高速公路ETC數(shù)據(jù)挖掘研究與應(yīng)用.pdf

1、近年來(lái),隨著經(jīng)濟(jì)社會(huì)的高速發(fā)展,我國(guó)的高速公路建設(shè)事業(yè)取得了舉世矚目的成就,但與此同時(shí)高速公路也面臨著交通需求快速增長(zhǎng)與服務(wù)能力相對(duì)滯后的難題。如何提高高速公路通行效率,有效緩解直至解決收費(fèi)站區(qū)擁堵問(wèn)題,成為高速公路運(yùn)營(yíng)管理領(lǐng)域面臨的重要課題。電子不停車(chē)收費(fèi)(ETC)的應(yīng)用和推廣,是解決這一問(wèn)題的重要舉措。隨著國(guó)內(nèi)ETC系統(tǒng)的推廣,高速公路管理部門(mén)積累了大量原始收費(fèi)數(shù)據(jù),在這些記載著車(chē)輛通行詳細(xì)信息的數(shù)據(jù)內(nèi)部蘊(yùn)含著豐富的內(nèi)在關(guān)系和隱含信

2、息,如何從海量數(shù)據(jù)中獲取有效的信息,提高管理決策水平,是亟待解決的關(guān)鍵技術(shù)問(wèn)題。
　　本文研究如何通過(guò)對(duì)ETC收費(fèi)數(shù)據(jù)進(jìn)行有效整合,利用數(shù)據(jù)挖掘技術(shù),提取和表達(dá)蘊(yùn)含在原始數(shù)據(jù)內(nèi)部的通行行為模式和交通量時(shí)空變化趨勢(shì),通過(guò)對(duì)車(chē)輛通行行為的預(yù)測(cè)和異常檢測(cè)以及交通量預(yù)測(cè)分析,為高速公路管理部門(mén)提供理論依據(jù)和決策參考。圍繞該研究問(wèn)題,本文做了以下幾方面工作:ETC車(chē)輛路徑預(yù)測(cè)與異常檢測(cè)研究,研究利用ETC收費(fèi)歷史數(shù)據(jù),找出車(chē)輛通行規(guī)律,準(zhǔn)確

3、預(yù)測(cè)車(chē)輛的后續(xù)通行路徑,并從中檢測(cè)出異常的通行路徑;ETC交通量多維預(yù)測(cè)研究,研究以ETC收費(fèi)數(shù)據(jù)為基礎(chǔ),實(shí)現(xiàn)多維統(tǒng)計(jì)分析,為多維交通量構(gòu)建預(yù)測(cè)模型,提出一種基于OLAM實(shí)現(xiàn)高速公路交通量多維預(yù)測(cè)的方法;ETC交通量組合預(yù)測(cè)模型研究,在單項(xiàng)預(yù)測(cè)模型基礎(chǔ)上設(shè)計(jì)出一種ETC交通量組合預(yù)測(cè)模型,充分發(fā)揮各單項(xiàng)預(yù)測(cè)模型的優(yōu)勢(shì),進(jìn)一步提高預(yù)測(cè)的精確度和可靠度。
　　本文取得了如下研究成果:
　　1.提出了一種基于混合Markov模型的

4、高速公路車(chē)輛路徑預(yù)測(cè)與異常路徑檢測(cè)方法。論文建立了Markov通行行為模型,針對(duì)基本Markov模型在預(yù)測(cè)結(jié)果的準(zhǔn)確性、覆蓋率等方面存在諸多不足之處,提出一種新的Markov模型-混合Markov路徑預(yù)測(cè)模型,給出了使用EM迭代聚類(lèi)算法對(duì)ETC車(chē)輛路徑序列進(jìn)行分類(lèi)的方法,使得同一類(lèi)車(chē)輛具有相同或相似的通行行為,為每類(lèi)車(chē)輛建立獨(dú)立的Markov模型,用以描述該類(lèi)別車(chē)輛的通行特征,根據(jù)歷史通行數(shù)據(jù)預(yù)測(cè)其后續(xù)通行路徑。
　　2.構(gòu)建了一

5、種基于聯(lián)機(jī)分析挖掘(OLAM)利用ETC收費(fèi)數(shù)據(jù)實(shí)現(xiàn)交通量多維統(tǒng)計(jì)分析的模型。論文選取時(shí)間、空間、車(chē)型、車(chē)種等維度為ETC收費(fèi)數(shù)據(jù)構(gòu)建了雪花模型,實(shí)現(xiàn)了多維交通量快速匯總統(tǒng)計(jì)。
　　3.建立了一種經(jīng)過(guò)異常值修正的季節(jié)ARIMA預(yù)測(cè)模型。論文選取多維統(tǒng)計(jì)結(jié)果作為序列數(shù)據(jù)樣本,通過(guò)對(duì)數(shù)據(jù)樣本分別進(jìn)行平穩(wěn)化、模型識(shí)別、異常值檢驗(yàn)、參數(shù)估計(jì)、模型診斷等步驟,建立經(jīng)異常值修正的最優(yōu)季節(jié)ARIMA(p,d,q)(P,D,Q)s模型,該模型在預(yù)

6、測(cè)準(zhǔn)確率上優(yōu)于原始模型,利用該修正模型實(shí)現(xiàn)了交通量預(yù)測(cè)。
　　4.設(shè)計(jì)了一種基于季節(jié)ARIMA模型、BP神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)(SVR)的最優(yōu)線性組合預(yù)測(cè)模型。論文以ETC月度交通量為訓(xùn)練樣本,分別建立起上述三種單項(xiàng)預(yù)測(cè)模型;利用單項(xiàng)預(yù)測(cè)模型預(yù)測(cè)結(jié)果,以預(yù)測(cè)誤差平方和最小為目標(biāo)函數(shù),建立起求解組合預(yù)測(cè)權(quán)系數(shù)的優(yōu)化模型,根據(jù)權(quán)系數(shù)最優(yōu)解計(jì)算結(jié)果,實(shí)現(xiàn)組合模型下的月度交通量預(yù)測(cè);最后通過(guò)建立評(píng)價(jià)指標(biāo)體系驗(yàn)證組合模型預(yù)測(cè)效果優(yōu)于單項(xiàng)預(yù)