一、分布式高速公路信息控制系统(论文文献综述)
敏玥[1](2021)在《高速公路多义性路径标识站布设效果评价研究》文中研究表明随着取消全国高速公路省界收费站,不停车快捷收费的高速公路收费制度的改革,高速公路联网收费的核心问题变为如何识别车辆的精确行驶路径。通过在高速路网中布设多义性路径标识站,标识车辆行驶信息达到精确识别路径和精准收费的目的。标识站的合理布设影响高速收费系统的工作效率。为了实现高速路网标识站布设方案“经济、合理、高效”的目标,尽大可能地保护各方利益,本文开展了高速公路多义性标识站布设效果评价研究,提出了基于EWM-TOPSIS法的标识站布设方案评价方法。此外,车辆轨迹信息存在丢失情况,则会引发车辆通行费无法精确收取与拆分的问题,影响标识站布设方案的工作效率。因此,本文提出了基于行程时间特征的车辆路径轨迹重构方法,并将重构轨迹运用于标识站布设方案评价。首先,本论文提出了基于行程时间特征的车辆路径轨迹重构方法。通过Space L建模方法构建高速公路网络的拓扑结构,基于Kruskal算法、路段最小流量原则和余边集理论确定了路网的多义性路径标识站初始布设方案。针对方案中车辆行驶轨迹缺失的场景,结合实际路网信息,找寻与缺失轨迹同起讫点的可能路径获得备选路径集;建立可容忍距离边界法,筛选备选路径集中符合条件的可能路径构造还原路径集;分析还原路径集中可能路径的行程时间特征,运用概率论的思想,找寻最优可能路径,较为真实地还原车辆行驶路径。其次,本论文提出了基于EWM-TOPSIS法的标识站布设方案评价方法。阐述了指标体系构建原则,定义了路网轨迹识别率和轨迹重构准确率,创新地将轨迹重构方法应用于方案评价中,并对评价指标的必要性进行验证。从经济成本和技术条件两方面确定了5个决策指标(建设费用、系统费用、维护费用、路网轨迹识别率和轨迹重构准确率)建立了评价指标体系,构建了EWM-TOPSIS模型。最后,本论文进行了基于数值仿真的案例分析。运用MATLAB软件进行数值仿真,以简单重复式和完全分布式两种标识站布设方式为基础,结合基于行程时间特征的车辆路径轨迹重构方法和基于EWM-TOPSIS法的标识站布设方案评价方法,完成标识站布设方案的定量分析,获得最佳的布设方案和布设方式。
武程浩[2](2021)在《可持续视角下高速公路服务区光伏发电站投资决策研究》文中提出
李建霞[3](2021)在《高速公路光储充一体化电站选址定容研究》文中进行了进一步梳理电动汽车(Electric Vehicle,EV)的普及和可再生能源的利用是保护环境和实现绿色发展的有效措施。高速公路与城市内部相比,具有更大的空间布置光伏、储能等设施,足够的基础充电设施是发展EV的关键,合理的高速公路光储充一体化电站的规划是解决环境问题和交通问题的重要举措。本文主要对高速公路光储充一体化电站的选址和定容等问题展开研究。首先,介绍电动汽车的类型及充电模式,搭建高速公路光储充一体化电站结构,分析高速公路光储充一体化电站选址定容的影响因素,从充电需求、充电服务半径等方面归纳高速公路光储充一体化电站规划的基本原则。其次,基于工程实际考虑,针对并网的高速公路光储充一体化电站,建立了两阶段选址定容模型,第一阶段,基于蒙特卡洛方法进行EV充电需求模拟得到充电点,利用最大覆盖模型确定充电站的位置;第二阶段,根据充电负荷的时空分布和充电站的能量流动关系,基于排队论确定用户的排队等待时间,兼顾用户和充电站的利益,考虑高速公路光储充一体化电站规划中光伏出力及负荷需求等的不确定性问题,建立基于数据驱动的分布式鲁棒优化(Distributionally Robust Optimization,DRO)定容模型,通过信息散度(Kullback-Leibler divergence,KL散度)构建以经验概率分布为中心的概率分布模糊集描述不确定量,利用风险理论将分布式鲁棒优化模型转化为混合整数线性规划问题进而对充电站内的充电桩数量及光储容量进行优化。最后,选取一环形高速公路网作为算例场景,利用所提模型进行高速公路光储充一体化电站选址定容以验证模型的有效性,并将选址定容结果与现有研究进行对比分析,同时,从散度公差、样本数据等方面进行灵敏度分析。结果表明,高速公路光储充一体化电站具有促进可再生能源整合、提高经济性、减慢配电网的升级改造等多重效益。所提方法合理可行,其以数据驱动的方式,无需不确定因素的精确概率分布,具有鲁棒优化和随机优化的双重优点,对高速公路光储充一体化电站规划中光伏出力及负荷需求等的不确定性问题更加有效,配置光储设备后,充电站年均寿命成本降低;通过灵敏度分析可知,可以控制散度公差、样本数据、续航里程、充电功率等有效平衡系统的经济性与鲁棒性。
张伟达[4](2021)在《基于服务关联网络的服务发现技术研究》文中进行了进一步梳理随着IOT服务的规模不断扩大,在云-边-端架构下IOT服务呈现松散分布、海量独立等特点。除了传统的基本信息外,IOT服务带有典型的位置信息以及由此产生的服务之间具有位置关联、数据关联、控制依赖等关联关系信息。在此背景下,传统的服务集中式管理显然无法高效管理大规模分布且多关联关系的IOT服务,所以IOT服务的分布式管理是必然趋势。如何设计一个与云边端架构相适应且有利于提升服务发现和管理效率的IOT服务分布式管理架构是解决的首要问题。另一方面,如何识别服务之间多样化关联关系并进行管理,通过服务在位置、数据、控制等方面关联快速发现所需服务也是服务发现工作的重点。服务关联网络是一种由节点和关系构成,能够表示服务之间多种关联关系的有向图。利用服务关联网络能够有效的刻画服务之间错综复杂的关系,如何从海量、广泛分布的服务中发掘服务之间的多样化关联关系并进行一体化建模构建服务关联网络,以及针对不同场景及需求如何实现关系抽取、融合与关联分析以快速发现所需服务也是本文亟待解决的问题。