城市智能交通系統(tǒng)是建設(shè)新型智慧城市的核心。對城市智能交通系統(tǒng)中的具有時空特性的交通數(shù)據(jù)進行智能分析,獲取豐富而有價值的知識,對實現(xiàn)智能交通調(diào)度、城市規(guī)劃等具有重要意義。本論文基于機器學習和深度學習方法,面向城市智能交通系統(tǒng)中的乘客流、車流等時空數(shù)據(jù),圍繞時空預(yù)測、時空模式發(fā)現(xiàn)等技術(shù),深入挖掘時空數(shù)據(jù)中的時間、空間和其它隱藏特征,實現(xiàn)綜合性能的提升。本文的研究涵蓋了城市道路系統(tǒng)、輕軌系統(tǒng)和公交系統(tǒng)等主要交通場景,充分考慮各場景的特點和相互間聯(lián)系,所取得的研究成果具有廣泛的應(yīng)用前景。尤其是本文針對動態(tài)圖網(wǎng)絡(luò)的時空預(yù)測問題提出的深度學習解決思路,對類似問題的深度學習研究具有重大的參考意義。因此,本論文的研究具有良好的應(yīng)用前景和學術(shù)價值。本文研究工作的貢獻主要包括:(1)本文提出了一種新的混合機器學習(DTMGP)模型,通過綜合考慮時間,OD空間,頻率和自相似性等因素,準確地預(yù)測短期輕軌系統(tǒng)乘客流量。在該模型中,我們首先應(yīng)用離散小波變換(DWT)將乘客流量序列分解為一個近似分量和多個細節(jié)分量。然后,我們改進了2018年提出來的TRACKING模型并用來進行近似分量的短期預(yù)測。我們新提出了一種新...

【文章頁數(shù)】：102 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究內(nèi)容及難點
    1.3 研究成果及創(chuàng)新點
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)綜述
    2.1 智慧交通時空數(shù)據(jù)概述
    2.2 基于機器學習的時空短期預(yù)測模型
        2.2.1 支持向量回歸
        2.2.2 K近鄰算法
        2.2.3 深度神經(jīng)網(wǎng)絡(luò)
        2.2.4 預(yù)測模型評價指標
    2.3 人群移動模式發(fā)現(xiàn)
        2.3.1 數(shù)據(jù)源
        2.3.2 研究指標和常見移動模型
    2.4 小結(jié)
第3章 基于高斯過程模型的輕軌乘客流量預(yù)測
    3.1 引言
    3.2 相關(guān)工作及問題
    3.3 預(yù)備知識
        3.3.1 狀態(tài)空間重構(gòu)
        3.3.2 高斯過程回歸(GPR)
        3.3.3 Tracking模型
        3.3.4 多步預(yù)測策略
    3.4 乘客流量數(shù)據(jù)實證研究
        3.4.1 相關(guān)維數(shù)計算
        3.4.2 最大Lyapunov指數(shù)計算
    3.5 DTMGP流量預(yù)測模型
        3.5.1 研究問題和解決框架
        3.5.2 數(shù)據(jù)預(yù)處理和分解
        3.5.3 新改進的TRACKING模型和近似分量預(yù)測
        3.5.4 MTGPR模型及細節(jié)分量的預(yù)測
    3.6 實驗評估與分析
        3.6.1 評價指標和對比模型
        3.6.2 實驗結(jié)果
    3.7 小結(jié)
第4章 基于動態(tài)時空圖卷積網(wǎng)絡(luò)的交通流量預(yù)測模型
    4.1 引言
    4.2 相關(guān)工作簡介
    4.3 預(yù)備知識
        4.3.1 圖卷積神經(jīng)網(wǎng)絡(luò)
        4.3.2 圖信號處理
        4.3.3 張量操作
    4.4 問題和模型
    4.5 動態(tài)時空圖卷積神經(jīng)網(wǎng)絡(luò)
        4.5.1 動態(tài)拉普拉斯矩陣估計器
        4.5.2 時空卷積塊
        4.5.3 輸入和輸出
    4.6 實驗
        4.6.1 實驗設(shè)置
        4.6.2 性能比較
    4.7 總結(jié)和展望
第5章 大數(shù)據(jù)驅(qū)動的城市人群移動模式研究
    5.1 引言
    5.2 相關(guān)工作及問題
    5.3 預(yù)備知識
        5.3.1 極大似然估計(MLE)
        5.3.2 貝葉斯信息量(BIC)
        5.3.3 Infomap社區(qū)劃分算法
    5.4 人群移動模式的詳細分析
        5.4.1 人群移動數(shù)據(jù)
        5.4.2 行程距離
        5.4.3 行程時長
        5.4.4 行程間隙
        5.4.5 時空模式
        5.4.6 社區(qū)遷移
    5.5 小結(jié)
結(jié)論
參考文獻
附錄A 攻讀學位期間完成的論文
附錄B 攻讀學位期間參與的課題
致謝



本文編號：3960136