城市主干公交专用道平均车速预测与拥堵识别研究

作     者：明秀玲 

作者单位：长安大学 

学位级别：硕士

导师姓名：肖梅

授予年度：2023年

学科分类：08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：公交车速预测 交通拥堵识别 模糊C均值聚类 深度学习 城市公共交通 

摘      要：由于居民出行需求的快速增长,导致城市主干道的交通拥堵问题日趋严重,已成为当今城市发展中的一大阻碍。城市公共交通的发展,为缓解交通拥堵问题提供了一种新思路。在实施公交优先战略的背景下,利用公交车GPS数据预测公交在公交专用道上的平均车速,进而判别公交的运行状态,可以作为提升城市公共交通网络运行效率的重要手段。基于此,论文开展的研究内容如下:基于城市公交车GPS数据的数据预处理及特征提取。对公交车GPS原始数据集进行初步的处理,并按照等距划分和节点划分的方法分别对主干道进行路段划分,提取交通状态的表征参数。同时,针对当前研究中较少考虑道路环境等因素对交通状态参数的影响,从天气、时间、道路条件和运行环境四个方面提取了交通状态参数的影响因素,并利用Spearman相关性分析剔除具有共线性的影响因素。构建了考虑时空特性的路段平均车速预测模型。将卷积神经网络(Convolutional Neural Network,CNN)提取空间信息的优势和双向长短期记忆神经网络(Bidirectional Long-term Memory Network,BiLSTM)预测时序数据的能力相结合,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化神经网络的参数,构建SSA-CNN-BiLSTM-Attention路段平均车速预测模型。再通过影响因素的重要性分析,将对路段平均车速预测有重要影响的周末、时段、行人立体过街设施、公交停靠站数量、车道数、商业区和学校因素输入模型进行预测。经过模型预测效果的评价与对比,验证了该预测方法的有效性。基于聚类算法确定了交通拥堵的分级阈值。针对模糊C均值(Fuzzy C-means,FCM)聚类算法易陷入局部最优的缺陷,融合了遗传算法(Genetic Algorithm,GA)和模拟退火算法(Simulated Annealing,SA)对FCM聚类算法进行优化,采用优化后的FCM对路段平均车速进行聚类,将交通拥堵分为畅通、一般和拥堵三个等级。聚类结果显示,与传统的FCM算法相比,优化后的FCM算法聚类效果更好,具有收敛性能和稳定性更佳的优势。最终,实例验证等距划分的路段交通拥堵识别准确率更高,达89.4%。