面对上述问题,本文首先针对IOT服务管理提出了云边协同的IOT服务分布式管理架构,其次,定义关联网络模型,并进一步提出一种服务关联网络构建及更新方法,最后在上述分布式架构和服务关联网络下探讨了服务管理及发现策略,主要研究内容如下:首先,针对IOT服务的分布式管理,本文在云端和边缘端构建了层环协同架构。利用Slave和Master节点集群在边缘端和云端建立服务寻址通道,利用Slave节点近服务的特性感知服务状态并修正服务路由,同时在Master之间增加位置属性并基于Chord协议形成云环(Chord-Master-Cloud),利用Chord强大的分布路由能力实现云端多个Master节点的协同寻址,从而在云端和边缘端构建强大的服务路由网络,实现IOT服务的分布式管理。其次,利用有向图刻画服务关联网络模型,探索了一种通过已有服务组合分析服务控制流、数据流以及位置关联并构建服务关联网络的方法,并制定服务关联网络更新策略,利用图遍历、社区发现及改进的HFPGrowth关联规则挖掘等算法挖掘并抽取服务之间的依赖关系形成相应的数据、控制、依赖图以实现对服务关联网络的补充优化用于服务发现。最后探讨在此架构和服务关联网络下的服务注册管理及发现机制,从算法角度详细的阐述了服务注册管理流程,以高速公路紧急事件处置场景验证了基于服务关联网络的服务发现方法的有效性和可行性,并进一步通过功能验证(依赖图的生成)、算法执行时间(和传统的Apriori、FPGrowth算法对比)、算法执行结果以及服务发现结果四个实验进行了验证,其中服务发现结果实验在查准率和召回率指标上对比了本文和传统的基于关键词查询以及语义匹配查询两种方法,实验结果表明本文的方法在各项指标上均具备不错的表现。基于上述原理及方法,本文结合设计和实现了一套基于服务关联网络的服务发现系统,本文采用的设计流程与实现方法对此类问题的研究有一定的使用价值。
何中秋[5](2021)在《面向大数据应用的分布式服务组合引擎设计与实现》文中指出随着大数据时代的到来,诸多行业都提出了众多大数据应用需求。其中,有很多的大数据应用需求相对简单、功能类似,通常可表达为一系列可复用大数据计算单元的组合。针对这种情况,具有较好灵活性和简便性的服务组合技术被应用到具有流程化、功能可复用特点的大数据应用开发工作中。这种思路下,大数据应用可以被表达为以大数据处理相关服务为核心构成的服务组合模型,并通过服务组合引擎对模型的解释执行来实现应用功能。服务组合引擎就成为服务组合技术在大数据领域应用的一个关键。然而,传统的服务组合引擎往往是局限于集中式或准分布式的方式,难以适应当前以分布式为主的大数据技术环境要求,特别是在服务组合中涉及的大规模数据流执行控制和优化调度方面需要特定的支持,也缺乏与Hadoop等典型大数据技术环境的集成。为此,针对上述问题,本文围绕面向大数据应用的分布式服务组合引擎展开了如下主要工作:1.针对大数据服务组合应用执行中的数据流执行控制和大数据环境集成问题,设计了分布式执行环境下的服务组合引擎架构。首先,在模型层面围绕数据流执行控制对现有大数据服务组合模型进行了扩展并给出了其详细定义;其次,在分析分布式环境下大数据服务组合模型的执行需求和关键问题基础上,设计了考虑大数据执行环境及其处理代价的分布式服务组合引擎体系架构和核心模块。2.针对大数据服务组合应用执行中的数据流优化调度问题,设计并实现了基于数据感知的服务组合执行调度算法(Data-aware Service Scheduling Algorithm简称DSSA)。该算法首先将大数据应用任务实例根据业务和数据特征划分为四组,分别为有业务约束且数据密集型、无业务约束且数据密集型、有业务约束且数据非密集型、无业务约束且数据非密集型,并基于改进粒子群算法实现对每组中的任务实例与分布的计算资源的动态匹配,以减少数据在网络中的传输及缩短大数据应用总体执行时间。通过基于Workflow Sim的相关仿真实验表明,算法相对于相关的调度算法具有更好的性能。3.在上述研究内容基础上,基于开源业务流程引擎Flowable设计并实现了一个面向大数据应用的分布式服务组合引擎。首先,设计了分布式服务组合引擎核心机制与流程;接着给出了执行引擎核心数据库定义;最后对Flowable引擎进行了分布式扩展和MR任务、Flink任务等大数据特定任务的实现。此外,还结合高速公路收费大数据统计分析应用案例对分布式服务组合引擎进行了验证,表明了其应用效果。
张利平[6](2021)在《基于Spark平台的高速公路流量预测研究》文中进行了进一步梳理随着国民经济的发展,我国汽车保有量已经达到3.6亿辆。急速增长的车流量导致高速路网运行能力下降、交通事故高发、城市环境污染加剧、交通运营管理困难。及时准确的车流量预测作为智能交通系统(Intelligent Transportation Systems,ITS)中的研究主题之一,能够帮助交管部门针对外出车流进行提前约束和诱导,提高出行效率。针对现有研究存在对交通流时空特征提取不完整、预测精度不高、处理海量数据时计算效率较低且训练参数复杂等问题,本文提出了一种基于分布式内存计算的高速公路交通流预测模型。主要工作及创新点如下:首先对高速公路交通流原始数据进行分析,完成数据填充、数据转换、数据归约等数据预处理工作。其次为了分析高速公路交通流时空特征对交通流预测结果的影响,提出了一种交通流时空关系特征向量的构造方法,使用该方法生成高速公路交通流时空特征向量。