浮动车数据缺失时的道路速度推估模型研究

"浮动车数据缺失道路的速度推估模型与实现 (2010年)" 本文主要探讨了在浮动车数据(Floating Car Data, FCD)存在缺失情况下的道路速度估计问题。浮动车数据是通过GPS等车载设备收集的车辆实时行驶信息，用于监测道路交通状况。在FCD的预处理阶段，通常涉及数据清洗、异常值检测和地图匹配，确保车辆轨迹与道路网络相吻合。 论文首先分析了FCD在路网中的覆盖率，这是评估数据质量的关键指标。当某些路段缺乏浮动车数据时，研究者提出了一个创新的解决方案：基于路段空间关系的道路速度多元线性回归推估模型。该模型利用历史路况数据库中的海量数据，通过建立路段间速度的相关性，来弥补缺失数据的不足。模型系数按周天进行分类，考虑了不同时间段内交通流量的周期性变化。 实测检验结果显示，该模型能够有效估计速度误差的概率分布和状态误差的概率分布，从而验证了模型的适用性和可靠性。通过这些统计分析，可以更好地理解模型在不同条件下的预测精度，为实际应用提供依据。 文章以上海城区为例，展示了如何运用此模型进行实时的道路速度推估和路况信息发布。这一实例不仅证明了模型的实际应用价值，也为其他城市提供了参考。通过实时更新和发布路况信息，可以辅助交通管理部门做出决策，改善城市交通状况，提升道路通行效率。 这篇论文为解决浮动车数据不完整时的交通速度估计问题提供了一个有效的数学模型，利用空间关系和历史数据填补数据空白，对于智能交通系统的发展具有重要意义。此外，通过具体的案例分析，文章强调了理论方法与实际应用相结合的重要性，对于未来类似研究具有指导作用。