论文部分内容阅读
交通信息是智能交通系统的重要基础。目前交通信息主要通过固定式检测
器(如线圈检测器、超声波检测器、视频检测器等)进行采集，存在安装和维护
成本高、覆盖范围小、仅能检测固定位置数据等不足，无法满足智能交通系统
对信息的需求。随着GPS、GIS和无线通信技术的广泛应用，利用装备GPS的浮
动车采集动态交通信息，具有建设周期短、实时性强、覆盖范围广、数据精度
高等优点，是交通信息采集技术的重要发展方向。因此，从理论和技术层面对
浮动车采集方式进行全面、深入地研究，具有重要的理论意义和实用价值。
本论文在国内外相关研究基础上，对浮动车数据采集、数据处理、多源交
通信息融合等方面进行了研究，建立了相应的理论方法和数学模型，解决了目
前浮动车技术应用中存在的一些难点问题，并提出了下一步的研究方向。
论文首先阐述了基于浮动车的交通信息采集系统总体设计，总结分析了国
内外相关研究现状，指出了现有研究成果存在的不足，并在此基础上确定了本
论文研究的切入点。
针对浮动车采样周期主要凭主观经验确定的问题，本文将浮动车瞬时速度
当作随机信号，利用傅立叶变换对其进行频域分析，然后根据香农采样定理确
定浮动车的最优采样频率和采样周期，并用时域分析方法(均值和方差)对最
优采样周期进行了验证，从而建立了浮动车采样周期优化的理论方法。
对浮动车样本数量优化问题，分析了现有基于路段和基于路网的浮动车样
本数量优化模型存在的不足，利用数理统计方法，将基于路段和基于路网的样
本数量优化模型统一起来，在考虑计算时间间隔、浮动车运行速度、交通流密
度分布状况、数据采集精度要求等因素基础上，首次提出了浮动车样本数量优
化的两步骤模型，该模型适用于较大规模道路网络的浮动车样本数量优化问题。
在浮动车数据处理方面，建立了道路区间平均速度、路径行程时间和动态
OD 矩阵的估计方法和模型。当浮动车样本数量较少时，为了提高区间平均速度
估计精度，提出了自适应权重指数平滑法。另外，对动态OD矩阵估计问题，在
考虑车辆在途时间基础上，提出了一种新的动态OD矩阵估计方法，即先根据浮
动车数据估计到达OD矩阵，然后利用到达OD矩阵估计出发OD矩阵，克服了现
有动态OD矩阵估计方法存在的不足。
在道路交通事件判别方面，根据发生事件时车辆速度变化特征，提出了基
于浮动车区间平均速度的道路交通拥挤事件判别方法。该方法具有简单实用、
可移植性强、检测效果较好等优点。
针对浮动车数据与固定检测器数据融合问题，在分析了交通信息融合的必
要性基础上，阐述了交通信息融合的层次、方法和流程。在区间平均速度估计
方面，提出了基于BP神经网络的信息融合方法，提高了区间平均速度估计的精
度；在交通事件检测方面，利用加权平均法对基于浮动车数据和固定检测器数
据的交通事件信息进行融合，提高了事件检测效果。
论文系统地研究了基于浮动车的交通信息采集与处理理论及方法，特别是
在浮动车采样周期优化、浮动车样本数量优化、基于浮动车数据的道路交通参
数估计、交通事件判别、浮动车数据与固定检测器数据融合等方面取得了新的
研究成果，为浮动车采集方式的实际应用提供了理论依据和技术支持。
关键词：交通信息采集，信息处理，浮动车，交通参数估计，信息融合