再次为了准确预测高速公路交通流,本文给出了一种考虑时空特性的贝叶斯优化极端梯度提升(Based Bayesian Optimization eXtreme Gradient Boosting,BO-XGBoost)模型来实现高速公路交通流预测,该方法将交通流时空特征向量输入模型,通过不断分裂特征,生成多棵树,从而得到模型最优解,为避免因不合适的参数取值,造成模型陷入过拟合的问题,利用全局寻优式算法贝叶斯优化(Bayesian Optimization Algorithm,BO)算法优化模型重要参数,以此实现高速公路交通流的准确预测。最后为了减少BO-XGBoost模型在参数优化及构建最优树模型时的计算时间,本文提出一种基于Spark的优化极端梯度提升高速公路交通流预测(Optimized eXtreme Gradient Boosting model based on Spark,Spark-BO-XGBoost)模型,通过将BO-XGB oost模型部署在Spark分布式计算平台上,实现参数寻优以及最优树模型生成过程的并行计算。实验结果证明,考虑时空关系的BO-XGBoost预测模型具有更高的预测精度,整体性能较好。并且通过Spark并行化的BO-XGBoost模型具有良好的加速比和可扩展性,计算效率也明显提升。本文方法可以在保证高速公路交通流模型预测精度的同时,提升模型的计算效率。
徐韶华[7](2021)在《基于φ-OTDR系统的交通事件定位识别研究》文中研究说明随着我国基础设施建设的不断深入,交通路网越来越发达,但在交通领域,目前仍然没有一种可靠、经济、实用的测量检测技术能对整体交通路网状态等交通要素事件进行长距离连续监测。近年来,光纤振动传感技术,以其分布式、长距离、全天候监测的技术特点,在例如石油管道泄漏监测、轨道运行监测、长距离周界安防等大型线状基础设施中得到初步应用,但依然面临许多技术上的难题。本文主要以光纤振动传感系统为研究对象,对相位敏感型分布式光纤振动传感系统涉及到的作用机理、感应物理量、信号处理、模式识别等问题进行了深入的研究,并尝试将分布式光纤振动传感系统引入交通系统中,解决交通中长距离连续测量监测的难题。本文提出了一种基于仿射传播聚类(Affinity Propagation Clustering,AP Clustering)的光纤振动信号智能识别模型。在模型中,原创性地提出一种新型的振动信号定位方法,该方法能将大量无关的非事件振动信号滤除,并增加了整个模型的识别效率。同时在原始光纤振动信号滤波和消噪上面提出采用变分模态分解(Variational Mode Decomposition,VMD)的方法,并在试验中验证了在结合新型振动信号定位算法下,该方法较经验模态分解(Empirical Mode Decomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)均能获得最优信噪比。与此同时,本文通过多组不同振动事件的试验分析,发现基于VMD、振动信号定位与AP相结合的方式,能获得达到90%以上事件高识别率的效果,并且基于所提出AP算法具有无监督学习的特性,使得该智能识别模型具有良好的应用前景。在深入研究基于传统单通道相干探测的φ-OTDR(phase-sensitive optical timedomain reflectometer)光路与信号智能识别的基础上,为了解决单通道系统可能存在的信号衰落与噪声影响问题,本文提出了一种新型的双通道φ-OTDR(Dual-Channel-φ-OTDR,DC-φ-OTDR)检测系统。本文在搭建的DC-φ-OTDR检测系统中首先在基于仿射传播聚类智能识别模型上验证了该方法具有同时降低振动事件检测失效和提升检测系统信噪比的优势,并能整体相较单通道φ-OTDR(Single-Channel-φ-OTDR,SC-φ-OTDR)检测系统提升约14%的事件识别准确率。其次为了解决基于仿射传播聚类智能识别模型中出现的算法复杂度大,对机器内存开销大,难以达到实时检测的难题,创新性地提出了一种适用于DC-φ-OTDR系统的快速振动定位算法,该方法克服了传统常规微分法(Conventional Differential Method,CDM)依赖步长参数选择的缺点,根据组合差分信号,可以实时定位振动位置,并较CDM方法获得高于3-5d B的信噪比,显示良好的实用性效果。另外,因DC-φ-OTDR检测系统光缆中的两根光纤在空间上存在独立性,致使随机扰动因素对双通道中传输光波的强度和相位影响不同步的因素和未来面向5G通信系统将大规模采用以波分、模分复用、相干光通信技术等为代表的长距离大容量光纤通信技术的发展趋势,因此本文探索性地搭建了基于两模光纤的双通道φ-OTDR传感系统,进一步研究了基于两模光纤中LP01模和LP11模的双通道φ-OTDR系统,并分别探索了LP01模和LP11模的振动检测性能。系统采用光子灯笼作为模分复用/解复用器,将LP01模和LP11模注入两模光纤,并将相应的后向瑞利散射信号LP01-01和LP11a-11a反馈回信号处理系统对振动信号进行解调。结果表明,LP01模产生的LP01-01具有更高的信噪比和时频复原特性,同时两模光纤的LP01模和LP11模均能较好提取振动位置处的时频信号,为后续室外现场交通事件的特征提取和智能识别奠定良好基础。
沈建伟[8](2020)在《高速公路信息中心分布式可视化信息管理系统的研究和实现》文中指出针对深化收费公路制度改革取消高速公路省界收费站工作中信息中心的业务管理,本文设计了适合高速公路信息中心的分布式可视化信息管理系统,分析了高速公路信息中心的运行现状、功能要求和设计方案,提出了分布式可视化信息管理系统的主要功能特点,表明该系统可以大大提高信息中心管理水平和工作效率,使高速公路信息工作更加科学化、规范化和智能化。
