發(fā)布時(shí)間：2021-04-28 13:15

　　城市的快速發(fā)展使得交通擁堵和資源配置不合理現(xiàn)象越來越突出,如何有效解決城市發(fā)展中面臨的交通問題是城市規(guī)劃過程中的重點(diǎn)問題。對人類移動行為的研究可以揭示人類流動性的內(nèi)在規(guī)律,也可以協(xié)助交通管理者更好地推動智慧城市的建設(shè)。個(gè)體移動行為的預(yù)測也有很多關(guān)鍵應(yīng)用,比如車流量預(yù)測,站點(diǎn)客流預(yù)測和城市發(fā)展規(guī)劃等。本文建立了個(gè)體馬爾可夫出行預(yù)測模型,來預(yù)測用戶的出行狀態(tài),同時(shí)建立了長短時(shí)記憶網(wǎng)絡(luò)和起訖點(diǎn)時(shí)空圖卷積網(wǎng)絡(luò)模型來預(yù)測地鐵站點(diǎn)的客流量。本文的研究內(nèi)容主要包括以下幾個(gè)方面:1、為了更好的理解個(gè)體出行行為,本文從原始數(shù)據(jù)挖掘用戶屬性和出行特點(diǎn)。通過統(tǒng)計(jì)地鐵用戶的出行分布,發(fā)現(xiàn)大部分用戶偏向于某種固定的出行模式。根據(jù)用戶的不同出行習(xí)慣,將所有用戶合理分為通勤者、非通勤者和無住宅者三類,并定義其住宅、公司和其他類型站點(diǎn)。將用戶出行記錄添加標(biāo)簽后,進(jìn)一步分析了不同屬性用戶間出行分布的差異。2、從群體層面了解用戶的出行習(xí)慣后,為用戶建立個(gè)體出行預(yù)測模型可以研究不同個(gè)體間的出行差異性。根據(jù)用戶的歷史出行狀態(tài),為每個(gè)用戶分別建立了一階和二階馬爾可夫出行預(yù)測模型。使用馬爾可夫模型對用戶未來的出行狀態(tài)分別進(jìn)行了單... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第2章 相關(guān)理論基礎(chǔ)
    2.1 時(shí)空數(shù)據(jù)相關(guān)概念與理論
        2.1.1 時(shí)空數(shù)據(jù)定義
        2.1.2 時(shí)空數(shù)據(jù)挖掘與分析
    2.2 馬爾可夫模型
    2.3 長短時(shí)記憶網(wǎng)絡(luò)
    2.4 圖卷積網(wǎng)絡(luò)
        2.4.1 圖卷積神經(jīng)網(wǎng)絡(luò)框架
        2.4.2 圖卷積神經(jīng)網(wǎng)絡(luò)原理
    2.5 本章小結(jié)
第3章 原始數(shù)據(jù)處理與分析
    3.1 數(shù)據(jù)集概況
    3.2 數(shù)據(jù)預(yù)處理與用戶屬性判定
    3.3 用戶出行標(biāo)簽與統(tǒng)計(jì)分布
    3.4 用戶出行距離分析
    3.5 本章小結(jié)
第4章 基于馬爾可夫的出行預(yù)測模型
    4.1 一階馬爾可夫模型的建立
    4.2 一階馬爾可夫模型結(jié)果與分析
    4.3 二階馬爾可夫模型的建立
    4.4 二階馬爾可夫模型結(jié)果與分析
    4.5 本章小結(jié)
第5章 基于長短時(shí)記憶網(wǎng)絡(luò)的流量預(yù)測模型
    5.1 長短時(shí)記憶網(wǎng)絡(luò)模型框架
    5.2 地鐵客流數(shù)據(jù)的構(gòu)建
    5.3 LSTM網(wǎng)絡(luò)實(shí)驗(yàn)設(shè)置
        5.3.1 模型參數(shù)設(shè)置
        5.3.2 測試指標(biāo)
    5.4 LSTM地鐵客流預(yù)測模型結(jié)果分析
        5.4.1 LSTM地鐵通用模型結(jié)果分析
        5.4.2 LSTM地鐵獨(dú)立模型結(jié)果分析
        5.4.3 LSTM地鐵模型空間性能分析
    5.5 本章小結(jié)
第6章 基于時(shí)空圖卷積網(wǎng)絡(luò)的流量預(yù)測模型
    6.1 時(shí)空圖卷積神經(jīng)網(wǎng)絡(luò)模型框架
        6.1.1 圖卷積神經(jīng)網(wǎng)絡(luò)的建立
        6.1.2 門控遞歸單元網(wǎng)絡(luò)的建立
        6.1.3 時(shí)空圖卷積網(wǎng)絡(luò)的建立
    6.2 時(shí)空圖卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)
    6.3 地鐵客流時(shí)空數(shù)據(jù)的構(gòu)建
    6.4 OD-STGCN實(shí)驗(yàn)設(shè)置
        6.4.1 模型參數(shù)設(shè)置
        6.4.2 對比模型
    6.5 OD-STGCN地鐵客流預(yù)測模型結(jié)果分析
    6.6 本章小結(jié)
第7章 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
參考文獻(xiàn)
攻讀學(xué)位期間取得的研究成果(含發(fā)表的學(xué)術(shù)論文)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于整合移動平均自回歸和遺傳粒子群優(yōu)化小波神經(jīng)網(wǎng)絡(luò)組合模型的交通流預(yù)測[J]. 殷禮勝,唐圣期,李勝,何怡剛.  電子與信息學(xué)報(bào). 2019(09)
[2]一種個(gè)體地鐵出行預(yù)測的馬爾可夫模型[J]. 于晨,王斌,翟希,張倩,汪洋.  中國科技論文. 2019(07)
[3]基于組合模型的城市軌道交通短時(shí)客流預(yù)測[J]. 楊靜,朱經(jīng)緯,劉博,馮誠,張紅亮.  交通運(yùn)輸系統(tǒng)工程與信息. 2019(03)
[4]基于梯度提升的城市軌道交通客流量預(yù)測分析[J]. 丁聰,倪少權(quán),呂紅霞.  城市軌道交通研究. 2018(09)
[5]基于深度學(xué)習(xí)的交通流量預(yù)測研究[J]. 鄧烜堃,萬良,丁紅衛(wèi),辛壯.  計(jì)算機(jī)工程與應(yīng)用. 2019(02)
[6]基于時(shí)空數(shù)據(jù)分類的用戶社交聯(lián)系學(xué)習(xí)[J]. 陳元娟,嚴(yán)建峰,劉曉升,楊璐.  計(jì)算機(jī)應(yīng)用研究. 2017(05)
[7]城市軌道交通客流特征分析在可研階段的應(yīng)用[J]. 鄧吉,趙亮,鄭曉薇.  都市快軌交通. 2016(01)
[8]大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應(yīng)用綜述[J]. 陸化普,孫智源,屈聞聰.  交通運(yùn)輸系統(tǒng)工程與信息. 2015(05)
[9]馬爾科夫鏈在氣象預(yù)測中的應(yīng)用[J]. 呂衛(wèi)東.  數(shù)學(xué)教學(xué)研究. 2009(10)

