导读:本文包含了车辆排队长度论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:长度,车辆,地磁,收费站,可编程,传感器,门阵列。
车辆排队长度论文文献综述
孔军伟[1]（2019）在《基于车辆排队长度的城市道路交通流宏观基本图研究》一文中研究指出随着城市经济的快速发展和城市化进程的不断推进,城市居民的生活水平不断提高,城市汽车保有量也在逐渐增多,伴随而来的交通拥堵、交通安全等问题日益突出,己严重影响了城市居民的出行质量,同时制约了城市的发展。在最近的研究中,宏观基本图(Macroscopic Fundamental Diagram,MFD)理论已经被证明是大型城市路网建模与控制的有力工具,本文考虑到排队长度通常被认为是评估城市路网交叉口运行效率的重要指标,提出了一种基于排队长度的城市交通流宏观基本图(Queue-length-based MFD,QMFD)的概念,并依据北京市浮动车数据(Floating Car Data,FCD)验证了 QMFD的存在性。此外,本文建立了一种基于排队长度的道路交通运行状况的判别模型。具体的研究工作如下:首先,本文对北京市浮动车数据进行预处理和地图匹配。数据预处理的目的是剔除异常或错误数据;地图匹配的目的是确定浮动车所在的路段。由于浮动车数据中包含众多的瞬时速度为零的数据点,且这些零速度点数据的方向角大多不准确,因此,对零速度点数据和非零速度点数据采取不同的匹配算法。其次,本文提出了一种基于浮动车数据估计交叉口进口道路段排队长度的方法。由于排队长度与浮动车停车点到交叉口进口道停车线的距离有关,该方法统计了不同时间段的距离分布数据,然后利用Vissim得到排队长度与不同浮动车比例、不同统计时间段的距离分布数据样本对,训练BP神经网络模型,最后根据训练后的模型估算排队长度。再次,在对浮动车数据进行准确的地图匹配的基础上,本文计算各路段的速度、密度、流量、排队长度等参数,研究城市路网交叉口进口道路段的车辆平均排队长度与其他宏观交通参量(平均速度、平均密度、平均流量等)之间的关系(QMFD)。根据北京市2014年9月的浮动车数据从不同的角度验证了 QMFD的存在性,并对MFD和QMFD的关系进行分析。最后,本文建立了一种基于排队长度的道路交通运行状况的判别模型。为了能够清晰地描述路段的交通运行状况,对流量进行重新定义,加入了车辆通过该路段的行程速度的考虑。通过Vissim提供的单个路段的交通数据,发现在交通信号灯周期时长和绿灯时长保持不变的情况下,单个路段的流量与排队长度呈单峰、低散度关系,并且发现峰值处的排队长度和信号灯绿信比之间存在着一定的函数关系,这一函数关系可以用于判别道路的交通运行状况。(本文来源于《北京交通大学》期刊2019-06-01）
马健翔,任安虎,牛孝通[2]（2018）在《基于机器视觉的车辆排队长度检测》一文中研究指出现如今智能交通系统的研究越来越受到国内外学者的关注,而车辆排队长度检测技术是智能交通系统中重要的研究内容。为了获取准确的参数数据,文中突破传统的雷达、微波、红外等检测技术,提出一种基于机器视觉的车辆排队长度检测技术。通过运用强大的机器视觉库,对摄像头采集到的视频流信息进行图像灰度化、直方图均衡化、获取感兴趣区域、Canny算子检测车辆等一系列图像算法处理,最后利用摄像机标定技术得到准确的车辆排队长度。实验表明,此检测方法可以检测到较准确的车辆排队长度,可以为智能交通系统提供重要交通参数依据。(本文来源于《国外电子测量技术》期刊2018年08期）
