导读:本文包含了浮动车论文开题报告文献综述及选题提纲参考文献，主要关键词:城市交通,浮动车数据,时空特征分析,拥堵阈值
浮动车论文文献综述
杨薇,滕鲁,曾庆华[1]（2019）在《基于长春市浮动车数据的城市交通运行状态分析》一文中研究指出为了掌握长春市道路交通运行状态,通过提取出租车GPS信息作为长春市浮动车数据源,以长春市浮动车原始数据为基础,探讨浮动车数据采集与处理的方法,并与长春市现状道路模型进行地图匹配。通过拥堵感知数据分析和浮动车速度数据分析两种方法互相校验确定各等级道路阈值,对长春市路网速度进行时空特征分析。数据表明:除极端天气可能导致大面积、系统性拥堵外,长春市道路交通拥堵主要表现为局部时段和局部区域,并有扩散的趋势。此外,探讨了目前长春市浮动车数据的不足及下一步研究方向,为相关部门政策制定提供数据支撑和决策依据。(本文来源于《交通与运输》期刊2019年06期）
姚滢滢[2]（2019）在《基于浮动车数据预测的车辆配送路径研究》一文中研究指出时代的发展使得基于浮动车数据预测的车辆配送路径研究成为一种趋势。在本文中会从历史浮动车数据预处理、浮动车数据与地图匹配并进行轨迹纠正、交通状态预测、车辆配送路径优化等几方面来进行探讨。(本文来源于《广西质量监督导报》期刊2019年10期）
黄艳雅,谷雨航,檀栋[3]（2019）在《基于浮动车大数据的出租车运营特性分析体系——以南宁市为例》一文中研究指出文主要对南宁市区出租车GPS数据和路网地图进行预处理,利用E chart软件将其运行轨迹在地图上显现出来,直观的看到各个时间段出租车的运行轨迹;通过对出租车运营特性指标的分析,包括运行时间,空车率等,分析该行业运营现状并提出意见。(本文来源于《中国新通信》期刊2019年18期）
许伦辉,陈凯勋,郭雅婷[4]（2019）在《基于NB和DTW组合模型的稀疏浮动车数据填充》一文中研究指出利用浮动车数据对交通状态进行挖掘和分析已经是交通领域的重要研究手段之一,而浮动车数据的稀疏性给数据挖掘工作带来了阻碍。对路网数据缺失特性进行分析后,提出了稀疏浮动车数据的填充模型,模型中对缺失小于30%的偶然性数据缺失采用基于朴素贝叶斯(NB)的分类方法进行数据填充,对缺失大于30%的多发性数据缺失采用基于动态时间规整(DTW)的方法进行二次填充,将两种方法结合并应用于路网实例中,对路段缺失的交通流速度数据进行填充,提升了浮动车数据的路网覆盖率,有效降低了浮动车数据缺失对交通流速度信息的采集、发布以及预测工作带来的影响。(本文来源于《中山大学学报(自然科学版)》期刊2019年04期）
刘伊铭,赵钟泥,赵孟轩[5]（2019）在《基于GPS数据地图匹配的浮动车预测模型》一文中研究指出研究浮动车数据对预测交通状态有着重大意义,是改善交通拥堵的一种有效方法。浮动车一般是指安装了GPS定位装置并行驶在城市主干道上的公交车和出租车。本文以深圳市福田区香蜜湖路、新洲路和北环大道部分主干道及周边关联道路七天内的浮动车数据为例,根据浮动车在其行驶过程中定期记录的车辆位置信息,将其转换为WGS-84坐标系下的坐标,结合隐马尔可夫模型进行地图匹配,使浮动车数据和城市道路在时间及空间上关联起来,最终得到浮动车所经过道路的交通信息,从而对交通状况进行研究与预测,这对于缓解城市交通压力、提升交通管理效率有着非常重要的应用价值。(本文来源于《科学技术创新》期刊2019年17期）
