本文關(guān)鍵詞：基于出租車軌跡數(shù)據(jù)挖掘的推薦模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著出租車行業(yè)的快速發(fā)展,出租車彌補(bǔ)了公共交通和私人交通的不足之處,成為了人們?nèi)粘３鲂兄斜夭豢缮俚慕煌üぞ咧?在交通出行中起到了扮演了重要的角色。目前,北京市的交通狀況正在逐步惡化,一方面,“打車難”成為交通出行的普遍現(xiàn)象;與之相對(duì)應(yīng)的,有些時(shí)間段,很多出租車因?yàn)樵诼飞陷d不到乘客而空載,出現(xiàn)“空車跑”的現(xiàn)象。這些空載的情況不僅會(huì)提高出租車司機(jī)的運(yùn)營(yíng)成本、減少收入,而且會(huì)給現(xiàn)有的交通狀況帶來(lái)額外的負(fù)擔(dān),同時(shí)還會(huì)加重環(huán)境污染和能源浪費(fèi)的問(wèn)題。基于以上的原因,如何有效的改善出租車與乘客之間的供需關(guān)系,達(dá)到供需平衡成為一個(gè)亟待解決的問(wèn)題。近些年來(lái),為了安全考慮和調(diào)度方便,很多大城市如上海、深圳、北京等都在出租車上裝備了GPS定位設(shè)備。這些GPS定位設(shè)備會(huì)以一定的頻率向出租車管理中心發(fā)送車輛的狀態(tài)信息,包括所在的經(jīng)緯度、時(shí)間以及載客狀態(tài)等。這些數(shù)據(jù)不斷積累,生成了大量的出租車GPS軌跡數(shù)據(jù)。出租車GPS軌跡數(shù)據(jù)包括了兩方面的內(nèi)容,一方面是出租車乘客的出行信息,例如乘客什么時(shí)候上車、下車,出行的出發(fā)地和目的地等,可以用來(lái)研究居民的日常出行行為;另一方面,出租車的行駛路線包括了出租車司機(jī)的習(xí)慣和行為,例如在哪些地方能夠找到乘客、怎樣的行駛的路線最近、油耗最少、時(shí)間最短等等,可以用來(lái)研究城市道路的最短路徑和交通擁堵情況。通過(guò)對(duì)以上兩方面的研究,本文通過(guò)挖掘大量的出租車GPS軌跡數(shù)據(jù),提出了針對(duì)打車乘客的乘客候車點(diǎn)推薦模型和針對(duì)出租車司機(jī)的乘客訂單推薦模型。具體包括兩方面的內(nèi)容:一方面,通過(guò)對(duì)大量的GPS軌跡數(shù)據(jù)的挖掘,發(fā)現(xiàn)出租車司機(jī)的日常行為特點(diǎn),為正在打車的乘客推薦步行可以到達(dá)的最有可能遇到空載的出租車的地點(diǎn),這些地點(diǎn)在文中稱為出租車�？奎c(diǎn),向乘客推薦候車點(diǎn),有效的減少了乘客的等車時(shí)間,緩解出租車和乘客之間的供需矛盾;另一方面,通過(guò)改進(jìn)CKNN算法,根據(jù)正在尋找乘客的出租車司機(jī)的地理位置和當(dāng)前的時(shí)間,為司機(jī)尋找最適合的乘客候選集,并提出兩個(gè)影響出租車司機(jī)選擇乘客行為的指標(biāo):乘客目的地的熱門程度和司機(jī)偏好相關(guān)度,利用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建乘客推薦模型進(jìn)行乘客訂單篩選,為出租車司機(jī)推薦最佳的乘客集,從而有助于減少出租車的空載時(shí)間,提高司機(jī)的收益,同時(shí)也能達(dá)到減少油耗,降低污染的目的。本文的主要貢獻(xiàn)如下:本文從出租車的GPS軌跡數(shù)據(jù)出發(fā),通過(guò)聚類算法挖掘那些利潤(rùn)較高的出租車司機(jī),并研究他們?cè)诜浅丝透叻鍟r(shí)間停車等待乘客的行為特點(diǎn),根據(jù)這些出租車停靠點(diǎn)的特征,提出一種可以準(zhǔn)確的挖掘出租車�？奎c(diǎn)的候選軌跡點(diǎn)的算法,通過(guò)對(duì)候選軌跡點(diǎn)的過(guò)濾和聚類,得到了真正的出租車�？奎c(diǎn),從而構(gòu)建了基于出租車候車點(diǎn)的乘客推薦模型,在有乘客發(fā)出打車需求時(shí),實(shí)時(shí)檢索乘客附近的出租車停靠點(diǎn),該�？奎c(diǎn)即為乘客最佳的候車點(diǎn)。本文改進(jìn)了原有的CKNN算法,提出一種近似的CKNN算法來(lái)實(shí)時(shí)檢索出租車附近的候選乘客集,通過(guò)對(duì)出租車GPS軌跡數(shù)據(jù)的挖掘,提出兩個(gè)影響出租車司機(jī)選擇乘客行為的指標(biāo):乘客目的地的熱門程度、與司機(jī)的偏好相關(guān)度,可以通過(guò)挖掘出租車的熱點(diǎn)載客區(qū)域計(jì)算乘客目的地的熱門程度,通過(guò)挖掘出租車的歷史行駛軌跡來(lái)計(jì)算司機(jī)的偏好相關(guān)度,最后利用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建乘客推薦模型,利用模型判定候選乘客集中每個(gè)乘客的推薦程度,為出租車司機(jī)推薦最佳的候選乘客集。
