基于数据驱动的微观交通流建模研究.pdf

《基于数据驱动的微观交通流建模研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、Ｈｄｉ瞧爹：曜Ｉ论文题目：碁于数据驱动的微观交通！究＝：１圍＾＾国内图书分类号：Ｕ４９１．２密级：公开国际图书分类号：６５６西南交通大学研究生学位论文基于数据驱动的微观交通流建模硏究年级２０１４级姓名刘亚龙串请学位级别工学硕±专业交通运输规划与管理指导老师邱小平教授二〇—古年五月Ｃｌａｓｓ近ｅｄＩｎｄｅｘ：Ｕ４９１．２Ｕ．Ｄ：６．Ｃ５６ＳｏｕｔｈｗｅｓｔＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙＭａｓｔｅｒＤｅｒｅｅＴｈｅｓｉｓｇＲＥＳＥＡＲＣＨ

2、ＯＮＭＩＣＲＯＳＣＯＰＩＣＴＲＡＦＦＩＣＦＬＯＷＭＯＤＥＬＩＮＧＢＡＳＥＤＯＮＤＡＴＡ－ＤＲＩＶＥＮＧｒａｄｅ：２０１４Ｃａｎｄｉｄａｔｅ：ＬｉｕＹａｌｏｎｇＡｃａｄｅｍｉｃＤｅｇｒｅｅＡｐｌｉｅｄｆｏｒ：ＭａｓｔｅｒｏｆＥｎｇｉｎｅｅｒｉｎｇｐＳｅｃｉａｌｔ：ＴｒａｎｓｏｒｔａｔｉｏｎＰｌａｎｎｉｎｇａｎｄＭａｎａｅｍｅｎｔｐｙｐｇＳｕｅｒｖｉｓｏｒ：ＰｒｏｔｉｕＸｉａｏｉｎｐＱｐｇＭａ．２０１７ｙ西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关

3、保留、使用学位论文的规定，同意学校保留并向国家有关部口或机构送交论文的复印件和电子版，允许论文被查飼和借阅。本人授权西南交通大学可Ｗ将本论文的全部或部分内容编入有关数据库进行检索，可凶采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于１．□保密，在年解密后适用本授权书；２．不保密使用本授权书。＂＂（请在Ｗ上方框内打Ｖ）＞学位论文作者签名；指导老师签名：＾、曰期）：７＾１＾曰期：＾門．＾户｜会？７西南交通大学硕±学位论文主要工作（贡献）声明本人在学位论文中所做的主要工作或贡献如下：

4、（１）Ｗ线性沮合理论为基础，将动力学模型中的安全速度考虑到最优加权法的目标函数中，将访ｐｐｓ模型分别与基于ＢＰ神经网络或随机森林的跟驰模型賴合起来，建立线性组合跟驰模型，并通过调整组合模型考虑真实性和安全性的权重，来达到控制一定地控制预测速度真实性和安全性的目的，进而达到对安全性进行。（２）基于神经网络、支持向量机、随机森林，分别建立数据驱动的自由换道决策，利模型，模拟多车道车辆换道决策行为用ＮＧＳＩＭ数据对本文所建模型进行训练和测试，基，并将对比分析这Ｈ种模型的测试精度。另外于随机森林方法分析影响换道决策的各变量的重要

5、程度。（３）利用ＢＰ神经网络建立数据驱动的自由换道执行模型，对自由换道执行过程中车辆横纵两向的位置进行预测，并与传统的动力学模型进行对比，验证模型的有效－性。：所呈交的学位论文本人郑重声明，是在导师指导下独立开展研巧工作所获得的成果。除文中已注明引用的内容外，本论文不包含任何其他集体或个人已经发表或撰。写过的研究成果。对本文的研究付出贡献的集体和个人，均已在文中作出明确说明一本人完全了解违反上述声明所引起的切法律责任，并将由本人承担。＼学位论文作者签名：＂＾１，曰期：７］／西南交通大学硕±硏究生学位论文

6、第Ｉ页摘要跟驰模型和换道模型在交通安全评价、微观交通仿真、自巡航控制、自动驾驶等领域巧有广泛的应用价值，它们也是道路微观交通流理论的核也内容。传统的微观交通流模型有一个共同不足就是它们均是基于数学公式和交通流理论建立的数学模型一，这就导致此类模型很难有效地反映驾飄员的感知、思考、决策等系列也理和生理活动的不一致性和不确定性。本文从数据本身的角度出发，利用机器学习相关算法特有优势，开展了基于数据驱动的微观交通流建模研究，来弥补上述不足，探索微观交通流模型研巧的新方向。首先，针对跟驰行为展开研巧，Ｗ线性组合预测为基础，

7、融合基于动力学的跟驰模型对安全因素的可控性优点和基于机器学习的跟驰模型的强大自学习优点，通过改进最优加权法中的目标画数，来建立线性组合跟驰模型，针对；然后换道行为中的换道决策阶段一，分别利用机器学习算法ＢＰ神经网络、支持向量机、随机森林建立了数一据驱动的自由换道决策模型，并利用归化、主成分分析法对ＮＧＳＩＭ数据进行预处理，然后用处理后的数据对模型进行训练和测试，验证模型的有效性。另外，基于随机森林独有的优势对影响换道决策行为的因素的重要性进行了分析；最后，针对换道行为中的换道执行阶段展开研巧，首次提出基于ＢＰ神经网络建立换

8、道执行模型，借助ＢＰ神经网络强大的自学能力和非线性拟合能力等优点，来弥补传统模型的不足。结果表明：组