顾洁,孟璐,朱曈彤,刘书琪,金之俭[9](2021)在《数据驱动的无精确建模含源配电网无功运行优化》文中研究说明分布式光伏的接入使得配电网无功电压运行控制需求及解决措施与传统配电网差异较大。针对配电网测量设备安装不全、网架参数难以准确获取,无法进行精确数学建模的问题,提出了无精确建模的含分布式光伏的配电网电压优化控制模型。以节点电压合格为优化目标,使用高速公路神经网络拟合网架节点注入功率与关键节点电压之间的映射关系;考虑分布式光伏的出力约束,进而采用定向寻优策略和反馈机制对优化模型进行求解;通过改变分布式电源逆变器出力来控制电网电压,实现全局系统电压控制。以不同规模的配电网实际数据为例,验证了所提优化运行控制模型的有效性。对比分析了采用普通神经网络和高速公路神经网络的电压拟合精度及收敛速度,证明高速公路神经网络应用于解决无精确建模的多节点含源配电网无功运行问题,可以实现拟合精度和拟合速度的双重优化。
郑元[10](2020)在《智能网联环境下高速公路自动驾驶车辆决策控制研究》文中提出随着大数据、5G通信和人工智能等新技术的迅猛发展,智能交通系统正逐步从传统阶段向“智能网联”阶段过渡,以自动驾驶为核心的新一代智能交通系统成为当前研究热点。因高速公路行驶环境相对封闭和稳定,以及具有较好的软硬件设备基础,能够为自动驾驶技术的应用提供优先落地途径。作为新兴自动驾驶技术,网联自动驾驶车辆近年来得到了学术界的广泛关注,并在理论和实践应用中取得一定进展,如目前各大汽车企业采用自动化车辆控制系统为主的解决方案。上述方案本质是在一定程度上车辆即可实现自动驾驶,不需要或少部分需要道路基础设施协助(如交通控制中心)。但目前针对智能网联初级阶段环境下自动驾驶关键技术的研究较少,由于通信技术未能大规模进行部署,不能获取全部自动驾驶车辆状态信息,会增加交通决策复杂性,严重制约这一技术的应用。但在此智能网联阶段下,高速公路系统通过改造和升级能够具有大范围感知和通信以及决策优化的能力。在此发展趋势下,车路协同自动驾驶技术提供了一种解决自动驾驶车辆混合交通流问题的全新思路和实施途径。本文立足于智能网联初级阶段,以智能网联环境下自动驾驶车辆混合交通流为研究对象,包括网联自动驾驶车辆(Connected and Automated Vehicle,CAV)、非网联自动驾驶车辆(Automated Vehicle,AV)和网联自动驾驶车队(CAV Platoon,CAVP)。介绍智能网联环境下基于自动驾驶的交通系统组成和应用流程,协同车辆和道路的运营优势,基于反馈控制和最优控制算法,提出基于车路协同决策的自动驾驶车辆跟驰和换道控制方法。结合CAVP中车辆降级/升级特征,设计涵盖AV和CAVP驾驶模式切换的一体化CAVP分布式控制系统。分析通讯拓扑结构和控制模式特征,提出基于车路协同决策的CAVP分布式和集中式控制方法,为网联自动驾驶车队的实践应用提供多种解决方案。本文主要内容及成果包含如下几方面:第一,对智能网联环境下基于自动驾驶的交通系统组成及其应用架构进行研究,考虑智能网联环境下道路的升级作用,协同车辆和道路的运营优势,应用基于车路协同自动驾驶技术的解决方案。首先阐述智能网联环境下基于自动驾驶的交通系统中道路、车辆和通讯三大关键子系统,以及感知、决策和控制三大自动驾驶功能。参考国际汽车工程师协会对车辆自动化驾驶的等级定义,本文提出基于道路的智能分级定义,包括无信息化/无智能化/无自动化(I0)至基于道路基础设施的完全自动驾驶(I5)六个等级。分析车辆和道路技术水平和发展趋势,明确本文研究的智能网联初级阶段环境,阐述系统具体的应用流程。第二,提出基于车路协同决策的自动驾驶车辆跟驰控制方法。本文以交通流量作为优化目标,以车队稳定性为约束条件,从控制模式和信息模式方面进行应用,其中控制模式分为严格和宽松,信息模式分为车路通信和车路通信+可变信息板。并考虑多种自动驾驶车辆混合交通流场景开展理论分析和仿真验证。研究表明相比于严格控制模式,适当地松弛车队头尾稳定性条件,能够对多个CAV实现协同控制,从而提高交通流量和确保整体的头尾稳定性。通过增加信息模式可促进AV执行控制指令,从而通过增加控制车辆数目提供更加有效地任务分配方案,有利于改善交通效率。第三,提出基于车路协同决策的自动驾驶车辆换道控制方法。适用于通信技术应用受限的场景,通过道路感知周围车辆的运动状态和预测车辆的控制参数,从安全、效率和舒适角度构建协同换道控制方法,并与非协同控制方法进行对比分析。分析周围车辆运动状态存在感知误差情况下车辆轨迹的可达性集合,计算不同情况下车辆的总运行成本并进行自动驾驶决策的调整。结果表明,结合道路和车辆的运营优势,所提出的换道控制方法能够为车辆提供最优的自动驾驶决策,并有效提高换道成功率。第四,针对车辆汇入或通信中断导致车辆降级/升级等交通场景,提出涵盖AV和CAVP驾驶模式切换的一体化CAVP分布式控制系统,并应用稳定性理论对本文提出的CAVP控制系统进行分析和仿真验证。结果表明与Plog’s控制系统相比,提出的控制系统采用较好的稳定性表现。通过交通仿真实验,验证本文提出的CAVP系统能够有效改善交通效率、安全和扰动。考虑决策主体的差异,提出基于车路协同决策的CAVP分布式控制方法,分析两种控制方法对于道路交通运行的控制效果。为CAVP分布式控制系统的优化设计提供科学支撑。第五,基于集中式通讯拓扑结构,提出基于车路协同决策的CAVP集中式控制方法。通过道路感知和预测周围车辆的运动状态和控制参数,拓展CAVP控制系统的状态空间和控制向量,构建适用于自动驾驶混合流的CAVP集中式控制方法。针对车道变窄或关闭场景对提出的控制方法展开仿真实验。结果表明,相比于基于车辆决策的控制方法,基于车路协同决策的控制方法能够有效降低安全风险和减少总旅行时间,其中协作控制相比于非协作控制模式具有更好的控制表现。针对不同换道车辆组合案例分析可知,包括CAV的换道组合具有更好的交通运行效果。
