發(fā)布時間：2021-07-30 22:56

　　在日常交通環(huán)境中,用戶的出行、選路等行為偏好將直接影響交通環(huán)境的狀態(tài)變化,進而影響智能交通系統(tǒng)的管控決策;同時,交通環(huán)境的變化也會對用戶選路決策產生影響。因此,對用戶選路行為偏好的學習,對提高交通調度和出行規(guī)劃的準確度和有效性具有重要作用。目前,交通數(shù)據(jù)中包含大量的出行軌跡信息,通過對這些數(shù)據(jù)進行挖掘分析,可以挖掘用戶出行的偏好,為車聯(lián)網服務、智慧交通管控等提供依據(jù)。針對車輛軌跡數(shù)據(jù)存在的時空分布不均導致的目標用戶行為模式識別困難問題,論文提出了一種基于生成對抗網絡的選路偏好對抗生成方法,基于交通態(tài)勢數(shù)據(jù)和用戶歷史行為數(shù)據(jù),通過深度學習網絡提取特征圖,以挖掘目標用戶的行為特征,并將宏觀態(tài)勢特征和微觀用戶行為特征融合,結合基于最大信息熵的生成對抗學習算法提升模型的魯棒性。最終通過基于選路聚合的態(tài)勢預測方法,將用戶選路偏好的因素融入交通態(tài)勢的預測中,提升態(tài)勢預測的性能。在論文提出的基于生成對抗的用戶選路行為偏好學習方法基礎上,結合選路偏好學習系統(tǒng)的功能需求,論文進行了詳盡的需求分析,然后依據(jù)需求分析對系統(tǒng)的總體框架進行了構建,對各個模塊的靜態(tài)功能和動態(tài)交互進行了詳細設計,并給出了關鍵實現(xiàn)流... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學位級別】：碩士

【部分圖文】：

圖２－２卷積神經網絡示意圖Ｕ３］??卷積神經網絡相對于ＢＰ神經網絡［２４］，對處理高維數(shù)據(jù)具有更多優(yōu)勢

?ｐｏｏｌ．ｎｇ?ｃｏｎｎｏｃｔｊｏｎｓ?ｆｕｉｊ?ｃｏｎｎｅｃｔｉｏｎｓ??ｃｏｎｎｅｃｔｉｏｎｓ??圖２－２卷積神經網絡示意圖Ｕ３］??卷積神經網絡相對于ＢＰ神經網絡［２４］，對處理高維數(shù)據(jù)具有更多優(yōu)勢。卷積??層具有局部連接、權值共享等優(yōu)點。??局部連接每個神經元和輸入神經元的局部區(qū)域進行連接，這塊連接的區(qū)域??即是感受野（ｒｅｃｅｐｔｉｖｅｆｉｅｌｄ）?［２５］。局部連接首次在生物學里面的視覺系統(tǒng)結構被??提出，視覺皮層的神經元就是局部連接的。對于二維圖像本身來說，也是局部區(qū)??域的特征的相關性較強，表征的是局部空間中的特征，神經元在空間維度是局部??連接。這種局部連接保證了學習后的過濾器能夠對輸入特征會產生較強的局部響??應。權重共享是指計算同一個深度的神經元，即同一層卷積層時采用的卷積核的??參數(shù)是共享的。即在同一層卷積層上，特征圖的所有區(qū)域的卷積核是相同的，由??于卷積核參數(shù)是共享的，這樣可以很大程度上減少參數(shù)。在卷積層，通常采用多??組卷積核提取不同特征

０?＾ｒ０??Ｉｎｐｕｔ??圖２－３長短期記憶網絡示意圖［２７］??長短期記憶網絡被廣泛用于處理時間序列數(shù)據(jù)的模型中，如ＮＬＰ金融、自??動問答、量化分析等領域。在用戶選路行為偏好學習系統(tǒng)中，用戶歷史ＧＰＳ行??駛記錄的特征會存在某種規(guī)律性、周期性，ＲＮＮ模型在運行的過程中會出現(xiàn)相??對穩(wěn)定規(guī)律性的輸出。系統(tǒng)在不同的預測階段一般會出現(xiàn)不同的運行“狀態(tài)”輸??出，而這些“狀態(tài)”之間一般具有較強的時序關系。使用ＬＳＴＭ網絡可以將用戶??行為在某段時間片內周期性變化規(guī)律映射到某種高維特征。進一步地，根據(jù)用戶??歷史行駛行為的特征，來針對不同用戶的不同特征推薦個性化路線，并學習到用??戶歷史行為和選路學習結果的映射關系，以達到最終本系統(tǒng)的預期。??２．２．４對抗生成網絡??ＧＡＮ［３（）］啟發(fā)自博弈論中的二人博弈。生成模型Ｇ（ｘ）捕捉樣本數(shù)據(jù)分布

【參考文獻】：
期刊論文
[1]采用機器學習技術預測交通擁堵態(tài)勢[J]. 彭博文.  通訊世界. 2019(01)
[2]改進的非極大值抑制算法的目標檢測[J]. 趙文清,嚴海,邵緒強.  中國圖象圖形學報. 2018(11)
[3]卷積神經網絡研究綜述[J]. 張亞倩.  信息通信. 2018(11)
[4]BP神經網絡原理研究與實現(xiàn)[J]. 韓普,周漢辰,周北望.  廣播電視信息. 2018(10)
[5]一種改進的圖像骨架提取算法[J]. 葉福玲.  西昌學院學報(自然科學版). 2018(03)
[6]基于深度學習的路網短時交通流預測[J]. 柴葳崴.  山東工業(yè)技術. 2018(03)
[7]基于不同偏好的出行者路徑選擇行為研究[J]. 劉新民,魯曉燕,孫秋霞.  重慶交通大學學報(自然科學版). 2017(10)
[8]基于群智感知技術的車聯(lián)網路徑優(yōu)化問題研究[J]. 萬辛,高圣翔.  計算機與數(shù)字工程. 2017(09)
[9]一種車聯(lián)網環(huán)境下的城市車輛協(xié)同選路方法[J]. 吳黎兵,范靜,聶雷,崔建群,鄒逸飛.  計算機學報. 2017(07)
[10]卷積神經網絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)

博士論文
[1]車聯(lián)網環(huán)境下城市車輛安全高效尋徑方法研究[D]. 范靜.武漢大學 2017
[2]車載自組網路由協(xié)議及路徑決策模型研究[D]. 朱東杰.哈爾濱工業(yè)大學 2015

碩士論文
[1]車聯(lián)網環(huán)境下路網交通態(tài)勢預測方法研究[D]. 王超.北京交通大學 2018
[2]基于出租車時空軌跡深度學習的城市道路行程時間預測方法[D]. 喻鋼.西南交通大學 2018
[3]基于Softmax回歸的小微企業(yè)信用評分模型應用研究[D]. 楊森.蘇州大學 2017
[4]基于卷積神經網絡的視覺識別研究[D]. 薛昆南.華南農業(yè)大學 2016



本文編號：3312279