杨良义,谢飞,陈涛[3]（2018）在《基于视频的交叉路口车辆排队长度检测方法研究》一文中研究指出为获取城市交叉路口车流量情况,实现路口红绿灯的优化控制以提高交叉路口通行效率,探讨了一种基于视频图像的交叉路口车辆排队长度检测方法。论述了基于图像处理的车辆识别技术,讨论了车辆排队检测方法,借助灭点原理的参数标定方法获取了摄像机内外参数,基于成像原理分析了图像坐标与世界坐标中的转换关系,从而获得从像素距离到物理距离的转换关系。以典型车辆排队视频为例进行实际测量,结果表明:排队长度与计算所得结果误差均在允许范围之内,说明提出的检测方法是合理与可行的。(本文来源于《重庆理工大学学报(自然科学)》期刊2018年06期）
李盼侬[4]（2018）在《基于图像处理的车辆排队长度检测方法研究》一文中研究指出随着国民经济水平的逐步提升,私有车数量的增长为人们带来了极大便利,同时也出现了交通拥堵等社会问题,拥堵现象加剧使基于图像处理的车辆排队长度检测成为智能交通领域的重要研究内容,它能够实时、准确地获取道路上的排队信息,对于缓解交通拥堵问题具有重要意义。本文针对车辆排队长度检测问题,采用传统图像处理方法和基于深度学习的图像处理方法,分别利用视频和图片,对车辆排队长度检测进行了研究。(1)构建了一种基于特征点跟踪的车辆排队长度检测方法。首先通过自动检测车道线分离单个机动车道作为兴趣区,之后在兴趣区中对车辆特征点进行轨迹跟踪,利用轨迹信息判断排队队列。最后经过一种相机标定算法,将队列像素距离映射为实际空间距离,得到真实的排队长度。经过实验,该方法检测精确率F1值为91.96%,150米内平均误差为5.17%。(2)构建了一种基于深度学习目标检测的排队长度检测方法。通过分析第一种方法中特征点检测不准确及跟踪不稳定的问题,结合检测性能更好的深度学习算法,以VGG16网络模型为基础,在SSD框架上进行了训练及测试,接着使用KCF算法对车辆目标进行跟踪从而得到其运动状态。最后根据目标检测的位置,在检测框中进行特征点检测,从而得到车辆排队长度,其中对队尾为大型车辆的队列长度进行了距离补偿。对比实验证明,基于深度学习的方法与传统方法相比F1值提高了3.76%,150米内平均误差减少了1.33%,且能够得到队列中的车辆个数。(3)构建了一种基于深度学习图像分割的排队长度检测方法。对于车辆目标检测方法中存在的目标遮挡导致精度下降的问题,选择了基于深度学习的图像分割算法,通过对数据集的严格标注,使用基于VGG16修改得到的全卷积网络进行车辆排队队列的分割。之后计算模型检测结果中被标记为队列的像素长度,再根据相机标定得到实际排队长度。实验结果表明,其对队列检测的F1值为97.53%,150米内的平均误差为3.06%。相比于前两种基于视频的方法,图像分割算法基于单张图片进行检测,对硬件及内存的要求更小,应用价值更大。(本文来源于《长安大学》期刊2018-04-08）
李福梁,姚佳蓉,朱金清,唐克双[5]（2017）在《稀疏车辆轨迹条件下信号控制交叉口排队长度估计方法》一文中研究指出随着基于移动互联网的车辆导航技术的发展和应用,基于车辆轨迹的信号控制交叉口交通运行状态评价和方案优化逐渐成为研究热点。针对以往研究在稀疏车辆轨迹(一个周期内采样车辆少甚至无采样车辆的情形)的条件下排队长度无法估计或精度低和未能充分挖掘利用历史排队长度和其他非排队车辆轨迹信息等缺陷,本研究提出了一种面向稀疏轨迹数据条件下信号控制交叉口周期排队长度的估计方法。该方法可以通过利用非排队车辆轨迹信息修正最大排队长度估计值以及采用卡尔曼滤波算法和历史排队长度数据对稀疏车辆轨迹周期排队长度进行估计。为验证方法的有效性,本研究使用高频(3s)的滴滴车辆轨迹数据进行实地验证,结果表明本方法可以有效提高稀疏车辆轨迹条件下排队长度的估计精度,所有周期平均绝对误差为3.41辆,平均绝对误差百分比为16.89%,而缺失周期(采样排队车辆数小于等于1辆)平均绝对误差为3.33辆,平均绝对误差为17.78%。本研究成果可以为基于车辆轨迹数据的实时信号控制提供更加可靠的排队长度输入信息。(本文来源于《第十二届中国智能交通年会大会论文集》期刊2017-11-22）