二、分布式高速公路信息控制系统(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、分布式高速公路信息控制系统(论文提纲范文)
(1)高速公路多义性路径标识站布设效果评价研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 车辆轨迹重构研究综述 |
1.2.2 标识站布设方案评价方法研究综述 |
1.2.3 研究现状总结 |
1.3 研究内容与技术路线 |
1.3.1 论文研究内容 |
1.3.2 论文技术路线 |
1.3.3 论文章节安排 |
第二章 基于行程时间特征的车辆路径轨迹重构方法 |
2.1 标识站选址模型构建 |
2.1.1 基于Space L法的高速路网建模 |
2.1.2 基于流量最小原则的标识站选址方法 |
2.2 路网车辆轨迹特征分析 |
2.2.1 高速收费数据信息 |
2.2.2 缺失轨迹信息类型 |
2.2.3 缺失轨迹的特征表示 |
2.3 轨迹重构方法 |
2.3.1 备选路径集获取 |
2.3.2 还原路径集构造 |
2.3.3 路径行程时间特征分析 |
2.3.4 最优可能路径找寻 |
2.4 实例应用 |
2.4.1 研究场景概况 |
2.4.2 初始标识站布设方案 |
2.4.3 轨迹重构及结果分析 |
2.5 本章小结 |
第三章 基于EWM-TOPSIS法的标识站布设方案评价方法 |
3.1 评价指标体系的构建原则 |
3.1.1 科学性原则 |
3.1.2 可比性原则 |
3.2 评价指标体系构建 |
3.2.1 指标体系分析 |
3.2.2 经济指标确定 |
3.2.3 技术指标确定 |
3.2.4 指标必要性的验证 |
3.2.5 评价指标体系 |
3.3 标识站布设方案评价模型构建 |
3.3.1 EWM理论 |
3.3.2 TOPSIS算法 |
3.3.3 EWM-TOPSIS模型构建 |
3.4 本章小结 |
第四章 基于数值仿真的案例分析 |
4.1 仿真环境介绍 |
4.1.1 轨迹数据获取 |
4.1.2 缺失数据筛选 |
4.1.3 仿真路网选取 |
4.1.4 标识站局部布设方式 |
4.2 仿真场景设计 |
4.2.1 方案一:简单重复式 |
4.2.2 方案二:简单重复式与识别率 |
4.2.3 方案三:完全分布式 |
4.2.4 方案四:完全分布式与识别率 |
4.3 标识站布设方案评价 |
4.3.1 评价指标权重确定 |
4.3.2 相对近接度计算 |
4.3.3 评价结果分析 |
4.4 本章小结 |
第五章 结论与展望 |
5.1 主要结论 |
5.2 研究展望 |
参考文献 |
附录A |
在学期间的研究成果 |
致谢 |
(3)高速公路光储充一体化电站选址定容研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 论文的选题背景和研究意义 |
1.2 国内外研究现状 |
1.2.1 不含DG的电动汽车充电站选址定容的研究现状 |
1.2.2 含DG的电动汽车充电站选址定容的研究现状 |
1.3 相关技术领域目前存在的主要问题 |
1.4 论文的主要研究内容 |
2 电动汽车及高速公路光储充一体化电站相关理论基础 |
2.1 电动汽车基本理论 |
2.1.1 电动汽车分类 |
2.1.2 电动汽车充电模式 |
2.2 高速公路光储充一体化电站基本理论 |
2.2.1 高速公路光储充一体化电站充电设施 |
2.2.2 高速公路光储充一体化电站结构 |
2.3 高速公路光储充一体化电站选址定容的影响因素及选址定容原则 |
2.3.1 高速公路光储充一体化电站选址定容的影响因素 |
2.3.2 高速公路光储充一体化电站选址定容的原则 |
2.4 小结 |
3 高速公路光储充一体化电站选址研究 |
3.1 蒙特卡罗法 |
3.2 覆盖选址模型理论 |
3.2.1 集合覆盖模型 |
3.2.2 最大覆盖模型 |
3.3 高速公路光储充一体化电站充电需求的分析 |
3.3.1 电动汽车模型 |
3.3.2 交通模型 |
3.3.3 充电需求的时空分布模型 |
3.4 高速公路光储充一体化电站选址模型的建立 |
3.5 小结 |
4 高速公路光储充一体化电站定容研究 |
4.1 排队论模型介绍 |
4.1.1 排队论简介 |
4.1.2 排队系统的组成 |
4.1.3 排队论模型的表示形式 |
4.1.4 高速公路光储充一体化电站电动汽车排队模型的分析 |
4.2 数据驱动的分布式鲁棒优化方法介绍 |
4.2.1 分布式鲁棒优化方法简介 |
4.2.2 分布式鲁棒优化中模糊集构造 |
4.2.3 数据驱动的分布式鲁棒优化方法简介 |
4.3 高速公路光储充一体化电站内能量流动关系分析 |
4.4 高速公路光储充一体化电站确定性的定容模型 |
4.4.1 目标函数 |
4.4.2 约束条件 |
4.5 考虑不确定性的高速公路光储充一体化电站定容模型 |
4.5.1 基于概率距离的不确定集的计算 |
4.5.2 数据驱动的分布式鲁棒定容模型的建立 |
4.5.3 数据驱动的分布式鲁棒定容模型的转化 |
4.6 小结 |
5 算例验证及灵敏度分析 |
5.1 算例参数 |
5.2 求解方法 |
5.3 算例结果及分析 |
5.3.1 算例结果 |
