文献综述（或调研报告）：
通过模型的方法研究路段行程时间是本课题最为根本的技术手段。通过阅读国内外相关文献，对研究的价值、现场调查分析、模型的划分与特点、模型的选择、成功的经验案例进行总结和综合，以利于本研究的开展。
目前已有的关于行程时间估计的研究方法，可分为三大类：一类是统计模型，包括线性和非线性回归方法、卡尔曼滤波以及贝叶斯估计方法等；另一类是人工智能模型，包括各类神经网络模型。[1]
罗霞[2]等为提高城市道路行程时间估计模型的准确度和有效性，利用浮动车数据，依据对传统模型思路的总结分别建立了基于路段长度比例和点速度调和平均值的两种行程时间初阶估计模型，并利用统计学中的同分布融合思想建立了行程时间融合模型，以修正初阶模型结果的精度，弥补传统估计模型中准确度低、效率不高的缺陷。最后选取成都市具有代表性的路网区域为算例,验证了初阶模型假设分布的正确性，同时计算出融合模型路径总时间的平均偏差仅为12%，说明了融合模型的准确度和有效性。
刘克等[3]改进了一种基于车辆长度数据进行车辆识别的车长匹配算法，新算法步骤为：首先收集在检测时间内通过路段上下游检测器的所有车辆长度，找出上下游相同的车长，剔除掉噪声数据，实现车辆识别，计算出单车行程时间并最终估计得到路段行程时间。该算法以高速路段上的线圈检测器数据进行实例验证，结果表明，相比较于地点交通参数估计方法，该算法显著提高了行程时间估计精度，能更加快速的识别出交通事件，而且在现有的车辆检测器上就能够实现车辆识别，并不需要安装新的检测设备。不仅获得实时的、当前时刻的行程时间非常重要，预知未来时刻的行程时间同样十分重要。基于模糊推理系统和神经网络两种预测模型的优点，提出了基于自适应神经模糊推理系统的路段行程时间预测模型，该模型以车长匹配算法估计得到的数据为实验数据，经过训练及有效性检验后，与BP神经网络模型比较预测误差，结果分析表明，所建立的模糊神经网络模型能够描述输入、输出的映射规律。
唐昆[4]等提出了一种基于张力的城市交通时间估计模型，利用出租车接收到的大而稀疏的GPS轨迹进行城市交通时间估计。利用三阶张量对不同路段在不同交通条件下在某些时段的行驶时间进行了建模。同时，利用另一个三阶张量对这些时段中不同路段上不同交通状况的发生概率进行了建模。结合从轨迹中学到的历史知识，可以通过上下文感知张量分解方法来估计两个张量中的缺失项。根据重构结果，对于当前时隙内的城市路网任意路段，不仅可以知道不同交通条件下的出行时间，还可以知道相应交通条件下的发生概率。该模型结合了不同路段之间的空间相关性和不同交通条件之间的偏差，以及近期和历史交通条件之间的粗粒度时间相关性和不同时段之间的细粒度时间相关性。并将该模型应用于北京城市道路网的实例分析。基于32670辆出租车两个月的GPS轨迹的大量实验结果表明，模型在有效性和鲁棒性方面都优于其他方法。[5]
赵卓峰等[6]提出一种基于时空划分的流水线式并行计算模型，并给出了该模型基于实时MapReduce的实现。通过一组基于海量真实车牌识别数据集的实验表明，其方法在亿级车牌识别数据集上的旅行时间计算性能方面相对于直接基于Hadoop的实现可以提高3倍以上，同时具有适合细粒度划分及受路网规模影响小的特点。
姜桂艳[7]等为提高城市主干路交通流平均行程时间的估计精度，根据路段上游检测器采集的截面流量，建立了3种BPR(bureau of public roads)修正模型，包括全状态累积流量BPR修正模型、分状态标定的BPR模型和分状态累积流量BPR修正模型.仿真结果表明：全状态累积流量BPR修正模型明显优于传统的BPR模型;分状态标定的BPR模型和分状态累积流量BPR修正模型可以进一步提高估计精度，且后者可将阻滞交通状态下的平均估计误差降低至8.05%。
Jenelius， Erik[8]提出了一种利用低频GPS探测获得的车辆轨迹作为观测值进行城市道路网出行时间估计的统计模型，该模型中车辆通常覆盖多个网络链接。该网络模型将出行时间分解为链路出行时间和交叉口延迟，并基于空间移动平均(SMA)结构允许不同网络链路上的出行时间之间存在相关性。该观测模型提出了一种通过对车辆轨迹进行低频采样来估计包括相关结构在内的网络模型参数的方法。特定于链接的效果与链接属性(速度限制、功能类等)和旅行条件(星期几、季节、天气等)结合起来作为解释变量。该方法捕捉了速度时空变化背后的潜在因素，这对交通管理、规划和预测非常有用。利用极大似然法对模型进行估计。该模型在瑞典斯德哥尔摩网络的一个案例研究中得到了应用。路段属性和出行条件(包括近期降雪)对出行时间有显著影响，路段之间存在显著的正相关关系。案例研究强调了使用稀疏探测车辆数据监测城市交通系统性能的潜力。
胡小文、杨东援[9]基于检测器数据的路段行程时间估计通常具有精度不高和可靠性差的特点。论文引入了自适应式卡尔曼滤波，采用K近邻法寻找相似的交通流状态来标定状态转移系数，建立了基于固定型检测器数据和移动型检测器数据的路段行程时间估计融合模型。实际数据的验证结果是，平均相对误差为9.52%，相对误差的标准差为8.92%。研究表明，与基于移动检测器数据的估计方法相比较，该方法极大地改善了估计精度和可靠性，还具有收敛速度快、对初值不敏感、参数少等特点。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
