相邻信号交叉口的下游交叉口排队长度作为研究对象,在关联信号交叉口排队长度计算模型基础上,提出了一种考虑异质车流的影响下的实时排队长度的估计方法。通过异质车流的行程时间,拟合双峰模型得到车辆离散模型,研究表明:利用该模型分析上游车辆离去流量,得到下游到达流率;通过信号控制方案以及停车波波速,估计交叉口车辆排队长度。大量实证研究检验平均绝对误差在0.3veh/lane/s内,提高了信号交叉口排队长度估计的有效性与实用性,从而为后续异质交通环境下信号配时优化提供理论依据。(本文来源于《物流科技》期刊2019年05期）
陈秋曲[4]（2018）在《基于公交GPS数据的信号交叉口排队长度估计研究》一文中研究指出信号交叉口的排队长度是信号灯配时参数优化、交叉口通行效率评估的关键。受制于传统检测手段,现有研究基于交通波理论的排队长度估计方法没有对单个周期内车辆的排队过程进行细致的分析,难以刻画车辆在信号交叉口的实时排队长度。随着现代交通信息采集技术的发展,基于新的信息采集手段,对车辆在信号交叉口的排队过程和车辆驶离过程进行分析研究,进而优化排队长度估计,对实现路径优化、配时参数优化具有理论和实践意义。论文通过分析信号交叉口车辆的排队过程和车辆驶离过程,并结合公交GPS数据的特点,基于对路段公交车渗透率及信号交叉口车辆到达率的估计,建立了一种基于公交GPS数据的信号交叉口排队长度估计方法,实现了信号交叉口的实时排队长度、平均排队长度和最大排队长度等关键参数的估计。主要内容包括:(1)基于公交GPS数据的路段公交车渗透率估计方法。现有浮动车渗透率估计方法假设车辆的到达服从特定分布,且实验条件过于理想化,难以适用于实际交通环境。为此,本文通过交叉口车辆的排队情况进行分析,提出了一种基于公交GPS数据的路段公交车渗透率估计方法。在仿真环境中设置不同流量和渗透率进行仿真测试,并选择重庆市典型路段进行现场测试,结果表明本文的估计方法具有适用性和有效性。(2)信号交叉口车辆到达率估计方法。考虑到不同类型的信号交叉口车辆的到达过程可能存在差异,本文根据上下游信号交叉口的关联程度将其划分为独立信号交叉口和关联信号交叉口两类。分别分析了两类交叉口车辆的到达过程并建立了两类信号交叉口车辆到达率估计模型。最后在VISSIM平台上进行了仿真实验,实验结果表明:两类信号交叉口车辆到达率估计模型均具有较好的适用性。(3)信号交叉口排队长度估计方法。通过分析信号交叉口车辆的驶离过程,把握车辆在交叉口的驶离特性,在此基础上,计算交叉口的饱和流率以及车辆的启动延误,结合公交车渗透率和车辆到达率的估计结果,建立了交叉口实时排队长度、平均排队长度和最大排队长度估计模型。在重庆市典型信号交叉口的现场测试表明,本文方法的估计效果优于现有估计方法,并具有良好的适用性和有效性。综上所述:本文提出的基于公交GPS数据的信号交叉口排队长度估计方法具有较好的估计效果,能够为信号交叉口配时优化、交通诱导、路径决策等服务。(本文来源于《重庆大学》期刊2018-04-01）
李爱杰,唐克双,董可然[5]（2018）在《基于单截面低频检测数据的信号交叉口排队长度估计》一文中研究指出针对我国大多数中小城市信号交叉口交通检测数据条件及基于此数据条件下存在的信号交叉口排队长度估计精度不高问题,研究了基于单截面低频定点检测数据的信号交叉口排队长度估计模型。利用时间占有率与流量、速度之间的函数关系对长排队(排队长度超出检测器位置)进行识别。根据信号配时数据切分低频检测器数据,并与信号配时数据匹配。基于交通波理论,通过关键点的判别求取周期最大排队长度。以青岛市山东路-江西路南进口为例进行仿真和实证验证。结果显示,长排队的识别精度达到了90%以上,不同饱和度下(低、中、高)的信号交叉口排队长度估计精度均达到了80%以上,其中,中、低饱和度场景下排队长度平均绝对误差小于20m/cycle,高饱和度场景下排队长度平均绝对误差小于45m/cycle。(本文来源于《交通信息与安全》期刊2018年01期）