5.3.2 结果分析 |
5.4 灵敏度分析 |
5.4.1 散度公差对结果的影响 |
5.4.2 样本数量对结果的影响 |
5.4.3 续航里程对结果的影响 |
5.4.4 充电功率对结果的影响 |
5.5 小结 |
结论 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(4)基于服务关联网络的服务发现技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 研究目标和研究内容 |
1.3 论文结构 |
第二章 相关研究现状 |
2.1 分布式环境下服务发现 |
2.2 服务关联网络中的依赖关系识别 |
2.3 本章小结 |
第三章 分布式架构下的服务关联网络构建 |
3.1 服务分布式管理架构 |
3.1.1 Master-Chord |
3.1.2 边缘节点slave |
3.2 服务关联网络模型 |
3.2.1 场景案例分析与问题定义 |
3.2.2 关联网络模型定义 |
3.3 服务关联网络构建与更新 |
3.3.1 网络构建及更新 |
3.3.2 数据依赖图 |
3.3.3 控制依赖图 |
3.3.4 位置依赖图 |
3.4 本章小结 |
第四章 基于服务关联网络的服务发现机制 |
4.1 服务注册 |
4.2 服务管理与同步 |
4.3 服务发现 |
4.3.1 基于位置依赖的服务发现 |
4.3.2 基于数据、控制和位置依赖的服务发现 |
4.4 本章小结 |
第五章 实验与分析 |
5.1 基于分布式架构的服务发现 |
5.1.1 数据集准备 |
5.1.2 分布式架构搭建及部署 |
5.1.3 实验结果与分析 |
5.2 基于服务关联网络的服务发现 |
5.2.1 实验环境 |
5.2.2 数据准备 |
5.2.3 实验结果与分析 |
5.3 本章总结 |
第六章 系统设计与实现 |
6.1 系统设计 |
6.2 系统实现 |
6.2.1 开发工具及环境 |
6.2.2 功能模块介绍 |
6.2.3 底层存储技术 |
6.3 本章总结 |
第七章 结论与展望 |
7.1 主要结论 |
7.2 研究展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(5)面向大数据应用的分布式服务组合引擎设计与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 研究问题及意义 |
1.3 研究内容 |
1.4 论文组织结构 |
第二章 相关理论及技术 |
2.1 大数据相关技术 |
2.2 服务组合相关技术 |
2.2.1 服务组合模型 |
2.2.2 服务组合建模语言 |
2.2.3 服务组合引擎的应用 |
2.3 服务组合引擎执行调度相关工作 |
2.4 大数据服务相关工作 |
2.5 本章小结 |
第三章 大数据服务组合模型与分布式引擎架构 |
3.1 大数据服务组合模型 |
3.2 大数据服务组合执行分析 |
3.3 分布式服务组合引擎架构设计 |
3.3.1 总体架构 |
3.3.2 分布式服务组合引擎容错处理 |
3.4 大数据服务组合应用执行环境 |
3.5 本章小结 |
第四章 基于数据感知的服务组合执行调度 |
4.1 面向大规模数据流的服务组合调度问题 |
4.1.1 服务执行时间模型 |
4.1.2 数据传输量模型 |
4.1.3 执行优化函数建模 |
4.1.4 服务完成时间 |
4.2 基于数据感知的服务组合执行调度算法 |
4.2.1 算法设计 |
4.2.2 基于改进粒子群算法的任务实例调度 |
4.3 算法验证 |
4.3.1 仿真模拟工具Workflow Sim |
4.3.2 实验环境和实验对比算法的选择与验证 |
4.3.3 仿真实验对比及结果分析 |
4.4 本章小结 |
第五章 分布式服务组合引擎实现及验证 |
5.1 分布式服务组合引擎核心模块及实现机制 |
5.2 分布式服务组合引擎核心数据设计与任务扩展 |
5.3 高速公路大数据统计分析应用案例 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 进一步研究方向 |
参考文献 |
在学期间的研究成果 |
致谢 |
(6)基于Spark平台的高速公路流量预测研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景及研究意义 |
1.2 研究现状及论文要解决的问题 |
1.2.1 交通流预测研究现状 |
1.2.2 论文要解决的问题 |
1.3 论文的目标及主要工作 |
1.4 论文组织结构 |
1.5 本章小结 |
第二章 相关理论与技术 |
2.1 高速公路交通流预测基本理论 |
2.1.1 交通流预测参数 |
2.1.2 交通流预测基本流程 |
2.2 机器学习预测算法 |
2.2.1 支持向量机算法 |
2.2.2 K近邻非参数回归算法 |
2.2.3 梯度提升决策树算法 |
2.3 模型优化算法 |
2.3.1 网格搜索 |
2.3.2 随机搜索 |
2.4 Spark平台及相关技术 |
2.4.1 Spark组织结构 |
2.4.2 Spark运行基本流程 |
2.4.3 弹性分布式数据集RDD |
2.5 本章小结 |
第三章 数据处理与特征构建 |
3.1 高速公路交通流数据分析和存储 |
3.1.1 数据分析 |
3.1.2 数据存储 |
3.2 高速公路交通流数据预处理 |
3.2.1 缺失值数据处理 |
3.2.2 数据转换 |
3.2.3 数据归约 |
3.3 特征构建 |