【關(guān)鍵詞】：出租車軌跡數(shù)據(jù) DBCSAN聚類 出租車�？奎c(diǎn) 熱點(diǎn)區(qū)域司機(jī)偏好
【學(xué)位授予單位】：首都經(jīng)濟(jì)貿(mào)易大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：F572;F224
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 1 緒論11-18
• 1.1 引言11
• 1.2 研究背景與意義11-12
• 1.3 相關(guān)文獻(xiàn)綜述12-14
• 1.4 論文的目標(biāo)、主要內(nèi)容、織結(jié)構(gòu)及創(chuàng)新點(diǎn)14-18
• 1.4.1 論文目標(biāo)14-15
• 1.4.2 論文主要內(nèi)容15-16
• 1.4.3 論文組織結(jié)構(gòu)16-17
• 1.4.4 論文主要?jiǎng)?chuàng)新點(diǎn)17-18
• 2 出租車軌跡數(shù)據(jù)挖掘的基本理論和相關(guān)技術(shù)18-25
• 2.1 出租車軌跡數(shù)據(jù)挖掘的基本理論18-21
• 2.1.1 出租車軌跡數(shù)據(jù)基本概念18-19
• 2.1.2 出租車軌跡數(shù)據(jù)的基本特征19
• 2.1.3 出租車軌跡數(shù)據(jù)的來(lái)源和獲取方法19-21
• 2.1.3.1 浮動(dòng)車采集技術(shù)19-20
• 2.1.3.2 出租車軌跡數(shù)據(jù)的來(lái)源20-21
• 2.2 軌跡數(shù)據(jù)挖掘的相關(guān)技術(shù)21-24
• 2.2.1 軌跡數(shù)據(jù)挖掘方法21-22
• 2.2.2 基于密度的聚類算法22-24
• 2.2.2.1 DBSCAN算法22-23
• 2.2.2.2 OPTICS算法23-24
• 2.3 其他相關(guān)技術(shù)24-25
• 2.3.1 GPS定位技術(shù)24
• 2.3.2 手機(jī)移動(dòng)定位技術(shù)24-25
• 3 出租車軌跡數(shù)據(jù)預(yù)處理25-30
• 3.1 軌跡數(shù)據(jù)預(yù)處理25-28
• 3.1.1 數(shù)據(jù)冗余處理26
• 3.1.2 數(shù)據(jù)缺失處理26-27
• 3.1.3 數(shù)據(jù)漂移處理27-28
• 3.2 地圖匹配28-30
• 4 基于出租車軌跡數(shù)據(jù)挖掘的乘客候車點(diǎn)推薦模型30-40
• 4.1 乘客候車點(diǎn)30-31
• 4.2 出租車�？奎c(diǎn)挖掘31-36
• 4.2.1 出租車停靠點(diǎn)搜索算法31-33
• 4.2.2 出租車�？奎c(diǎn)過(guò)濾33-35
• 4.2.3 候選點(diǎn)群OPTICS方法聚類35-36
• 4.3 乘客最佳候車點(diǎn)推薦36-37
• 4.4 模型實(shí)證37-40
• 4.4.1 出租車�？奎c(diǎn)驗(yàn)證38-39
• 4.4.2 實(shí)地測(cè)試39-40
• 5 基于出租車軌跡數(shù)據(jù)挖掘的乘客推薦模型40-58
• 5.1 研究動(dòng)因40-41
• 5.2 候選乘客集檢索41-45
• 5.2.1 出租車的近似連續(xù)k近鄰檢索（CkNN ）41-44
• 5.2.2 候選乘客集44-45
• 5.3 出租車熱點(diǎn)載客區(qū)域檢測(cè)45-49
• 5.3.1 數(shù)據(jù)處理46
• 5.3.2 出租車載客時(shí)間段劃分46-48
• 5.3.3 按時(shí)段進(jìn)行DBSCAN聚類48-49
• 5.4 司機(jī)偏好挖掘49-51
• 5.4.1 載客重點(diǎn)區(qū)域挖掘50-51
• 5.4.2 司機(jī)偏好相關(guān)度51
• 5.5 乘客推薦模型的建立51-53
• 5.5.1 BP神經(jīng)網(wǎng)絡(luò)模型51-53
• 5.5.2 乘客推薦模型53
• 5.6 基于MatLab的乘客推薦模型仿真實(shí)驗(yàn)53-58
• 6 總結(jié)及展望58-60
• 6.1 現(xiàn)階段工作總結(jié)58-59
• 6.2 前景及展望59-60
• 致謝60-61
• 參考文獻(xiàn)61-65
• 在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果65-66

