本文關(guān)鍵詞： 出行目的地 GPS 頻繁到訪目的地 支持點(diǎn) 馬爾科夫模型　出處：《吉林大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來(lái)隨著手機(jī)導(dǎo)航軟件和GPS(全球衛(wèi)星定位系統(tǒng))設(shè)備的廣泛使用,GPS數(shù)據(jù)成為分析居民出行行為的新途徑。通過(guò)對(duì)GPS數(shù)據(jù)進(jìn)行挖掘,提取出行信息用于出行目的地預(yù)測(cè)是出行行為分析研究中的一個(gè)比較復(fù)雜的過(guò)程。進(jìn)行出行目的地預(yù)測(cè),準(zhǔn)確地分析居民出行空間分布特征,據(jù)此對(duì)城市交通系統(tǒng)進(jìn)行合理的規(guī)劃和布局,是改善交通問(wèn)題的有效方法,同時(shí)對(duì)于保障城市交通的可持續(xù)發(fā)展具有深遠(yuǎn)意義。本文根據(jù)對(duì)GPS數(shù)據(jù)的處理分析,提出了基于馬爾科夫模型的出行目的地預(yù)測(cè)模型體系。首先,對(duì)GPS出行數(shù)據(jù)進(jìn)行調(diào)查處理,將GPS設(shè)備調(diào)查得到的GPS軌跡點(diǎn)轉(zhuǎn)化為連續(xù)的出行段,確定出行目的地。并劃分工作日和非工作日的不同出行,設(shè)定合理的參數(shù)從中提取并確定頻繁到訪目的地和支持點(diǎn)信息,獲得建模數(shù)據(jù)。其次,分別基于馬爾科夫鏈模型和隱馬爾科夫模型進(jìn)行出行前和出行中的目的地預(yù)測(cè)。在出行前和出行中,對(duì)工作日和非工作日的建模數(shù)據(jù)分別進(jìn)行目的地預(yù)測(cè)模型建立和標(biāo)定,利用居民出行GPS數(shù)據(jù)進(jìn)行實(shí)例分析。結(jié)果表明,應(yīng)用已建的出行前和出行中的目的地預(yù)測(cè)模型均能夠獲得較高的預(yù)測(cè)精度。相比較而言,出行中的目的地預(yù)測(cè)因?yàn)橛兄С贮c(diǎn)加入,預(yù)測(cè)效果更好。且由于工作日和非工作日的劃分,與以往研究相比預(yù)測(cè)精度更加穩(wěn)定。因此本文提出的出行目的地預(yù)測(cè)方法可用于居民出行目的地預(yù)測(cè),既可以在出行前進(jìn)行出行目的地的預(yù)判,又可以在出行中進(jìn)行實(shí)時(shí)的目的地修正。本文提出的出行目的地預(yù)測(cè)的馬爾科夫模型無(wú)需進(jìn)行傳統(tǒng)的入戶式居民出行調(diào)查,無(wú)需道路地圖,減少了數(shù)據(jù)調(diào)查的復(fù)雜性,簡(jiǎn)化了數(shù)據(jù)處理的過(guò)程。研究成果可應(yīng)用于車載導(dǎo)航設(shè)備或手機(jī)導(dǎo)航軟件中,通過(guò)采集出行者的GPS數(shù)據(jù),在出行前或出行中進(jìn)行實(shí)時(shí)的出行目的地預(yù)測(cè),以節(jié)省出行者輸入目的地的操作步驟,提高導(dǎo)航運(yùn)算速度和行車安全性。并可以向出行者推薦出行路線及出行目的地附近的加油站、商場(chǎng)等設(shè)施,滿足出行需求。同時(shí),出行目的地預(yù)測(cè)結(jié)果還可以在交通規(guī)劃和管理方面廣泛應(yīng)用,比如居民出行空間分布特征分析、出行分布預(yù)測(cè)、擁擠位置預(yù)測(cè)分析等。再者,研究居民出行目的地選擇的非集計(jì)行為模型對(duì)于促進(jìn)交通需求預(yù)測(cè)從傳統(tǒng)的集計(jì)四階段模型向非集計(jì)行為模型的轉(zhuǎn)變具有一定意義。
[Abstract]:In recent years, with the wide use of mobile phone navigation software and GPS (Global Positioning system) equipment, GPS data become a new way to analyze residents' travel behavior. It is a complicated process to extract travel information for travel destination prediction in the research of trip behavior analysis. The travel destination prediction is carried out and the distribution characteristics of residents' travel space are analyzed accurately. Therefore, it is an effective method to improve the traffic problem by rational planning and layout of urban traffic system. At the same time, it is of great significance to ensure the sustainable development of urban traffic. Based on the analysis of GPS data, this paper puts forward a new model system of trip destination prediction based on Markov model. The GPS travel data are investigated and processed, the GPS locus obtained from the GPS equipment survey is transformed into continuous travel segments, and the travel destination is determined. The different trips are divided into working days and non-working days. Set reasonable parameters from which to extract and determine frequent visit to the destination and support point information to obtain modeling data. Based on Markov chain model and hidden Markov model to predict the pre-trip and in-trip destination respectively. The modeling data of working day and non-working day are established and calibrated respectively, and the GPS data of residents travel are used to analyze the example. The results show that. Using the established pre-trip and in-trip destination prediction models can achieve a higher prediction accuracy. In comparison, the destination prediction in travel is due to the addition of support points. Because of the division of working day and non-working day, the prediction accuracy is more stable than that of previous research. Therefore, the method proposed in this paper can be used to forecast the travel destination of residents. It is possible to predict the destination of the trip before the trip. The Markov model proposed in this paper does not need to carry out the traditional household residents travel survey, no road map. It reduces the complexity of data survey and simplifies the process of data processing. The research results can be applied to vehicle navigation equipment or mobile phone navigation software by collecting the GPS data of travelers. The real time travel destination prediction is carried out before or during the trip to save the traveler from entering the operation steps of the destination. Improve the speed of navigation and driving safety. And can recommend the route and travel destination near the gas station, shopping malls and other facilities, to meet the travel needs. At the same time. Travel destination prediction results can also be widely used in traffic planning and management, such as residents travel space distribution characteristics analysis, travel distribution prediction, congestion location prediction analysis, and so on. The study of disaggregate behavior model for residents' travel destination selection is significant to promote the change of traffic demand prediction from the traditional four-stage model to the disaggregate behavior model.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O211.62;P228.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮江浪;;改進(jìn)灰色馬爾科夫模型及其在水資源預(yù)測(cè)中的利用[J];物探化探計(jì)算技術(shù);2010年01期