冯毅文[6]（2017）在《基于大规模车辆轨迹数据的道路交叉口排队长度探测》一文中研究指出道路交叉口排队长度的探测能够对交通拥堵形成有效的监测与预防,对缓解路网压力、促进城市交通健康发展有着积极的作用。浮动车运行时所产生的轨迹数据(简称浮动车GPS数据)是一种典型的移动式数据,针对这些数据进行分析与挖掘,从而实现排队长度的探测是当下的研究热点。然而,现有研究往往存在工程应用条件严苛和参数设定只能针对具体道路交叉口的适用性问题,同时缺乏对数据样本容量的相关研究。针对这些问题,本文以深圳市大规模浮动车GPS数据为基础,提出一种基于空间分布模式的道路交叉口排队长度探测算法,并研究相应的最佳样本容量。论文首先对数据进行预处理,综合道路中介中心性和浮动车流量得到不同属性的道路集合,在分析原始数据采样间隔的分布后选取了统一的轨迹采样间隔;然后根据排队形成的机理,提取排队车辆的轨迹点特征,通过引入空间分布模式的分析方法,定量地获得了道路上轨迹点的空间点格局,并结合提取的特征实现了排队长度的探测;最后,分析浮动车GPS样本容量对探测结果和算法效率的影响,并利用核密度估计原理得到不同样本容量下的轨迹点在道路上的密度分布曲线,通过定量地度量曲线稳定性,确定最佳样本容量。实验结果表明,所提算法在保证高精度的前提下具有很强的适用性,可用于多种类型道路交叉口的排队长度探测。此外,本文确定的最佳样本容量具有很高的正确性,同时得出了属性相似道路形成的道路交叉口,排队长度探测的最佳样本容量具有一致性的结论。本文以浮动车GPS数据为研究对象,提出了具有强适应性的排队长度探测算法,并确定了相应的最佳样本容量,为大规模城市道路交叉口的车辆排队长度探测提供了新的方法与思路。(本文来源于《深圳大学》期刊2017-06-30）
李彬亮,韩国华,姚舜禹,李鹏鸽[7]（2016）在《一种高速公路收费站车辆排队长度监测系统》一文中研究指出高速公路收费站是车辆通行集中的地方,尤其是节假日期间,车辆的集中出行会造成车辆大排长龙的现象,这对人们出行和道路交通控制造成了很大困扰。及时掌握高速公路收费站的车辆排队长度,对交通管理部门和高速公路公司采取多开闸口或免费放行政策都有着重要的意义。文章介绍了一种高速公路收费站车辆排队长度监测系统。(本文来源于《中国高新技术企业》期刊2016年26期）
王闯,贺莹[8]（2016）在《基于逆透视变换的车辆排队长度检测方法及硬件实现》一文中研究指出交通路口的车辆排队长度检测是智能交通系统的重要组成部分,传统的检测方法易受背景噪声、摄像机透视效果等因素的干扰造成检测失败,而且其实现都是基于串行结构的处理器,不能用于实时处理的场合;设计了一种充分利用平直道路几何特征并适合FPGA实现的排队长度自动检测算法,该算法利用逆透视变换消除图像几何失真,引入公路的结构性约束有效检测了车道线;接着采用Sobel边缘算子检测出各车道的车辆轮廓,通过一种基于信息量的度量方法提取排队的队尾,从而确定了车辆排队长度,并且通过硬件化设计使得整个检测过程达到实时的处理速度;试验结果表明,在消除了视觉偏差的图像上进行的排队长度检测结果比校正前更加真实准确,所提出的检测方法可以很容易工程化并用于实际交通路口的车流量自动实时检测。(本文来源于《计算机测量与控制》期刊2016年08期）