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前5條

1 程鵬飛;閆浩文;韓振輝;;一個(gè)求解多邊形最小面積外接矩形的算法[J];工程圖學(xué)學(xué)報(bào);2008年01期

2 付鵬;;采用層次分析法確定技術(shù)標(biāo)權(quán)重的實(shí)踐[J];價(jià)值工程;2012年24期

3 Dao-Zheng Zhang;Daniel (Jian) Sun;Zhong-Ren Peng;;A Comprehensive Taxi Assessment Index Using Floating Car Data[J];Journal of Harbin Institute of Technology;2014年01期

4 賀桂和;;基于用戶偏好挖掘的電子商務(wù)協(xié)同過(guò)濾推薦算法研究[J];情報(bào)科學(xué);2013年12期

5 唐爐亮;常曉猛;李清泉;SHAW S L;;基于蟻群優(yōu)化算法與出租車GPS數(shù)據(jù)的公眾出行路徑優(yōu)化[J];中國(guó)公路學(xué)報(bào);2011年02期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 尹華罡;基于海量時(shí)空數(shù)據(jù)的路線挖掘與檢索[D];中國(guó)科學(xué)技術(shù)大學(xué);2012年

2 王冠男;基于GPS軌跡和照片軌跡的時(shí)空數(shù)據(jù)挖掘[D];中南大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 溫雅靜;基于熱點(diǎn)載客區(qū)域的出租車應(yīng)急調(diào)度方案研究[D];北京交通大學(xué);2014年

  本文關(guān)鍵詞：基于出租車軌跡數(shù)據(jù)挖掘的推薦模型研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：387244