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
發(fā)布時間：2021-01-05 08:19
道路導航是人們出行的重要工具,選擇合適的導航路線決定于該路線的行程時間,以及在該時間內(nèi)順利到達目的地的可靠性。由于出租車運行軌跡覆蓋范圍廣、運行時間長、數(shù)據(jù)量大的特點,利用出租車時空軌跡預測城市道路行程時間已經(jīng)是國內(nèi)外智慧城市智能交通系統(tǒng)的重要研究內(nèi)容,但現(xiàn)有行程時間預測方法卻缺乏足夠的預測精度和可靠性。針對上述問題,本文采用深度神經(jīng)網(wǎng)絡對出租車軌跡進行學習預測行程時間,開展了以下工作:（1）研究了數(shù)據(jù)預處理和地圖匹配方法,采用坐標轉換和隱馬爾科夫模型完成出租車GPS軌跡點與電子地圖道路網(wǎng)的地圖匹配過程;（2）研究了成都市出租車的運營和居民出行情況,對載客次數(shù)、載客時長、出行量、出行距離等指標進行了分析,通過出租車出行指標的時空聚類研究了成都市交通狀態(tài)的時空變化規(guī)律;（3）提出了以雙向長短時記憶（Long Short-Term Memory,LSTM）和殘差網(wǎng)絡為主要結構的時空軌跡模型（Spatio-Temproal Trajectory Model,STTM）,測試數(shù)據(jù)集上的多個精度評價指標證實了STTM的可靠性和泛化能力;（4）利用Geohash編碼和DBSCAN（Density-...
【文章來源】：西南交通大學四川省 211工程院校 教育部直屬院校
【文章頁數(shù)】：77 頁
【學位級別】：碩士
【部分圖文】：
各類激活函數(shù)圖
個記憶塊計算。2.3 深度神經(jīng)網(wǎng)絡訓練方法目前為止，本文已經(jīng)討論了多層感知機和循環(huán)神經(jīng)網(wǎng)絡的結構和推導，然而為了確保神經(jīng)網(wǎng)絡訓練的快速高效，尚有以下幾個方法。2.3.1 早停法為了獲得較好性能的神經(jīng)網(wǎng)絡模型，需要進行許許多多的參數(shù)設置，如訓練過程中周期（epoch）的次數(shù)，如果 epoch 次數(shù)過少，模型易產(chǎn)生欠擬合，如果 epoch 次數(shù)過多，模型易產(chǎn)生過擬合。早停（Early Stopping）是解決 epoch 次數(shù)手動設置的最簡單、最普適改進方法，能夠避免繼續(xù)訓練模型導致準確率下降的問題，是一種遏制過擬合的正則化手段。該方法的原理是將部分訓練集移除作為驗證集使用，所有停止標準在驗證集上測試而不是在訓練集上測試如圖 2-5 所示。
西南交通大學碩士研究生學位論文第 17 早停法首先將數(shù)據(jù)分為訓練集和驗證集，在每一個訓練周期結束后，用驗證集當前模型的性能，如果模型的性能優(yōu)于之前的最好模型，則保存當前最優(yōu)模型，模型性能開始下降，就可以終止當前訓練過程，最后將驗證性能最優(yōu)模型最為最網(wǎng)絡模型。2.3.2 ReLu 函數(shù)近年來，在深度神經(jīng)網(wǎng)絡訓練中，常常使用修正線性單元（Rectified Linear UneLU）作為神經(jīng)元的激活函數(shù)[69,70]，如圖 2-6 所示。
【參考文獻】：
期刊論文
[1]基于計數(shù)模型的Word Embedding算法[J]. 裴楠,王裴巖,張桂平. 沈陽航空航天大學學報. 2017(02)
[2]大規(guī)模軌跡數(shù)據(jù)的Geohash編碼組織及高效范圍查詢[J]. 向隆剛,王德浩,龔健雅. 武漢大學學報(信息科學版). 2017(01)
[3]基于案例的城市道路行程時間預測[J]. 徐先瑞,彭仲仁. 交通運輸系統(tǒng)工程與信息. 2016(04)
[4]深度學習在手寫漢字識別中的應用綜述[J]. 金連文,鐘卓耀,楊釗,楊維信,謝澤澄,孫俊. 自動化學報. 2016(08)
[5]基于GeoHash算法的周邊查詢應用研究[J]. 趙雨琪,牟乃夏,祝帥兵,張昌景. 軟件導刊. 2016(06)
[6]出租車GPS軌跡大數(shù)據(jù)在智能交通中的應用[J]. 張紅,王曉明,過秀成,曹潔,朱昶勝,郭義戎. 蘭州理工大學學報. 2016(01)
[7]深度學習研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛. 計算機科學. 2016(02)
[8]基于word embedding和CNN的情感分類模型[J]. 蔡慧蘋,王麗丹,段書凱. 計算機應用研究. 2016(10)
[9]深度學習研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學學報. 2015(01)
[10]基于深度學習的微博情感分析[J]. 梁軍,柴玉梅,原慧斌,昝紅英,劉銘. 中文信息學報. 2014(05)
博士論文
[1]面向空間數(shù)據(jù)復雜性特征的聚類分析方法研究[D]. 楊悅.哈爾濱工程大學 2008
碩士論文
[1]基于深度學習混合模型的文本分類研究[D]. 周超.蘭州大學 2016
[2]基于出租車GPS軌跡數(shù)據(jù)的實時交通狀態(tài)獲取和現(xiàn)有實時路況系統(tǒng)評估[D]. 楊婷婷.華東師范大學 2016