李福梁,姚佳蓉,朱金清,唐克双[6]（2017）在《稀疏车辆轨迹条件下信号控制交叉口排队长度估计方法》一文中研究指出随着基于移动互联网的车辆导航技术的发展和应用,基于车辆轨迹的信号控制交叉口交通运行状态评价和方案优化逐渐成为研究热点。针对以往研究在稀疏车辆轨迹(一个周期内采样车辆少甚至无采样车辆的情形)的条件下排队长度无法估计或精度低和未能充分挖掘利用历史排队长度和其他非排队车辆轨迹信息等缺陷,本研究提出了一种面向稀疏轨迹数据条件下信号控制交叉口周期排队长度的估计方法。该方法可以通过利用非排队车辆轨迹信息修正最大排队长度估计值以及采用卡尔曼滤波算法和历史排队长度数据对稀疏车辆轨迹周期排队长度进行估计。为验证方法的有效性,本研究使用高频(3s)的滴滴车辆轨迹数据进行实地验证,结果表明本方法可以有效提高稀疏车辆轨迹条件下排队长度的估计精度,所有周期平均绝对误差为3.41辆,平均绝对误差百分比为16.89%,而缺失周期(采样排队车辆数小于等于1辆)平均绝对误差为3.33辆,平均绝对误差为17.78%。本研究成果可以为基于车辆轨迹数据的实时信号控制提供更加可靠的排队长度输入信息。(本文来源于《第十二届中国智能交通年会大会论文集》期刊2017-11-22）
郭亚亚,赵宁,戴琳,李金海[7]（2017）在《对M/G/m排队系统平均等待时间估计方法的数值比较》一文中研究指出M/G/m排队系统是生产、服务系统中比较常见的一类排队系统,其中系统的到达过程为泊松过程,服务规则为先到先服务,服务时间独立且服从一般分布,系统有m个平行服务器.由于M/G/m排队系统不满足马尔可夫性,目前关于该系统的研究仅局限于近似分析.文中介绍了M/G/m排队系统平均等待时间的4种常用的估计方法,得到各种参数下顾客平均等待时间的估计值,通过对顾客平均排队时间估计值与模拟值进行比较,分析了各种方法的准确性及优劣.(本文来源于《江苏科技大学学报(自然科学版)》期刊2017年02期）
吴希[8]（2016）在《基于极大似然估计算法的排队模型及其应用》一文中研究指出排队模型是生活中应用十分广泛的模型之一,尤其在医院的管理中,很多系统都可以用排队模型来模拟。文章中,首先在M/M/1队列模型的基础上,基于队列中的现有顾客数量,利用极大似然估计法估计了利用率ρ,并对ρ的估计值通过一个综合性的仿真实验,验证了估计值的可靠性。最后,结合医院管理中的设备采购问题,探讨了对ρ估计值的应用,对算法的可行性进行了实践分析。(本文来源于《中国市场》期刊2016年43期）
刘泽,王武宏,郭宏伟,蒋晓蓓[9]（2016）在《基于浮动车数据的信号交叉口排队长度估计》一文中研究指出排队长度是衡量交叉口性能的重要指标,也是优化交叉口信号配时的关键依据.本文利用浮动车数据建立基于队尾浮动车位置的信号交叉口排队长度估计模型,以队尾浮动车位置为基础项,采用加权平均到达率表示队尾浮动车之后排队车辆的到达率,从而计算信号周期内车辆最大排队长度.算例显示,模型对于队尾浮动车较早进入排队的情况,排队长度估计平均误差相对较大,但随着队尾浮动车进入排队时间的推迟,模型估计值的平均相对误差逐步降低.当队尾浮动车在红灯结束的1/10时间内排队的情况,平均相对误差仅为15%,说明对于队尾浮动车接近红灯结束时到达的情景,模型估计更为准确.(本文来源于《道路交通与安全》期刊2016年04期）
吴云霞,刘玉乔,李意[10]（2016）在《基于M/G(n)/C/C排队模型的高速公路行程时间估计》一文中研究指出为解决现有高速公路行程时间估计并未考虑交通流实时变化特性的问题,以宏观交通流中流量—密度—速度之间的关系为基础,以速度与密度的线性模型和指数模型为例,假设车辆到达服从泊松分布,构建了高速公路路段M/G(n)/C/C状态相关性排队模型,该排队模型服务时间与系统内的车辆数有关,充分反映了交通流的随机性。在Vissim中构建仿真路网,通过对比仿真实验结果与模型计算结果可知,两者基本一致,误差在5%以内,且指数模型较线性模型适用范围更广,更符合实际情况。(本文来源于《交通运输研究》期刊2016年01期）
