论文部分内容阅读
近年来,随着经济的高速发展和汽车保有量的激增,交通拥堵等交通问题频繁发生。交通问题已经成为包括我国在内世界各国政府共同面临的重大难题之一。人们迫切的需要了解实际中路网交通的运行状况,使之能够指导人们的交通出行,并且为交通管理部门采取各种交通管理措施提供基础。交通流检测技术的发展为人们获取交通流基础信息提供了可能。本文基于多源交通检测器获得大量的交通流检测基础数据,包括微波检测器数据、线圈检测器数据、牌照识别检测器数据及GPS出租车数据等。尤其是GPS出租车数据,以每天2400万条数据上传到数据库,提供了大量的交通历史数据,并以北京市为例,分析北京市的路网道路结构和北京交通流检测器的分布情况。根据北京市的路网情况和交通流检测器情况,本文分两步进行数据融合：第一步是利用多源交通检测器的数据达到基本上覆盖北京市交通流量大的骨干路网,并利用GPS出租车数据对部分其他道路交通状态基础数据的采集进行补充,做到了道路网交通信息的全覆盖。第二步是基于第一步的多源交通数据对单位路段和主要路段进行路段速度的融合,使融合出来的速度值更加接近真实值,提高基础数据的准确度。本文利用BP神经网络模型进行路段的多源检测器速度融合,并分别进行单位路段和主要路段,快速路和主干路,高峰期和平峰期共8种组合模式下的模型训练,得到以上8种组合模式的网络模型,通过有效性判断,均得到了预期的效果。本文还对GPS的速度精度进行了大量调查,通过比较路况实际速度与数据中心接收到的速度,发现GPS速度值根据道路等级的不同而精确度高低有所不同,并提出了小偏差法来比较其准确度,发现出租车在快速路上时GPS接收值的准确度高于其在主干路上行驶时GPS接收值的准确度。即相对间断流而言,在连续流的交通状况下,GPS速度值更为准确。