导读:本文包含了交通状态向量论文开题报告文献综述及选题提纲参考文献，主要关键词:城市快速路,上下游影响,交通状态预测,时段划分
交通状态向量论文文献综述
刘欢,邵社刚,王赵明[1]（2019）在《基于向量自回归模型的城市快速路交通状态短时预测研究》一文中研究指出本研究考虑时空关联性对城市快速路交通状态进行了短时预测研究。首先,基于快速路上下游检测器数据分析交通流量和速度的时变特性,采用有序样本最优分割算法将一天划分为具有相对稳定交通状态的不同时段。然后,构建一种考虑上下游路段影响的空间向量自回归(Vector Auto Regression Model,VAR)模型,预测不同时段目标地点的交通流量和速度。研究结果显示,下游的交通状态对上游的影响不可忽视,尤其是在高峰时段。对于平峰时段,目标地点的交通状态很大程度上取决于上游路段,而受下游路段的影响较小。在此情况下,仅利用上游路段的交通状态来建模,便能达到足够的预测精度。另外,通过模型对比发现,相较于ARIMA预测模型和历史均值预测模型,本研究提出的VAR模型能够综合考虑交通状态的时空动态特征准确预测城市快速路交通状态。(本文来源于《公路交通科技(应用技术版)》期刊2019年02期）
孙静怡,牟若瑾,刘拥华[2]（2018）在《考虑大型车因素的支持向量机短时交通状态预测模型研究》一文中研究指出高速公路是运输效率高、通行能力大、具备全控制条件的道路,及时发现异常交通状态并采取相应的管制措施是保持良好通行能力的基础。交通状态的短时预测技术能够在实时交通状态数据的基础上对交通状态发展趋势进行预测,为高速公路主线运行管理及匝道交通控制提供决策依据。本研究首先应用灰色关联度理论,分析了道路车型组成比例对交通状态的影响,发现车流中的大型车比例与车流平均速度存在较强的关联性,而且在纵断面线形较为复杂的山区高速公路,车流中大型车比例对车流速度的影响更为显着;然后建立了引入大型车辆比例影响因素的基于支持向量机(SVM)模型的高速公路短时交通状态预测模型,最后通过实测数据及对比试验验证了模型的可行性与准确性。结果表明:本研究设计的支持向量机预测模型具有较为准确的预测效果,均方误差为0. 024 19,决定系数为0. 58;与未引入大型车辆比例的预测方案相比,均方误差减少0. 22,决定系数增大0. 27;与传统的BP神经网络模型相比,支持向量机短时交通状态预测模型预测结果震荡幅度小,所需训练样本量少,具有良好的预测精度,综合性能较好;通过时间序列分析得到,以前6,7个时间点作为输入的预测方案效果较为准确,若时间选取过多,将对模型产生干扰,预测效果反而不好。(本文来源于《公路交通科技》期刊2018年10期）
游锦明,方守恩,唐棠,张兰芳[3]（2018）在《不良交通流状态实时监测支持向量机模型算法研究》一文中研究指出交通流安全实时预警是交通主动安全防控的重要前提.采用实际事故发生前的交通流状态作为不良交通流状态判别标准,通过对车道级交通流数据进行参数提取,结合主成分分析法进行参数降维后得到9个主要参数.建立以径向基为核函数的交通流安全实时预警支持向量机模型,采用网格遍历法确定最优的支持向量机模型的惩罚参数C和核函数参数γ,最终构建的支持向量机模型能够成功地识别79.55%事故对应的不良交通流状态,能够有效地对高速公路上的不良交通流状态进行实时监测预警.(本文来源于《交通运输系统工程与信息》期刊2018年04期）
王锦添[4]（2018）在《基于改进支持向量机的高速公路交通状态识别方法研究》一文中研究指出近几年来,随着人民生活水平的不断提高,对于道路的需求量也不断增加,由此导致了许多问题的出现。例如:交通拥挤,交通事故,尾气污染等。交通状态识别的研究,使得这些问题以某种可预见性的方式呈现,为参与者与指挥者提供动态决策依据。本文针对高速公路交通状态现有评估方法不全面的问题,提出了基于拥挤安全等级的评估体系,并运用支持向量机实时的对交通状态进行识别。运用蝙蝠算法对支持向量机进行改进。针对蝙蝠算法易出现早熟收敛的情况,提出混沌混合蝙蝠算法的改进策略,进一步提高高速公路交通状态识别的精度。本文所做的主要工作如下:1.研究了交通状态评估方法,提出了基于拥挤安全等级评估体系,针对现有评价标准的不足,综合考虑交通状况的拥挤程度和安全性能,将交通状态分为自由安全状态、自由隐患状态、缓行安全状态、缓行隐患状态,拥挤隐患状态5个等级。2.提出了基于模糊聚类的交通拥挤安全等级评估方法,利用模糊聚类的思想,建立了拥挤安全等级评估模型。