排队估计论文开题报告
（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：
目前,国内外对于排队长度估计的主流研究大多是根据交通流状态,获得道路交叉口信号周期内最大排队长度和平均排队长度。已有的研究多依赖于单一的交通数据来源,如GPS浮动车数据、断面检测的流量数据等。由于数据检测传输过程中的检测误差、信号丢失、干扰、以及检测设备覆盖范围限制,使得依赖于单一数据源的排队长度估计算法的稳定性和可靠性难以保证。因此,融合多源数据进行排队长度估计的算法研究,在数据互补、精度修正、提高估计模型的综合性能上具有良好的研究价值。本文主要围绕交通数据融合以及交叉口排队长度估计方法进行研究,具体分成叁部分:交通数据融合与排队长度估计方法;数据融合的交叉口排队长度估计方法精度分析;基于排队长度的信号配时思路探讨。首先,本文通过对不同交通数据特性进行分析,从而对交通数据的归属类型、交通数据采集技术分类以及不同种类检测设备的特点进行总结,分析比较各种方法的适用条件及优缺点。然后基于统计归纳思想和交通流理论,结合浮动车的排队规律和断面检测流量数据特点,分别建立排队长度估计模型。考虑到两类模型在不同数据采集环境下的精度差异,为增强估计模型的普适性和稳定性,提出采用组合估计的方法,进行误差融合修正,通过将断面检测流量数据与移动GPS数据进行有效的融合,最终构建出基于数据融合的可实时估计交叉口车辆排队长度的估计模型。其次,采用已获取的南昌市东湖区中山路与八一大道交叉口的固定检测器检测数据,应用VISSIM软件进行排队仿真分析,获得路段同步同流量下实时的浮动车数据,同时根据移动GPS数据和断面检测流量数据,分别估计各时间间隔内的交叉口排队长度,依据熵值法的组合估计理论,对基于移动GPS数据的排队长度估计结果和基于断面检测流量数据的排队长度估计结果进行加权组合估计,运用仿真输出的实际排队长度结果,对模型计算精度进行误差指标分析和评价。最终验证了基于数据融合的排队长度组合估计模型相比于单一数据来源的排队长度计算方法,整体估计稳定性能较好,计算结果精度更高。最后,基于估计的排队长度,探讨依据估计排队长度确定交叉口信号配时的方法,并分析交叉口连续数据采集条件下信号配时的基本过程,并总结了基于排队长度均衡为控制目标的信号配时策略的主要思路。
（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。
排队估计论文参考文献
[1].刘佳超,安成川,夏井新.基于号牌识别和GPS数据的实时排队长度估计方法[C].第十四届中国智能交通年会论文集.2019
[2].姚宇.基于数据融合的交叉口排队长度估计方法[D].华东交通大学.2019
[3].陈之锴,成卫,李黎山,李冰.考虑异质车流的信号交叉口实时排队估计[J].物流科技.2019
[4].陈秋曲.基于公交GPS数据的信号交叉口排队长度估计研究[D].重庆大学.2018
[5].李爱杰,唐克双,董可然.基于单截面低频检测数据的信号交叉口排队长度估计[J].交通信息与安全.2018
[6].李福梁,姚佳蓉,朱金清,唐克双.稀疏车辆轨迹条件下信号控制交叉口排队长度估计方法[C].第十二届中国智能交通年会大会论文集.2017
[7].郭亚亚,赵宁,戴琳,李金海.对M/G/m排队系统平均等待时间估计方法的数值比较[J].江苏科技大学学报(自然科学版).2017
[8].吴希.基于极大似然估计算法的排队模型及其应用[J].中国市场.2016
[9].刘泽,王武宏,郭宏伟,蒋晓蓓.基于浮动车数据的信号交叉口排队长度估计[J].道路交通与安全.2016
[10].吴云霞,刘玉乔,李意.基于M/G(n)/C/C排队模型的高速公路行程时间估计[J].交通运输研究.2016