论文部分内容阅读
随着经济社会的逐步发展,我国各大中城市的汽车保有量近年开始急剧攀升,随之带来的环境污染、交通事故,尤其是交通拥堵问题也日趋严重。近年来解决城市交通问题的手段主要包括限制车辆保有量的增长和大力发展公共交通设施,但这些手段都不是解决城市交通问题的根本之道。通过发展智能交通系统才是解决城市道路交通拥堵、环境污染等问题的有效方法之一,而城市道路行程时间短时预测作为智能交通系统中的一个重要研究领域,能够实现交通诱导,有效缓解城市道路的交通拥堵问题。但目前国内外的行程时间预测问题大多集中于基于GPS浮动车和固定线圈检测器的数据,鲜有利用RFID电子车牌数据进行相关的研究。近年来随着我国在智能交通系统方向研究与应用的大力投入,实现了交通流参数自动获取装置在大量城市的部署应用。以重庆市为例,在全国率先普及应用了RFID电子车牌,并在重庆市区的主要交通道路都部署了RFID电子车牌采集点,为城市道路交通的研究提供了丰富的数据来源。本文在重庆市RFID电子车牌数据的基础上,主要的研究内容可以概括为以下几个方面:(1)基于重庆市RFID电子车牌数据研究了城市道路行程时间的相关特征。首先描述了通过RFID电子车牌数据获取路段行程时间的方法,依据城市道路划分为快速路、主干路、次干路以及支路,分析了不同道路行程时间的分布特征,并用高斯分布、伽玛分布等对行程时间概率的分布进行拟合,并通过计算SSE和R-Square值对拟合效果进行了分析,结果表明对数正态分布和伽玛分布能较好用于城市路段的行程时间概率分布的拟合。(2)提出了基于KNN算法的城市道路行程时间预测模型。然后基于重庆市的RFID电子车牌数据,应用该模型进行实验并对实验结果进行分析,实验结果表明对快速路和主干路的行程时间预测的平均相对误差百分比在6%左右,通过对比实验发现要明显优于历史均值模型和ARMA模型,表明基于KNN算法的城市道路行程时间预测模型能较好应用于行程时间城市道路预测。(3)实现了基于Spark Streaming行程时间的实时预测系统。结合Kafka和Redis,通过Spark Streaming对RFID电子车牌数据进行实时处理,将KNN算法运行在Spark上对行程时间进行实时预测。最后基于重庆市的RFID电子车牌数据进行了一系列系统测试,并进行了系统性能分析,结果表明系统能够满足设计需求。