【摘要】：隨著我國(guó)城鎮(zhèn)化進(jìn)程的不斷加快,城市常住人口與流動(dòng)人口逐年增長(zhǎng),出行交通需求與日俱增,然而城鎮(zhèn)路網(wǎng)建設(shè)周期較長(zhǎng),交通供需矛盾日益突出。與此同時(shí),隨著智能交通系統(tǒng)(Intelligent Transportation Systems,ITS)的廣泛部署,多種感知設(shè)備實(shí)時(shí)測(cè)量行人、車輛和路網(wǎng)數(shù)據(jù),尤其是便攜式GPS設(shè)備的普及,給交通管理和居民出行帶來諸多便利。海量的GPS軌跡數(shù)據(jù)蘊(yùn)含豐富的時(shí)空信息,為分析城市主干道擁堵問題,研究居民出行規(guī)律和合理規(guī)劃出行提供了數(shù)據(jù)保障。本文采用機(jī)器學(xué)習(xí)中的聚類分析和深度神經(jīng)網(wǎng)絡(luò)的最新研究成果,充分學(xué)習(xí)和挖掘軌跡數(shù)據(jù)的深層非線性特征,主要從以下三個(gè)方面展開研究:第一:研究城市主干道擁堵問題。首先,利用熱點(diǎn)聚類方法判別城市擁堵熱點(diǎn)區(qū)域,實(shí)驗(yàn)結(jié)果表明西安二環(huán)是最為擁堵的路段。其次,從城市車輛增長(zhǎng)和私家車尾號(hào)限行政策兩個(gè)方面,分析二環(huán)道路擁堵的時(shí)空分布特征,為判別交通擁堵提供新的視角。第二:研究居民出行的出租車需求問題。首先,利用西安市出租車GPS軌跡數(shù)據(jù),并結(jié)合節(jié)假日,天氣條件和空氣質(zhì)量等外部數(shù)據(jù),采用基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)和長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的模型以及殘差網(wǎng)絡(luò)(Resnet)的混合深度學(xué)習(xí)模型(CNN-LSTM-ResNet,CLR),預(yù)測(cè)居民出行的出租車服務(wù)需求�；旌夏Ｐ褪紫仁褂肅NN提取城市范圍的交通流量的空間特征,其次引入殘差單元加深網(wǎng)絡(luò)層數(shù),然后利用LSTM提取GPS數(shù)據(jù)的臨近性、周期性和趨勢(shì)性,最后通過權(quán)重融合以上三個(gè)分量,再與外部數(shù)據(jù)進(jìn)一步融合,從而預(yù)測(cè)城市特定區(qū)域的出租車需求量。與傳統(tǒng)的預(yù)測(cè)模型比較,實(shí)驗(yàn)結(jié)果表明混合模型有更高的預(yù)測(cè)精度,因此該研究結(jié)果可用于交通管理部門平衡供需。第三:研究在已知出發(fā)終點(diǎn)(Origin Destination,OD)位置,和相應(yīng)出發(fā)時(shí)間,預(yù)測(cè)出租車乘客出行所需時(shí)間。首先,針對(duì)網(wǎng)格方法不能區(qū)分多層立交橋區(qū)域不同高度道路的交通流問題,本文提出一種基于交通分析小區(qū)和路網(wǎng)嵌套的OD流細(xì)粒度表示方法,將OD流的表達(dá)細(xì)化到路網(wǎng)級(jí)別。然后,驗(yàn)證了居民的出行時(shí)間與出行頻次呈正相關(guān),并設(shè)計(jì)了一種混合深度網(wǎng)絡(luò)的模型(convLSTM-Conv2DTranpose-SeparableConv-2D,CLTS)來預(yù)測(cè)城市范圍出租車乘客的出行時(shí)間。模型先采用convLSTM模型學(xué)習(xí)OD流的時(shí)空特征,然后針對(duì)細(xì)粒度OD流的稀疏性問題,使用轉(zhuǎn)置卷積網(wǎng)絡(luò)(Conv2DTranspose)捕獲數(shù)據(jù)的稀疏特征。最后,使用可分離卷積網(wǎng)絡(luò)(SeparableConv-2D)逐點(diǎn)卷積出行時(shí)間OD矩陣和出行次數(shù)OD矩陣的空間位置關(guān)系。本章采用西安市出租車數(shù)據(jù)進(jìn)行分析,實(shí)驗(yàn)表明與傳統(tǒng)預(yù)測(cè)模型和現(xiàn)有的深度學(xué)習(xí)模型相比,該模型具有更小的均方根誤差(Root Mean Squared Error,RMSE)和平均絕對(duì)誤差(Mean Absolute Error,MAE)。
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：U491;TP311.13
【圖文】：

軌跡修正

MapReduce架構(gòu)

LSTM網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 劉暢;李治軍;姜守旭;;基于DBSCAN算法的城市交通擁堵區(qū)域發(fā)現(xiàn)[J];智能計(jì)算機(jī)與應(yīng)用;2015年03期

2 曾澤林;段明秀;;基于密度的聚類算法DBSCAN的研究與實(shí)現(xiàn)[J];科技信息;2012年30期

3 姚遠(yuǎn);王麗芳;蔣澤軍;;HDFS一致性管理的研究[J];現(xiàn)代電子技術(shù);2012年08期

相關(guān)碩士學(xué)位論文 前6條

1 張振鵬;基于語義空間和反卷積網(wǎng)絡(luò)學(xué)習(xí)模型的SAR圖像分割[D];西安電子科技大學(xué);2017年

2 陳志明;基于大數(shù)據(jù)的出租車乘客出行特征提取和分析方法研究[D];長(zhǎng)安大學(xué);2017年

3 段小藝;實(shí)時(shí)出租車拼車關(guān)鍵技術(shù)研究[D];華東師范大學(xué);2016年

4 宋樂怡;海量出租車軌跡數(shù)據(jù)分析與位置推薦服務(wù)[D];華東師范大學(xué);2015年

5 謝江;針對(duì)非均勻密度環(huán)境的DBSCAN自適應(yīng)聚類算法的研究[D];重慶大學(xué);2015年

6 崔曉麗;基于MapReduce的海量數(shù)據(jù)K-means聚類算法研究[D];大連理工大學(xué);2014年

本文編號(hào)：2756829