曹鹏,马婕,施展华[6]（2019）在《针对浮动车异常数据的增强型在线异常点检测算法》一文中研究指出在智能交通系统(ITS)中,为了从浮动车数据中获取准确动态的交通信息,需要实时识别并剔除异常数据。为了检测异常浮动车数据,本文提出一种独特的增强型在线非监督离群点检测算法(EOSA)。该算法由SS算法和K-means聚类算法组成,其中,SS算法可采用基于离散变量和连续变量的概率模型来计算异常分值,将K-means聚类算法与SS算法相结合可以有效提高检测精度。本文采用了深圳市浮动车数据来验证EOSA算法,试验结果表明,该算法能够成功检测到异常的数据,其中包含车辆停放和停车等待时的异常GPS记录。此外,通过试验比较,本文提出的EOSA算法比现有六种常用算法都具有更高的异常数据检测精度。EOSA算法有望应用于基于浮动车数据的智能交通系统。(本文来源于《交通运输工程与信息学报》期刊2019年02期）
陈鹏君[7]（2019）在《结合浮动车数据的干线控制策略研究》一文中研究指出随着众多网约车平台的出现,浮动车的数量越来越多,这给交通诱导与控制、智慧停车、交通组织优化等研究提供了大量的数据源,有助于提高道路资源的利用率,降低车辆的行车延误。而在不同交通状态下,干线控制策略的选择以及策略的具体实施方法,同样是值得研究的一个问题。本文在综合分析浮动车数据的运用和干线控制策略的选择这两个大方向的前提下,分别进行了以下几个方面的研究:首先,本文确定了在非拥堵状态下采用干线协调控制策略、在拥堵状态下采用干线均衡控制策略的方向。在此基础上,分析了车载设备上传的真实浮动车数据预处理方法和地图匹配过程,以及仿真浮动车数据的获取与预处理方法,并结合两者优缺点以及适用情形,选择仿真浮动车数据进行模型与算法的分析验证,选择真实浮动车数据进行实例分析。同时,对基于浮动车数据的交通状态划分进行了分析,为干线控制策略的选择提供了依据。然后,在非拥堵状态下,进行干线协调控制研究。根据复化梯形数值积分法,求得单车行程时间估计值;采用平均中值法,计算得到基于浮动车数据的路段平均行程时间,并结合VISSIM仿真验证,发现平均中值法效果优于算术平均法,且浮动车比例越高,估计值越准确。在此基础上,利用灰色预测模型进行路段行程时间预测,然后结合马尔科夫预测方法修正灰色预测值,并通过仿真验证了短时行程时间预测结果的可靠性。最后根据预测所得的行程时间值进行干线协调控制优化,通过实例分析证明了动态相位差优化效果较好。最后,在拥堵状态下,进行干线均衡控制研究。以综合延误模型为基础,以各个交叉口的延误值为权重,建立了干线均衡控制模型,从而实现干线各交叉口延误的最小化和均衡化;采用遗传算法求解并进行实例分析,论证了均衡控制效果。在此基础上,采用速度-加速度延误估计方法,通过VISSIM仿真,分析了在不同采样精度和浮动车比例下的交叉口延误估计准确性,并对延误估计时的样本量不足问题提出了建议。(本文来源于《中国人民公安大学》期刊2019-06-09）
袁向红[8]（2019）在《基于浮动车数据的高速公路交通量预测模型研究》一文中研究指出在过去的叁十年中,我国的经济飞速发展。与此同时,面临的交通拥堵问题也日益突出。交通拥堵不仅影响出行质量,还容易造成交通事故、能源浪费,不利于社会的可持续发展。如果可以掌握实时的交通状态,及时采取交通诱导措施,就能在一定程度上避免交通拥堵的发生。为收集交通信息,高速公路已经广泛安装了道路检测器,如线圈检测器、视频检测器、红外检测器,但这些检测器都存在一定的弊端,例如,维修成本高、实时性差等。随着GPS技术的迅猛发展,浮动车作为一种新兴的数据采集方式已经广泛应用在交通领域。本文借助GPS浮动车数据建立了交通量预测模型,使获得实时的道路交通信息成为可能。本文首先介绍了国内外GPS技术的发展以及几个应用广泛的交通量预测模型。通过分析以往交通量预测模型的优劣,确定借助GPS数据和交通流理论来建立预测模型。其次回顾了高速公路上反映交通流状态的叁个重要参数,并对所研究的高速公路进行简单建模。建模过程主要是根据匝道位置划分路段,确定路段上检测器的位置。数据分析主要是对检测器检测到的交通流数据进行处理,对错误数据进行筛选并利用K-Means算法对数据进行聚类分析。最后,根据速度-密度模型对各路段交通流参数进行标定,确定各个路段的速度-密度关系式。