论文部分内容阅读
城市快速路通过改善道路条件和交通环境,以大容量、高效率的交通功能为人们出行提供了快速、高效的运行环境,具有良好的社会效益和经济效益。目前，我国关于城市快速路的交通流基础理论研究正处于发展阶段，国内学者多利用数学模型来描述交通状态及其变化，并已取得一定成果。但在基于实证法的交通流研究中，国内研究还较少涉及。为此，论文结合数据挖掘和实证方法探究了城市快速路交通流运作机理，建立了基于交通参数统计特性、PCA和BP神经网络的交通相辨识与预测模型，为城市交通系统管理提供理论支持和应用参考。本文首先通过交通参数的时序图、基本图和时空数据重构法，定性分析交通流相态及其演变的数据特征和拥挤蔓延特性；随后论文利用统计原理，以Occ为自变量分析了Q、V、ht及其时间差分量的标准差变化特性，建立了Q-Occ判别相图，拟合出了F-S相变和S-J相变的S型概率曲线，实现了定性分析到定量分析的转化；最后，论文利用PCA和KNN方法在低维空间分析了交通相的数据特征，确定了Q、V、Occ、ht的特征指标，建立了基于PCA和神经网络的交通相辨识与预测模型，作为统计模型的补充。论文的创新点主要有：（1）根据城市快速路交通流实测数据，详细阐述了城市快速路交通流运行机理，利用统计原理建立了Q-Occ判别相图，拟合出了F-S相变和S-J相变的概率曲线；（2）通过PCA和KNN的方法确定了适用于特征提取的交通参数集合,设计了基于PCA特征提取的交通相辨识模型和BP神经网络的相演变预测模型。根据实测数据的检验，该模型能较好地判别出当前交通状态，并且能通过“三相匹配曲线”展现三相交通流的博弈过程。三相匹配曲线一定程度上量化了交通相的动态演变过程，并结合BP神经网络应用在交通相演变预测模型。论文中涉及到的交通流机理分析、交通相辨识模型和相演变预测模型，可为智能交通系统的控制策略提供一定的理论依据和应用参考。