3.3.1 交通流时序特征构建 |
3.3.2 交通流时空特征构建 |
3.4 本章小结 |
第四章 Spark-BO-XGBoost交通流预测方法 |
4.1 高速公路交通流预测模型构建 |
4.1.1 算法实现过程 |
4.1.2 模型构建 |
4.1.3 模型存在的缺点及优化分析 |
4.2 贝叶斯优化XGBoost交通流预测模型 |
4.2.1 优化原理 |
4.2.2 BO-XGBoost模型实现 |
4.3 BO-XGBoost模型并行化设计与实现 |
4.3.1 BO-XGBoost模型并行化设计 |
4.3.2 Spark-BO-XGBoost模型实现 |
4.4 本章小结 |
第五章 实验设计与分析 |
5.1 集群部署和实验环境 |
5.1.1 集群配置 |
5.1.2 实验环境搭建 |
5.2 实验数据与评价指标 |
5.2.1 实验数据 |
5.2.2 实验评价指标 |
5.3 各项实验与结果分析 |
5.3.1 考虑时空特征与时间特征对比实验 |
5.3.2 优化后模型准确率对比实验 |
5.3.3 不同模型准确率对比实验 |
5.3.4 集群可扩展性实验 |
5.3.5 集群加速比实验 |
5.3.6 交通流预测结果可视化 |
5.4 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文及取得的科研成果 |
(7)基于φ-OTDR系统的交通事件定位识别研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
§1.1 课题的研究背景与意义 |
§1.2 交通监测常用传感技术与事件检测研究现状 |
§1.2.1 常用监测传感技术 |
§1.2.2 交通事件检测技术 |
§1.2.3 研究现状与面临问题 |
§1.3 分布式光纤传感系统及其研究现状 |
§1.3.1 分布式光纤传感系统简介 |
§1.3.2 相位敏感型光时域反射技术 |
§1.4 基于模分复用的φ-OTDR系统 |
§1.5 本文主要章节安排 |
第二章 分布式相敏光时域检测(φ-OTDR)系统与信号获取 |
§2.1 分布式相敏光时域检测(φ-OTDR)系统 |
§2.1.1 瑞利反向散射原理 |
§2.1.2 相干探测原理 |
§2.1.3 φ-OTDR传感系统原理 |
§2.1.4 地埋式φ-OTDR振动检测原理 |
§2.2 分布式相敏光时域检测(φ-OTDR)系统的信号获取 |
§2.2.1 系统的时域信号获取 |
§2.2.2 振幅差分法 |
§2.3 本章小结 |
第三章 基于聚类分析的单通道φ-OTDR系统中振动信号定位与事件识别研究 |
§3.1 变分模态分解 |
§3.2 基于AP的事件识别 |
§3.2.1 仿射传播聚类算法(AP) |
§3.3 基于事件识别框架的振动信号定位算法 |
§3.3.1 事件识别整体框架模型 |
§3.3.2 振动信号定位算法 |
§3.4 实验设计 |
§3.5 实验结果与分析 |
§3.6 本章小结 |
第四章 基于多芯光缆的双通道φ-OTDR传感系统 |
§4.1 多芯光缆双通道φ-OTDR系统搭建 |
§4.2 基于双通道的φ-OTDR系统中振动信号定位与事件识别研究 |
§4.3 快速振动定位算法设计及分析 |
§4.3.1 实验场景1:校园路段测试 |
§4.3.2 实验场景2:高速公路测试 |
§4.4 本章小结 |
第五章 基于两模光纤的双通道φ-OTDR传感系统 |
§5.1 两模光纤的基础理论 |
§5.2 实验设计 |
§5.2.1 实验所用两模光纤的参数 |
§5.2.2 基于两模光纤的双通道φ-OTDR系统 |
§5.3 实验结果与分析 |
§5.3.1 LP01 模和LP11a模双通道的后向瑞利散射信号 |
§5.3.2 LP01模和LP11a模的振动定位 |
§5.3.3 振动位置处LP01模和LP11a模的振动信号时频分析 |
§5.4 本章小结 |
第六章 结论 |
§6.1 完成的主要工作与成果 |
§6.2 论文研究展望 |
参考文献 |
致谢 |
作者在攻读博士期间的主要研究成果 |
(8)高速公路信息中心分布式可视化信息管理系统的研究和实现(论文提纲范文)
0 引言 |
1 现状分析 |
2 设计原则 |
(1)网络安全。 |
(2)系统稳定。 |
(3)操作便携。 |
(4)人机分离。 |
(5)可扩展性。 |
3 信息中心分布式可视化信息管理系统设计方案 |
3.1 整体设计说明 |
3.2 分布式接入设计 |
3.3 分布式输出设计 |
4 信息中心分布式可视化信息管理系统功能特点 |
4.1 大屏拼接显示功能 |
(1)整屏画面显示。 |
(2)任意分割显示。 |
(3)窗口叠加显示。 |
(4)画面任意缩放。 |
(5)画面任意漫游。 |
4.2 坐席协作功能 |
(1)多坐席控制管理。 |
(2)坐席鼠标滑屏功能。 |
(3)画面推送功能。 |
(4)多画面分割显示。 |
(5)远程开关机功能。 |
4.3 软件控制功能 |
(1)预监回显。 |
(2)权限管理。 |
5 结束语 |
(9)数据驱动的无精确建模含源配电网无功运行优化(论文提纲范文)
0 引言 |
1 无精确建模的含源配电网电压控制模型 |
1.1 光伏逆变器参与无功调压原理 |
1.2 输电网二级电压控制模型 |
1.3 无精确建模的含源配电网电压控制模型 |
2 基于高速公路神经网络的电压拟合模型 |
2.1 高速公路神经网络 |
2.2 基于高速公路神经网络的电压拟合模型 |
3 无精确建模的含源配电网电压控制模型求解 |
