论文部分内容阅读
移动通信网络中的信令数据主要用于控制通信网络的正常运行，支撑用户进行无线通信。信令数据量大，覆盖面广，依托已有的移动通信基础设施，可以以较小的代价获取。随着移动通信技术向4G/5G发展，信令数据得到了进一步的丰富。近年来，人们尝试基于手机信令数据对移动对象轨迹进行分析和处理，并将其用于求解交通路况估计、预测等智能交通相关问题。本文基于手机4G信令数据研究面向交通预测的信令轨迹挖掘技术，包括高精度的交通流参数估计方法、短时交通流车速预测方法和车流量预测方法，对智能交通发展以及实时数据分析技术发展具有重要意义。 本文主要的研究内容和创新点如下: 文章研究并提出了一套高精度交通流参数估计方法，具体包括:根据高速公路交通运行的特点及4G信令数据的特性，对路段进行了划分;对4G数据的质量进行了完整的分析，设置了信令清洗规则;定义了基于插值和TH滤波的合理填补策略，以应对部分信令因客观因素造成缺失的问题;在此基础上，提出了对划分路段上平均车速和平均车流量的估算方法。 基于上述路段车速估计结果，文章设计实现了多种预测方法，包括移动平均、指数平滑、BP神经网络、求和自回归移动平均模型等，用于高速公路短时车速预测。通过基于大规模真实数据的实验进行了模型分析和参数调优，给出了不同应用场景下的最优车速预测模型。 基于上述路段车流量估计结果，文章设计实现了一种基于隐空间模型的路网车流量预测方法。针对信令数据非线性、非平稳和时空关联性强等特点，将车流量和路网信息代入隐空间矩阵中，挖掘其隐含关系并进行短时预测。通过实验对模型预测效果进行评估，并分析了模型的参数敏感性和数据滤波效果。实验结果表明，本文提出的预测方法可以有效地进行短时车流量预测，相较于现有成熟的预测算法有着更高的准确性。