隨著國(guó)民經(jīng)濟(jì)高速地發(fā)展以及城市交通設(shè)施不斷地完善,機(jī)動(dòng)車數(shù)量急劇增加,導(dǎo)致交通狀況日趨緊張。自2014年至2018年來(lái),個(gè)人注冊(cè)并使用的私家車數(shù)量龐大且保持著10%以上的年均增長(zhǎng)率。伴隨著移動(dòng)感知技術(shù)的廣泛普及,車載終端能夠大規(guī)模地采集交通活動(dòng)派生出來(lái)的時(shí)空軌跡數(shù)據(jù)。然而,獲取到的時(shí)空軌跡數(shù)據(jù)中的移動(dòng)軌跡部分大都局限在道路路網(wǎng)中,總體呈現(xiàn)出數(shù)據(jù)規(guī)模龐大、價(jià)值密度低等特性,導(dǎo)致數(shù)據(jù)處理更為復(fù)雜,使得時(shí)空軌跡數(shù)據(jù)分析任務(wù)日趨繁重,相比之下,車輛經(jīng)歷停等時(shí)產(chǎn)生的軌跡數(shù)據(jù)具有少而精的特點(diǎn)。因此,挖掘私家車停等軌跡數(shù)據(jù)特征能夠高效地分析城市交通狀況。由于軌跡數(shù)據(jù)在空間區(qū)域內(nèi)往往容易產(chǎn)生聚集效應(yīng),形成熱區(qū)。而現(xiàn)有的交通流預(yù)測(cè)技術(shù)只能局部獲悉交通流增加或減少的趨勢(shì)變化。為此,本文根據(jù)私家車停等軌跡數(shù)據(jù)量少、價(jià)值高等特性,采用私家車停等聚集效應(yīng)的分析技術(shù),全局感知城市區(qū)域內(nèi)的交通狀況變化的過程,準(zhǔn)確地預(yù)測(cè)未來(lái)停等聚集效應(yīng)的演變趨勢(shì),并推斷熱區(qū)的形成機(jī)理。主要的工作包括:針對(duì)停等軌跡數(shù)據(jù)采集難的問題,本研究使用一種基于GPS和車載診斷（OBD）的數(shù)據(jù)融合新技術(shù),該技術(shù)通過融合GPS定位信息和OBD中的車... 

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 軌跡數(shù)據(jù)現(xiàn)狀
        1.2.2 軌跡數(shù)據(jù)應(yīng)用現(xiàn)狀
    1.3 本文研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第2章 相關(guān)研究
    2.1 軌跡停等點(diǎn)提取技術(shù)
        2.1.1 集成地理背景信息的方法
        2.1.2 基于軌跡導(dǎo)出特征的方法
        2.1.3 密度聚類方法
        2.1.4 逐級(jí)合并方法
    2.2 聚集效應(yīng)分析技術(shù)
        2.2.1 樣方統(tǒng)計(jì)方法
        2.2.2 核密度估計(jì)方法
        2.2.3 Voronoi圖密度分析法
    2.3 參數(shù)優(yōu)化技術(shù)
        2.3.1 貝葉斯優(yōu)化方法
        2.3.2 粒子群優(yōu)化算法
        2.3.3 Adam優(yōu)化算法
    2.4 本章小結(jié)
第3章 基于3D KDE的私家車停等聚集效應(yīng)分析
    3.1 引言
    3.2 數(shù)據(jù)來(lái)源及預(yù)處理
        3.2.1 數(shù)據(jù)來(lái)源
        3.2.2 數(shù)據(jù)預(yù)處理
    3.3 3D KDE算法的理論基礎(chǔ)
        3.3.1 KDE算法的原理
        3.3.2 3D KDE算法原理
    3.4 基于3D KDE算法的實(shí)驗(yàn)應(yīng)用
        3.4.1 實(shí)驗(yàn)?zāi)Ｐ蜆?gòu)建
        3.4.2 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第4章 基于3D CNN的私家車停等聚集效應(yīng)分析
    4.1 引言
    4.2 3D CNN算法的理論基礎(chǔ)
        4.2.1 CNN算法的原理
        4.2.2 3D CNN算法原理
    4.3 基于3D CNN算法的實(shí)驗(yàn)應(yīng)用
        4.3.1 實(shí)驗(yàn)?zāi)Ｐ蜆?gòu)建
        4.3.2 實(shí)驗(yàn)結(jié)果及分析
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文目錄
附錄B 攻讀學(xué)位期間參與的主要項(xiàng)目
致謝


【參考文獻(xiàn)】：
期刊論文
[1]Location Prediction on Trajectory Data: A Review[J]. Ruizhi Wu,Guangchun Luo,Junming Shao,Ling Tian,Chengzong Peng.  Big Data Mining and Analytics. 2018(02)
[2]高德地圖:科技如何讓出行更有溫度[J]. 甄文媛.  汽車縱橫. 2018(03)
[3]軌跡大數(shù)據(jù):數(shù)據(jù)處理關(guān)鍵技術(shù)研究綜述[J]. 高強(qiáng),張鳳荔,王瑞錦,周帆.  軟件學(xué)報(bào). 2017(04)
[4]大數(shù)據(jù)語(yǔ)境下UBI發(fā)展現(xiàn)狀及趨勢(shì)研究[J]. 喬木.  現(xiàn)代商業(yè). 2015(01)
[5]基于Voronoi圖的高密度城區(qū)停車場(chǎng)空間布局分析——以廣州市海珠區(qū)為例[J]. 張杏娟,文雅,吳志峰,程炯.  地球信息科學(xué)學(xué)報(bào). 2013(03)

博士論文
[1]基于GPS軌跡的出行信息提取研究[D]. 張治華.華東師范大學(xué) 2010

碩士論文
[1]車輛信息采集系統(tǒng)設(shè)計(jì)[D]. 鐘一鳴.杭州電子科技大學(xué) 2014
[2]城市出行者軌跡數(shù)據(jù)時(shí)空挖掘方法研究[D]. 仇培元.北京建筑工程學(xué)院 2012



本文編號(hào)：3683492