然后详细介绍了高速公路交通量预测模型的计算流程。基于两相邻浮动车的轨迹数据、速度数据,借助交通流理论建立以速度估计值误差最小为目标函数的非线性规划函数,此函数求得的最优值即为两浮动车间所夹的车辆数。利用求得的车辆数计算路段平均密度最终得到路段上的累计交通量。此部分为本文的核心部分。最后,利用VISSIM仿真平台生成浮动车数据并将数据输入到交通量预测模型中进行验证。通过将模型预测的交通量与各路段实际的交通量进行对比发现,模型的预测结果符合实际的交通变化趋势。在与根据速度密度模型建立的简易预测模型对比中发现,本模型的估计值更接近真实情况,预测效果相对较好。(本文来源于《北京交通大学》期刊2019-06-01）
闫晓晓[9]（2019）在《基于GPS浮动车轨迹数据的交叉口流量预测》一文中研究指出随着卫星定位导航技术和通信技术的快速发展,GPS浮动车改变了传统的交通数据采集方式,目前已经成为一种新的数据采集手段。GPS浮动车可以实时地提供车辆位置、速度等信息以及车辆连续的空间信息,并且具有数据量大、数据获取成本低、实时性等特点。目前,利用GPS浮动车轨迹数据进行交通状态和行为估计已经得到了迅速发展。然而大多数学者是通过GPS轨迹数据估计路段平均速度、行程时间或者交叉口的排队长度、延误等交通参数,从而判断交通状态是畅通还是拥堵,并没有对流量进行具体量化。在信号交叉口,交通流量是进行信号优化的重要输入参数。利用GPS浮动车轨迹数据估计交叉口流量对优化信号配时具有非常重要的意义。本文主要是基于交通流速度-密度关系建立交叉口轨迹预测模型,并通过GPS浮动车轨迹数据进行交叉口流量预测。首先,本文介绍了模型的理论基础,包括交通流参数的概念以及常用的几种交通流速度-密度关系模型。本文提出的模型是利用GPS浮动车轨迹数据,通过交通流速度-密度关系估计浮动车辆之间的车辆数。根据速度、密度的定义,在研究时空区域内,交通流速度可近似用研究时段内所有浮动车辆平均速度的平均值表示,交通流密度近似用研究时段内不同时刻路段瞬时密度的平均值表示。其次,本文建立了基于交通流速度-密度关系的交叉口轨迹预测模型。交叉口处由于信号灯的影响,车辆的行驶过程是复杂的,本文根据车辆的不同行驶状态将路段进行了分段。然后根据车辆进入交叉口排队前行驶轨迹数据以及车辆排队放行时行驶轨迹数据分别建立了预测模型,分别用于预测同一周期浮动车之间的车辆数以及同一周期排队通行浮动车之间的车辆数。接下来,提出了基于GPS浮动车轨迹数据的交叉口流量预测方法。由于本文建立的交叉口轨迹预测模型用于预测同一周期的浮动车之间的车辆,因此在应用模型预测之前,应判断两相邻浮动车是否位于同一个周期。然后利用建立的交叉口轨迹预测模型预测同一周期浮动车之间的车辆数。接下来预测停止线到停止线前第一辆排队通行浮动车之间的车辆数。最后根据前面得到的预测值进行交叉口流量估计。最后,基于SUMO微观仿真软件建立交叉口模型,并生成车辆行驶轨迹数据,通过随机抽样得到不同抽样率下的样本轨迹数据,即不同渗透率下的GPS浮动车轨迹数据,从而进行交叉口流量预测并进行误差分析。(本文来源于《北京交通大学》期刊2019-06-01）
草克土[10]（2019）在《基于浮动车数据的交通状态分析研究》一文中研究指出近年来,因汽车保有量的不断增长,城市交通拥堵日益频发,造成路网运行效率不断降低。拥堵频发对社会造成了巨大的负面影响,出行者的出行成本增高,出行便捷性降低;过长的延误时间造成大量尾气排放,引发空气污染问题;拥堵频发造成交通事故多发,而多发的交通事故会进一步加深拥堵程度。拥堵频发对社会的环境、经济、民生都具有不可估量的影响作用,如何缓解拥堵频发已成为当今社会亟待解决的问题。交通状态研究能有效挖掘城市交通状态的规律,为交通管理者制定缓解拥堵制度和政策提供强大的理论支撑。交通状态研究的基础是交通检测数据,目前常用的交通检测数据包括:固定检测器数据和移动检测器数据。