2 趙娟;秦玉芳;劉太崗;王軍;;基于一種新型馬爾科夫模型的預(yù)測(cè)蛋白質(zhì)亞細(xì)胞位點(diǎn)的方法(英文)[J];上海師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年02期

3 �？速F;;應(yīng)用馬爾科夫模型的方法對(duì)呼和浩特—五原地震亞帶危險(xiǎn)性估計(jì)[J];華北地震科學(xué);1987年02期

4 陳振頌;李延來(lái);;基于廣義信度馬爾科夫模型的顧客需求動(dòng)態(tài)分析[J];計(jì)算機(jī)集成制造系統(tǒng);2014年03期

5 陳永;馮元;龐思偉;;基于灰色馬爾科夫模型的傳染病預(yù)測(cè)[J];信息與電腦(理論版);2010年02期

6 劉文遠(yuǎn);劉麗云;王常武;王寶文;;基于二階馬爾科夫模型預(yù)測(cè)可趨近性靶基因[J];燕山大學(xué)學(xué)報(bào);2012年04期

7 吳金華;戴淼;;基于改進(jìn)算法的灰色馬爾科夫模型的建設(shè)用地預(yù)測(cè)[J];安徽農(nóng)業(yè)科學(xué);2010年08期

8 汪可;楊麗君;廖瑞金;齊超亮;周nv;;基于離散隱式馬爾科夫模型的局部放電模式識(shí)別[J];電工技術(shù)學(xué)報(bào);2011年08期

9 鄧鑫洋;鄧勇;章雅娟;劉琪;;一種信度馬爾科夫模型及應(yīng)用[J];自動(dòng)化學(xué)報(bào);2012年04期

10 陳煥珍;;基于灰色馬爾科夫模型的青島市糧食產(chǎn)量預(yù)測(cè)[J];計(jì)算機(jī)仿真;2013年05期

相關(guān)會(huì)議論文 前2條

1 王虎平;李煒;趙志理;;基于灰色馬爾科夫模型的杭州市客流預(yù)測(cè)[A];第九屆中國(guó)不確定系統(tǒng)年會(huì)、第五屆中國(guó)智能計(jì)算大會(huì)、第十三屆中國(guó)青年信息與管理學(xué)者大會(huì)論文集[C];2011年

2 鄭亞斌;曹嘉偉;劉知遠(yuǎn);;基于最大匹配和馬爾科夫模型的對(duì)聯(lián)系統(tǒng)[A];第四屆全國(guó)學(xué)生計(jì)算語(yǔ)言學(xué)研討會(huì)會(huì)議論文集[C];2008年

相關(guān)博士學(xué)位論文 前2條

1 陳?ài)?軌跡預(yù)測(cè)與意圖挖掘問(wèn)題研究[D];山東大學(xué);2016年

2 陽(yáng)衛(wèi)鋒;高階馬爾科夫模型在生物發(fā)育樹(shù)重建和模體發(fā)現(xiàn)中的應(yīng)用[D];湘潭大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 陳瀟瀟;基于馬爾科夫模型的代謝綜合征描述和風(fēng)險(xiǎn)預(yù)測(cè)研究[D];山東大學(xué);2015年

2 張勝娜;含有隱變量的高階馬爾科夫模型的理論及應(yīng)用[D];電子科技大學(xué);2014年

3 楊世安;優(yōu)化的灰色馬爾科夫模型在建筑物沉降預(yù)測(cè)中的應(yīng)用[D];東華理工大學(xué);2014年

4 俞竣瀚;基于極限學(xué)習(xí)機(jī)馬爾可夫模型的結(jié)構(gòu)健康狀態(tài)預(yù)測(cè)研究[D];長(zhǎng)安大學(xué);2016年

5 孫騰;基于變階馬爾科夫模型的口令猜測(cè)方法[D];武漢大學(xué);2017年

6 何亞楠;基于馬爾科夫模型的出行目的地預(yù)測(cè)[D];吉林大學(xué);2017年

7 張海君;基于馬爾科夫模型的沙漠?dāng)U散和天氣預(yù)測(cè)[D];新疆大學(xué);2013年

8 蔡亮亮;改進(jìn)的灰色馬爾科夫模型及其對(duì)全國(guó)郵電業(yè)務(wù)總量的預(yù)測(cè)[D];南京郵電大學(xué);2013年

9 葉t，

本文編號(hào)：1445289