首先将交通拥挤状态进行软划分,然后依据各状态下的安全性能指标,确定拥挤安全等级。仿真结果表明,这种评估方法具有可行性。3.提出了基于蝙蝠算法支持向量机的交通状态识别方法。运用支持向量机对交通状态进行识别,针对基本支持向量机对于交通等级识别精度不理想的问题,引入蝙蝠算法进行参数优化,得到BA-SVM交通状态识别模型。仿真结果表明,该模型比基本的SVM识别精度更高。4.提出了混合改进蝙蝠算法支持向量机的交通状态识别方法。针对蝙蝠算法后期局部搜索能力差,种群多样性不足的问题,引入混沌理论,个体自适应更新,遗传算法混合改进蝙蝠算法。在初始化阶段引入混沌优化策略;引入速度权重和动态调节频率,使蝙蝠可以自适应飞行,提高了全局搜索能力;在算法后期引入择优遗传策略,增加了种群的竞争机制,防止蝙蝠种群过早的陷入局部最优解。仿真结果表明,这种混合改进的方法相比标准蝙蝠算法寻优时间更短,识别精度更高,进一步改进了支持向量机。(本文来源于《广东工业大学》期刊2018-05-01）
邓捷,郭桂林[5]（2015）在《基于经验模态分解与支持向量机的道路交通状态预测》一文中研究指出为准确预测道路交通状态,提出以经验模态分解和支持向量机组合的预测模型,对道路多维车流的速度进行预测。以重庆市出租车GPS数据为例,利用EMD解决非线性、非平稳信号上的优势,将速度数据进行分解,得到一组本征模态分量和一个余量;然后,利用SVM对各分量进行单独预测;最后,将预测的各层结果进行融合,得到最终的预测值。仿真结果表明:对基于时空的车流速度进行预测能得到更准确的结果,EMD和SVM组合预测模型比单一SVM模型的预测精确度更高。(本文来源于《交通科技与经济》期刊2015年06期）
马法平[6]（2014）在《基于支持向量机的城市道路交通状态判别方法研究》一文中研究指出道路交通状态判别是智能交通管理系统进行路况信息发布和交通诱导的基础，目前我国各大城市的交通基础信息采集系统和交通诱导信息发布系统建设均已初具规模。然而在数据处理和实时道路交通状态判别中却还存在一些问题，亟待改进。交通状态判别是交通诱导中一个很重要的问题，提供实时准确的交通状态信息能为出行者做出合理的路径选择提供参考。因此，需要对路网中的交通状态信息做出准确判别预测。本文重点研究交通状态判别问题。对于交通状态判别问题，考虑到传统的交通状态划分方法是根据国家交通部门给定的交通状态指标来进行划分，这种方法对于不同道路的适应性不是很强，在实际应用中很难满足准确性要求。因此，本文采用模糊聚类的方法来划分交通状态，对不同路段做出不同的状态划分。在此基础上，采用多类支持向量机方法对未来时刻的交通状况进行分类。多类支持向量机是传统两类支持向量机的改进，能够对具有多种划分指标的问题进行很好的划分，适合进行交通状态判别。本文提出了实时的交通状态判别系统模型。系统根据实时采集的交通参数信息准确的判断未来时刻的交通状态信息，并及时地将交通状态信息进行发布，很好地实现了交通诱导，提高了交通系统的服务质量。(本文来源于《青岛科技大学》期刊2014-05-30）
于荣,王国祥,郑继媛,王海燕[7]（2013）在《基于支持向量机的城市道路交通状态模式识别研究》一文中研究指出城市道路交通状态识别是现代智能交通系统的重要组成部分,是交通智能控制、诱导和协同系统的基础.基于支持向量机建立车流量、平均速度和占有率的叁维反映空间,以堵塞流、拥挤流、平稳流和顺畅流为标签对道路交通状态进行分类;并在MATLAB平台下利用LiBSVM工具包进行实验分析,对SVM各种核函数的分类效果进行比较研究,实现了支持向量机技术的交通状态模式识别.结果表明:选择的指标能很好地反映交通状态的特征,SVM核函数可以以较高的分类精度区分开交通流的状态识别,数据的归一化对分类的结果具有重要的影响.(本文来源于《交通运输系统工程与信息》期刊2013年01期）
郑勋烨,黄晶晶[8]（2010）在《基于支持向量回归机的交通状态短时预测和北京某区域实例分析》一文中研究指出根据基于支持向量回归机的交通状态短时预测方法建立了数学模型,考虑以交通检测器收集到所要预测时刻前几个时段及被测路段上下游前几时段的交通流量、车道占有率、平均线速度等交通参数为输入,以对应时段的平均线速度为输出.选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,利用输入参数预测下时段的交通线速度.最后,以北京市北四环某路段的实时监测数据来对模型进行检测,预测结果表明了模型的有效性.(本文来源于《数学的实践与认识》期刊2010年10期）