博士論文
[1]基于圖論的機(jī)器學(xué)習(xí)算法設(shè)計(jì)及在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D]. 屠恩美.上海交通大學(xué) 2014
[2]滾動軸承振動信號非平穩(wěn)、非高斯分析及故障診斷研究[D]. 張銳戈.西安電子科技大學(xué) 2014

碩士論文
[1]基于馬爾可夫決策過程的多模式城市交通網(wǎng)絡(luò)優(yōu)化路徑?jīng)Q策研究[D]. 李浩楠.北京交通大學(xué) 2019
[2]基于回歸神經(jīng)網(wǎng)絡(luò)的動態(tài)流量預(yù)測模型及應(yīng)用[D]. 韓憲斌.北京郵電大學(xué) 2019
[3]基于深度學(xué)習(xí)的交通流量預(yù)測[D]. 魏中銳.北京交通大學(xué) 2019
[4]基于深度學(xué)習(xí)的短時(shí)公交客流預(yù)測研究[D]. 李梅.北京交通大學(xué) 2019
[5]基于LSTM深度神經(jīng)網(wǎng)絡(luò)的短期交通流預(yù)測[D]. 薛亞鑫.北京交通大學(xué) 2019
[6]基于時(shí)空圖卷積網(wǎng)絡(luò)的高速公路流量預(yù)測方法研究[D]. 馮寧.北京交通大學(xué) 2019
[7]基于圖卷積神經(jīng)網(wǎng)絡(luò)的旅行時(shí)間預(yù)測方法研究[D]. 虎玉鑫.北京交通大學(xué) 2018
[8]基于電子招投標(biāo)大數(shù)據(jù)分析的采購績效評價(jià)研究[D]. 劉婷.天津工業(yè)大學(xué) 2018
[9]激活函數(shù)導(dǎo)向的RNN算法優(yōu)化[D]. 張堯.浙江大學(xué) 2017
[10]評價(jià)對象識別模型與方法研究[D]. 王俊淇.哈爾濱工業(yè)大學(xué) 2016



本文編號：3165542