李彬亮,韩国华[9]（2016）在《基于多段地磁传感器的高速公路收费站车辆排队长度检测算法》一文中研究指出针对交通管理部门对车辆排队长度智能化管控的迫切要求,本文提出了一种基于多段地磁传感器的高速公路收费站排队长度检测算法。通过研究驾驶员的行为习惯及车辆跟驰行驶中特点,本文对车辆跟驰行驶区与自由行驶区、跟驰行驶区与逼近前车区的速度临界值进行了界定,分析了车辆通过地磁传感器时速度的动态变化规律,并基于地磁传感器关键数据的相关性分析,提出了均速模型。最后利用现场试验对本检测算法进行验证,试验结果证明本文提出的均速模型能够有效的估计高速公路收费站前车辆排队长度,且地磁装置成本低廉、布设方便,能够大规模的推广应用,为交通管理部门实时监控交通运行情况提供帮助。(本文来源于《中国新通信》期刊2016年15期）
刘聪,王永贵,贾子钰[10]（2016）在《基于BP神经网络交通事故中车辆排队长度计算的仿真研究》一文中研究指出针对交通事故中车辆排队长度的动态变化,而引起道路通行能力降低,甚至出现区域性拥堵等问题。通过实地进行数据的收集与整理,利用叁次样条插值的方法进行实际通行能力的分析。建立了基于BP神经网络的车辆排队长度与事故横断面实际通行能力、事故持续时间、路段上游车流量间的计算模型。通过计算机仿真实验,表明该模型可行有效且计算精度较高。(本文来源于《信息与电脑(理论版)》期刊2016年08期）
车辆排队长度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
现如今智能交通系统的研究越来越受到国内外学者的关注,而车辆排队长度检测技术是智能交通系统中重要的研究内容。为了获取准确的参数数据,文中突破传统的雷达、微波、红外等检测技术,提出一种基于机器视觉的车辆排队长度检测技术。通过运用强大的机器视觉库,对摄像头采集到的视频流信息进行图像灰度化、直方图均衡化、获取感兴趣区域、Canny算子检测车辆等一系列图像算法处理,最后利用摄像机标定技术得到准确的车辆排队长度。实验表明,此检测方法可以检测到较准确的车辆排队长度,可以为智能交通系统提供重要交通参数依据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
车辆排队长度论文参考文献
[1].孔军伟.基于车辆排队长度的城市道路交通流宏观基本图研究[D].北京交通大学.2019
[2].马健翔,任安虎,牛孝通.基于机器视觉的车辆排队长度检测[J].国外电子测量技术.2018
[3].杨良义,谢飞,陈涛.基于视频的交叉路口车辆排队长度检测方法研究[J].重庆理工大学学报(自然科学).2018
[4].李盼侬.基于图像处理的车辆排队长度检测方法研究[D].长安大学.2018
[5].李福梁,姚佳蓉,朱金清,唐克双.稀疏车辆轨迹条件下信号控制交叉口排队长度估计方法[C].第十二届中国智能交通年会大会论文集.2017
[6].冯毅文.基于大规模车辆轨迹数据的道路交叉口排队长度探测[D].深圳大学.2017
[7].李彬亮,韩国华,姚舜禹,李鹏鸽.一种高速公路收费站车辆排队长度监测系统[J].中国高新技术企业.2016
[8].王闯,贺莹.基于逆透视变换的车辆排队长度检测方法及硬件实现[J].计算机测量与控制.2016
[9].李彬亮,韩国华.基于多段地磁传感器的高速公路收费站车辆排队长度检测算法[J].中国新通信.2016
[10].刘聪,王永贵,贾子钰.基于BP神经网络交通事故中车辆排队长度计算的仿真研究[J].信息与电脑(理论版).2016
论文知识图