李清泉,高德荃,杨必胜[9]（2009）在《基于模糊支持向量机的城市道路交通状态分类》一文中研究指出运用模糊支持向量机方法进行城市道路交通状态分类,应用模糊隶属度处理了评价者的主观偏好表达和交通状态评价指标范围的不确定性问题;同时,通过集成支持向量机分类学习的能力修正了单纯模糊分类方法无法进行样本训练的局限,采用"一对一"方法进行交通状态多类分类。最后基于微观交通仿真数据,验证了模糊支持向量机方法在交通状态分类中能够减少样本数据噪声影响,提高分类训练学习的质量。(本文来源于《吉林大学学报(工学版)》期刊2009年S2期）
姜敩闻,罗霞[10]（2009）在《应用支持向量机的交通流状态预测方法研究》一文中研究指出支持向量机(support vector machine,SVM)是近年来出现的立足于统计学习理论(statistical learning theory,SLT)的VC维理论和结构风险最小化原则基础上的机器学习方法,在数据挖掘及分类中具有特点和优越性.为了提高交通流状态预测的精度及效率,研究支持向量机应用于数据泛化及分类的方法,并建立模型,在实测数据的基础上进行交通流状态的判定及预测.实验结果表明该方法学习及预测速度快、效率高,并且误差可控,具有较高的精确度(本文中实例精度高于95%),应用前景广泛.(本文来源于《西南民族大学学报(自然科学版)》期刊2009年04期）
交通状态向量论文开题报告
（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：
高速公路是运输效率高、通行能力大、具备全控制条件的道路,及时发现异常交通状态并采取相应的管制措施是保持良好通行能力的基础。交通状态的短时预测技术能够在实时交通状态数据的基础上对交通状态发展趋势进行预测,为高速公路主线运行管理及匝道交通控制提供决策依据。本研究首先应用灰色关联度理论,分析了道路车型组成比例对交通状态的影响,发现车流中的大型车比例与车流平均速度存在较强的关联性,而且在纵断面线形较为复杂的山区高速公路,车流中大型车比例对车流速度的影响更为显着;然后建立了引入大型车辆比例影响因素的基于支持向量机(SVM)模型的高速公路短时交通状态预测模型,最后通过实测数据及对比试验验证了模型的可行性与准确性。结果表明:本研究设计的支持向量机预测模型具有较为准确的预测效果,均方误差为0. 024 19,决定系数为0. 58;与未引入大型车辆比例的预测方案相比,均方误差减少0. 22,决定系数增大0. 27;与传统的BP神经网络模型相比,支持向量机短时交通状态预测模型预测结果震荡幅度小,所需训练样本量少,具有良好的预测精度,综合性能较好;通过时间序列分析得到,以前6,7个时间点作为输入的预测方案效果较为准确,若时间选取过多,将对模型产生干扰,预测效果反而不好。
（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。
交通状态向量论文参考文献
[1].刘欢,邵社刚,王赵明.基于向量自回归模型的城市快速路交通状态短时预测研究[J].公路交通科技(应用技术版).2019
[2].孙静怡,牟若瑾,刘拥华.考虑大型车因素的支持向量机短时交通状态预测模型研究[J].公路交通科技.2018
[3].游锦明,方守恩,唐棠,张兰芳.不良交通流状态实时监测支持向量机模型算法研究[J].交通运输系统工程与信息.2018
[4].王锦添.基于改进支持向量机的高速公路交通状态识别方法研究[D].广东工业大学.2018
[5].邓捷,郭桂林.基于经验模态分解与支持向量机的道路交通状态预测[J].交通科技与经济.2015
[6].马法平.基于支持向量机的城市道路交通状态判别方法研究[D].青岛科技大学.2014
[7].于荣,王国祥,郑继媛,王海燕.基于支持向量机的城市道路交通状态模式识别研究[J].交通运输系统工程与信息.2013
[8].郑勋烨,黄晶晶.基于支持向量回归机的交通状态短时预测和北京某区域实例分析[J].数学的实践与认识.2010
[9].李清泉,高德荃,杨必胜.基于模糊支持向量机的城市道路交通状态分类[J].吉林大学学报(工学版).2009
[10].姜敩闻,罗霞.应用支持向量机的交通流状态预测方法研究[J].西南民族大学学报(自然科学版).2009