论文部分内容阅读
从全国乃至全世界的交通情况来看,随着各个国家的机动车数目的不断增加,现有的公共交通条件将越来越不能达到机动车容量对其的要求,从而将会导致各种交通系统的问题,现如今交通拥堵这个问题的普遍存在已经是人们和社会都不能忽视的一个严峻问题,而解决此问题最好的办法便是预防,预防交通拥堵问题的出现并将交通拥堵扼杀在摇篮中。另外,本文通过分析交通系统中所存在的不足得知ITS系统中存在数据资源浪费等问题。针对交通拥堵问题以及智能交通系统的数据资源浪费问题,本文首先利用智能交通系统所采集到的时空数据找出交通拥堵区域,其次根据交通拥堵区域的发现结果预测各个区域在之后的时间出现交通拥堵情况的几率。本文利用的是智能交通系统中所采集到的数据,选取了北京市出租车系统中的12,000辆出租车于2012年11月所反馈的GPS数据作为数据源。本文首先根据GPS定位系统原理所造成的数据噪声以及本文实情将数据集进行了清洗及时间片分割的操作。其次本文根据拥堵区域车辆密集的特点针对时间片数据集进行基于距离聚类分析(K-means、DBSCAN聚类算法),并且将两种聚类方法的结果及性能作比较,本文最终根据比较结果的分析选取了DBSCAN聚类算法来分析各个时间片的数据集。时间片数据集在进行聚类后,将算法得到聚类结果与分割后的网格区域相匹配,并将区域分为聚类数据簇内部、聚类数据簇边缘、聚类数据簇外部。然后本文将各个区域的车辆平均时速进行计算,其中将聚类数据簇外部车辆时速记为零。本文根据拥堵区域判定规则得到每个时间片上各个区域的交通拥堵情况,并将交通情况细分为“严重拥堵”、“中度拥堵”、“轻度拥堵”、“畅通”,最后将最终结果以矩阵的形式存储于文本文件当中。由于导致交通拥堵的原因较为复杂多变,所以出现交通拥堵的情况有一定的随机性。交通拥堵状况可以看做是当前时刻的状态只依赖于上一个时刻的状态,所以本文根据马尔可夫链链预测模型建立交通拥堵情况预测模型,将交通拥堵情况的发现结果分为训练集和验证集。其中利用训练集进行基于Markov链的交通拥堵预测,利用验证集来验证该模型的正确率。最后,本文将K-means、DBSCAN聚类、基于Markov链预测模型作了实验及对比,并对预测模型正确率进行验证统计。