3.1 高速公路神经网络电压拟合模型训练 |
3.2 无精确建模的含源配电网电压控制方法实现 |
3.3 无精确建模的含源配电网电压控制方法检验 |
4 算例与分析 |
4.1 算例说明 |
4.1.1 算例网架 |
4.1.2 算例负荷 |
4.2 基于高速公路神经网络的电压拟合模型训练结果 |
4.3 电压控制效果 |
4.3.1 场景1 |
4.3.2 场景2 |
5 结论 |
附录 |
(10)智能网联环境下高速公路自动驾驶车辆决策控制研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状研究 |
1.2.1 智能网联环境下高速公路自动驾驶车辆跟驰控制研究 |
1.2.2 智能网联环境下高速公路自动驾驶车辆换道控制研究 |
1.2.3 智能网联环境下高速公路网联自动驾驶车队控制研究 |
1.2.4 现有研究总结 |
1.3 研究目标和内容 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.4 研究方法和技术路线 |
1.4.1 研究方法 |
1.4.2 研究技术路线 |
第二章 智能网联环境下交通系统组成和应用架构 |
2.1 基于自动驾驶的交通系统组成 |
2.1.1 关键子系统 |
2.1.2 主要自动驾驶功能 |
2.1.3 等级水平 |
2.2 基于车路协同的交通系统应用架构 |
2.2.1 环境设定与基本假设 |
2.2.2 应用流程 |
2.3 本章小结 |
第三章 智能网联环境下自动驾驶车辆决策控制理论 |
3.1 车辆控制理论算法 |
3.1.1 反馈控制 |
3.1.2 最优控制 |
3.1.3 稳定性分析 |
3.2 最优控制求解算法 |
3.3 道路交通系统评价指标 |
3.3.1 交通效率 |
3.3.2 交通安全 |
3.3.3 交通扰动 |
3.4 本章小结 |
第四章 智能网联环境下自动驾驶车辆跟驰决策控制 |
4.1 研究动机与思路 |
4.2 基于车路协同的车辆跟驰控制方法 |
4.2.1 车辆控制系统状态 |
4.2.2 车队稳定性分析 |
4.2.3 协同优化控制 |
4.3 跟驰控制策略 |
4.3.1 功能应用 |
4.3.2 决策步骤 |
4.4 实验案例 |
4.5 实验结果 |
4.6 本章小结 |
第五章 智能网联环境下自动驾驶车辆换道决策控制 |
5.1 研究动机与思路 |
5.2 基于车路协同的车辆换道控制方法 |
5.2.1 车辆控制系统状态 |
5.2.2 车辆换道成本函数 |
5.2.3 车辆运动状态分析 |
5.3 换道控制策略 |
5.3.1 功能应用 |
5.3.2 决策步骤 |
5.4 实验案例 |
5.5 实验结果 |
5.5.1 不同控制方法的决策对比 |
5.5.2 不同车辆运动状态的决策对比 |
5.5.3 不同控制方法的换道成功率对比 |
5.6 本章小结 |
第六章 智能网联环境下网联自动驾驶车队分布式决策控制 |
6.1 研究动机与思路 |
6.2 一体化车队分布式控制系统 |
6.2.1 控制系统状态 |
6.2.2 驾驶模式切换 |
6.3 分布式控制策略 |
6.3.1 功能应用 |
6.3.2 决策步骤 |
6.4 实验案例 |
6.5 实验结果 |
6.5.1 不同控制系统的车队稳定性对比 |
6.5.2 不同控制方法的控制效果对比 |
6.5.3 不同决策主体控制方法的控制效果对比 |
6.6 本章小结 |
第七章 智能网联环境下网联自动驾驶车队集中式决策控制 |
7.1 研究动机与思路 |
7.2 基于车路协同的车队集中式控制方法 |
7.2.1 车队控制系统状态 |
7.2.2 车队控制成本函数构建 |
7.2.3 协同控制的系统状态和成本函数 |
7.3 集中式控制策略 |
7.3.1 功能应用 |
7.3.2 决策步骤 |
7.4 实验案例 |
7.5 实验结果 |
7.5.1 不同控制模式的控制效果对比 |
7.5.2 不同决策主体控制方法的控制效果对比 |
7.5.3 不同换道车辆组合的控制效果对比 |
7.6 本章小结 |
第八章 总结与展望 |
8.1 主要研究成果与结论 |
8.2 主要创新点 |
8.3 研究展望 |
致谢 |
参考文献 |
作者简介、在读期间发表论文及参与科研情况 |
四、分布式高速公路信息控制系统(论文参考文献)
- [1]高速公路多义性路径标识站布设效果评价研究[D]. 敏玥. 北方工业大学, 2021(11)
- [2]可持续视角下高速公路服务区光伏发电站投资决策研究[D]. 武程浩. 华北电力大学(北京), 2021
- [3]高速公路光储充一体化电站选址定容研究[D]. 李建霞. 兰州交通大学, 2021(02)
- [4]基于服务关联网络的服务发现技术研究[D]. 张伟达. 北方工业大学, 2021(01)
- [5]面向大数据应用的分布式服务组合引擎设计与实现[D]. 何中秋. 北方工业大学, 2021(01)
- [6]基于Spark平台的高速公路流量预测研究[D]. 张利平. 内蒙古工业大学, 2021(02)
- [7]基于φ-OTDR系统的交通事件定位识别研究[D]. 徐韶华. 桂林电子科技大学, 2021(02)
- [8]高速公路信息中心分布式可视化信息管理系统的研究和实现[J]. 沈建伟. 信息技术与信息化, 2020(12)
- [9]数据驱动的无精确建模含源配电网无功运行优化[J]. 顾洁,孟璐,朱曈彤,刘书琪,金之俭. 电力自动化设备, 2021(01)
- [10]智能网联环境下高速公路自动驾驶车辆决策控制研究[D]. 郑元. 东南大学, 2020(02)