基于大数据的城市干道交通信号协调控制方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 城市干道交通信号协调控制方法研究现状 | 第10-12页 |
| 1.2.2 交通大数据研究应用现状 | 第12-13页 |
| 1.2.3 目前存在的问题 | 第13页 |
| 1.3 本文内容与组织结构 | 第13-16页 |
| 1.3.1 本文研究内容 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-16页 |
| 第2章 相关理论和技术 | 第16-24页 |
| 2.1 干道协调控制理论 | 第16页 |
| 2.2 干道协调控制主要参数 | 第16-18页 |
| 2.2.1 信号周期 | 第17页 |
| 2.2.2 绿信比 | 第17-18页 |
| 2.2.3 相位差 | 第18页 |
| 2.2.4 带速 | 第18页 |
| 2.3 干道交通控制评价指标 | 第18-19页 |
| 2.4 大数据概述 | 第19-24页 |
| 2.4.1 大数据概念及特点 | 第19-20页 |
| 2.4.2 Hadoop分布式平台 | 第20-21页 |
| 2.4.3 MapReduce并行计算架构 | 第21-22页 |
| 2.4.4 HDFS分布式文件系统 | 第22-23页 |
| 2.4.5 HIVE数据仓库 | 第23-24页 |
| 第3章 干道双向绿波协调控制模型研究 | 第24-31页 |
| 3.1 概述 | 第24页 |
| 3.2 最大绿波带模型分析 | 第24-27页 |
| 3.3 最大绿波带模型的改进 | 第27-29页 |
| 3.3.1 基于绿波带形式的改进模型 | 第27-28页 |
| 3.3.2 双向不同带宽比例系数的标定 | 第28-29页 |
| 3.4 干道绿波协调控制流程及求解 | 第29-31页 |
| 第4章 基于Hadoop平台的交通数据处理 | 第31-49页 |
| 4.1 浮动车数据处理概述 | 第31-32页 |
| 4.2 浮动车大数据采集及存储 | 第32-35页 |
| 4.2.1 数据采集 | 第32-33页 |
| 4.2.2 数据格式 | 第33-34页 |
| 4.2.3 Hive数据仓库存储 | 第34-35页 |
| 4.3 GPS浮动车数据预处理 | 第35-37页 |
| 4.4 基于Hadoop地图匹配 | 第37-43页 |
| 4.4.1 电子地图数据预处理 | 第38-40页 |
| 4.4.2 基于网格搜索的地图匹配算法设计 | 第40-42页 |
| 4.4.3 地图匹配在Hadoop框架下的实现 | 第42-43页 |
| 4.5 基于浮动车数据的交通参数计算 | 第43-49页 |
| 4.5.1 路段平均行程速度计算 | 第43-46页 |
| 4.5.2 车辆排队长度计算 | 第46-47页 |
| 4.5.3 基于MapReduce交通参数计算 | 第47-49页 |
| 第5章 仿真实验及结果分析 | 第49-59页 |
| 5.1 VISSIM仿真实验平台 | 第49页 |
| 5.2 Hadoop的部署 | 第49-52页 |
| 5.3 仿真路网分析及数据调查 | 第52-54页 |
| 5.3.1 路网现状 | 第52-53页 |
| 5.3.2 路网数据调查 | 第53-54页 |
| 5.4 干道协调控制方案的生成 | 第54-55页 |
| 5.5 仿真结果分析 | 第55-59页 |
| 第6章 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