[3]基于GPS數(shù)據(jù)的城市出租車運營分析與數(shù)據(jù)挖掘[D]. 欒麗娜.山東大學 2015
[4]城市道路交通行程時間預測算法研究及軟件實現(xiàn)[D]. 張金金.北方工業(yè)大學 2014
[5]空間數(shù)據(jù)聚類分析算法研究及實現(xiàn)[D]. 劉生鑫.中國地質(zhì)大學（北京） 2011
[6]基于支持向量回歸機的路段平均速度短時預測方法研究[D]. 呂宏義.北京交通大學 2008
[7]基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡的路段行程時間預測研究[D]. 朱耿先.重慶大學 2004
本文編號：2958344
【文章來源】：西南交通大學四川省 211工程院校 教育部直屬院校
【文章頁數(shù)】：77 頁
【學位級別】：碩士
【部分圖文】：
各類激活函數(shù)圖
個記憶塊計算。2.3 深度神經(jīng)網(wǎng)絡訓練方法目前為止，本文已經(jīng)討論了多層感知機和循環(huán)神經(jīng)網(wǎng)絡的結構和推導，然而為了確保神經(jīng)網(wǎng)絡訓練的快速高效，尚有以下幾個方法。2.3.1 早停法為了獲得較好性能的神經(jīng)網(wǎng)絡模型，需要進行許許多多的參數(shù)設置，如訓練過程中周期（epoch）的次數(shù)，如果 epoch 次數(shù)過少，模型易產(chǎn)生欠擬合，如果 epoch 次數(shù)過多，模型易產(chǎn)生過擬合。早停（Early Stopping）是解決 epoch 次數(shù)手動設置的最簡單、最普適改進方法，能夠避免繼續(xù)訓練模型導致準確率下降的問題，是一種遏制過擬合的正則化手段。該方法的原理是將部分訓練集移除作為驗證集使用，所有停止標準在驗證集上測試而不是在訓練集上測試如圖 2-5 所示。
西南交通大學碩士研究生學位論文第 17 早停法首先將數(shù)據(jù)分為訓練集和驗證集，在每一個訓練周期結束后，用驗證集當前模型的性能，如果模型的性能優(yōu)于之前的最好模型，則保存當前最優(yōu)模型，模型性能開始下降，就可以終止當前訓練過程，最后將驗證性能最優(yōu)模型最為最網(wǎng)絡模型。2.3.2 ReLu 函數(shù)近年來，在深度神經(jīng)網(wǎng)絡訓練中，常常使用修正線性單元（Rectified Linear UneLU）作為神經(jīng)元的激活函數(shù)[69,70]，如圖 2-6 所示。
【參考文獻】：
期刊論文
[1]基于計數(shù)模型的Word Embedding算法[J]. 裴楠,王裴巖,張桂平. 沈陽航空航天大學學報. 2017(02)
[2]大規(guī)模軌跡數(shù)據(jù)的Geohash編碼組織及高效范圍查詢[J]. 向隆剛,王德浩,龔健雅. 武漢大學學報(信息科學版). 2017(01)
[3]基于案例的城市道路行程時間預測[J]. 徐先瑞,彭仲仁. 交通運輸系統(tǒng)工程與信息. 2016(04)
[4]深度學習在手寫漢字識別中的應用綜述[J]. 金連文,鐘卓耀,楊釗,楊維信,謝澤澄,孫俊. 自動化學報. 2016(08)
[5]基于GeoHash算法的周邊查詢應用研究[J]. 趙雨琪,牟乃夏,祝帥兵,張昌景. 軟件導刊. 2016(06)
[6]出租車GPS軌跡大數(shù)據(jù)在智能交通中的應用[J]. 張紅,王曉明,過秀成,曹潔,朱昶勝,郭義戎. 蘭州理工大學學報. 2016(01)
[7]深度學習研究與進展[J]. 孫志遠,魯成祥,史忠植,馬剛. 計算機科學. 2016(02)
[8]基于word embedding和CNN的情感分類模型[J]. 蔡慧蘋,王麗丹,段書凱. 計算機應用研究. 2016(10)
[9]深度學習研究綜述[J]. 尹寶才,王文通,王立春. 北京工業(yè)大學學報. 2015(01)
[10]基于深度學習的微博情感分析[J]. 梁軍,柴玉梅,原慧斌,昝紅英,劉銘. 中文信息學報. 2014(05)
博士論文
[1]面向空間數(shù)據(jù)復雜性特征的聚類分析方法研究[D]. 楊悅.哈爾濱工程大學 2008
碩士論文
[1]基于深度學習混合模型的文本分類研究[D]. 周超.蘭州大學 2016
[2]基于出租車GPS軌跡數(shù)據(jù)的實時交通狀態(tài)獲取和現(xiàn)有實時路況系統(tǒng)評估[D]. 楊婷婷.華東師范大學 2016
[3]基于GPS數(shù)據(jù)的城市出租車運營分析與數(shù)據(jù)挖掘[D]. 欒麗娜.山東大學 2015
[4]城市道路交通行程時間預測算法研究及軟件實現(xiàn)[D]. 張金金.北方工業(yè)大學 2014
[5]空間數(shù)據(jù)聚類分析算法研究及實現(xiàn)[D]. 劉生鑫.中國地質(zhì)大學（北京） 2011
[6]基于支持向量回歸機的路段平均速度短時預測方法研究[D]. 呂宏義.北京交通大學 2008
[7]基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡的路段行程時間預測研究[D]. 朱耿先.重慶大學 2004
本文編號：2958344
本文鏈接：http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/2958344.html