其中固定检测器数据,是通过安装在道路设施上的道路检测设备获得交通流数据,因国内道路建设、改建频率高等问题固定检测器的初期投入和维修成本过高;浮动车技术是通过安装在车辆上的GPS装置采集数据,具备覆盖采集区域广、安装布置成本较低、采集系统相对稳定等优势,已成为城市道路交通状态监测的主要数据来源。但浮动车数据需依据自身定位数据和基于道路、交叉口等多属性路网数据的相关性建立约束条件,寻得符合路网结构的出行路径即地图匹配过程。现有地图匹配研究中存在面对海量浮动车数据无法兼顾匹配正确率和匹配效率的问题。本研究提出基于二次栅格与要素加权结合的地图匹配算法,二次栅格高效选取候选路段,确定最短路径;要素加权以距离为主要要素,行驶方向和轨迹角度经速度与间隔长度调控作为次要要素准确确定最优匹配路段克服平行路段跳跃、交叉口误匹配、密集路段误匹配及定位误差较大时算法容错性较差等问题,同时为避免行驶方向和轨迹角度在低速行驶下失效而导致对地图匹配的干扰,行驶方向和轨迹角度要素通过瞬时速度和轨迹点间的间隔长度动态调整权值。经实验证明,本研究算法中改进的要素加权方法显着提高了匹配正确率,在算法原理中结合二次栅格方法有效提高算法匹配效率,本研究提出的地图匹配算法在面对海量数据时能兼顾匹配准确率和匹配效率。浮动车数据处理后的交通运行状态数据—路段速度数据为时序数据,数据维度(时间维度)高,而聚类算法在面对高维度数据时具有较好的数据分析性能。在城市交通运行状态研究中常用聚类算法分析交通运行状态数据,挖掘城市道路交通状态的潜在规律。但现有研究中存在采用算法抗噪性差,忽略空间维度下的城市道路交通状态的潜在规律,缺少对主干路的研究等问题。为挖掘城市道路交通时空维度下的潜在规律,克服以往研究中的不足,本研究提出基于小波降噪的K-Means聚类算法,克服算法抗噪性差的问题;选取快速路多个组成路段进行聚类分析,探讨各组成路段间、整体与组成路段间聚类结果的差异性,以主干路速度在时间维度下的道路双向速度变化趋势进行聚类分析,对比其结果,在时间和空间维度下挖掘城市道路的运行状态特性,弥补以往研究中的不足。(本文来源于《新疆大学》期刊2019-05-25）
浮动车论文开题报告
（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：
时代的发展使得基于浮动车数据预测的车辆配送路径研究成为一种趋势。在本文中会从历史浮动车数据预处理、浮动车数据与地图匹配并进行轨迹纠正、交通状态预测、车辆配送路径优化等几方面来进行探讨。
（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。
浮动车论文参考文献
[1].杨薇,滕鲁,曾庆华.基于长春市浮动车数据的城市交通运行状态分析[J].交通与运输.2019
[2].姚滢滢.基于浮动车数据预测的车辆配送路径研究[J].广西质量监督导报.2019
[3].黄艳雅,谷雨航,檀栋.基于浮动车大数据的出租车运营特性分析体系——以南宁市为例[J].中国新通信.2019
[4].许伦辉,陈凯勋,郭雅婷.基于NB和DTW组合模型的稀疏浮动车数据填充[J].中山大学学报(自然科学版).2019
[5].刘伊铭,赵钟泥,赵孟轩.基于GPS数据地图匹配的浮动车预测模型[J].科学技术创新.2019
[6].曹鹏,马婕,施展华.针对浮动车异常数据的增强型在线异常点检测算法[J].交通运输工程与信息学报.2019
[7].陈鹏君.结合浮动车数据的干线控制策略研究[D].中国人民公安大学.2019
[8].袁向红.基于浮动车数据的高速公路交通量预测模型研究[D].北京交通大学.2019
[9].闫晓晓.基于GPS浮动车轨迹数据的交叉口流量预测[D].北京交通大学.2019
[10].草克土.基于浮动车数据的交通状态分析研究[D].新疆大学.2019