近年來(lái),人們對(duì)交通和出行需求越來(lái)越強(qiáng)烈,智能交通研究成為熱點(diǎn)。高效的智能交通帶來(lái)了出行便利,提高了行車安全和運(yùn)輸效率。然而,隨著經(jīng)濟(jì)和人口的發(fā)展,也帶了相關(guān)問題和挑戰(zhàn):（1）使用全球定位系統(tǒng)采集到的軌跡數(shù)據(jù)地理位置與真實(shí)地理位置之間存在固有誤差和隨機(jī)誤差,隨著低頻采樣數(shù)據(jù)越來(lái)越多,還原真實(shí)軌跡難度進(jìn)一步增加。（2）城市汽車越來(lái)越多,城市擁堵成為一個(gè)嚴(yán)重的問題,如何調(diào)動(dòng)現(xiàn)有車輛提高潛在運(yùn)力,對(duì)緩解城市擁堵,減少乘客出行成本,提高司機(jī)收入有重要意義。（3）隨著人們生活節(jié)奏加快,準(zhǔn)確的行駛時(shí)間估計(jì)成為關(guān)注的問題,如何處理影響出行時(shí)間的海量的、復(fù)雜的、多種類的數(shù)據(jù),如何提供準(zhǔn)確的時(shí)間估計(jì),使出行人員可以提前規(guī)劃好路線、節(jié)約出行成本、減少交通出行盲目性。本文主要研究貢獻(xiàn)如下:1.提出了一種基于隱馬爾可夫模型的多因素地圖匹配方法。該方法綜合考慮了采樣點(diǎn)與候選點(diǎn)之間的距離、采樣路段與候選路段之間的角度、車輛速度與道路限速、路網(wǎng)拓?fù)浣Y(jié)構(gòu)因素,提出了一種統(tǒng)一描述轉(zhuǎn)移概率的凸函數(shù),并使用快速維特比算法求解最優(yōu)候選路徑。實(shí)驗(yàn)結(jié)果表明此方法可以有效地減小采樣數(shù)據(jù)位置與真實(shí)位置之間的誤差,為其它軌跡數(shù)據(jù)研究打下... 

【文章來(lái)源】：清華大學(xué)北京市211工程院校985工程院校教育部直屬院校

【文章頁(yè)數(shù)】：112 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
abstract
主要符號(hào)對(duì)照表
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究問題與思路
        1.2.1 研究問題
        1.2.2 研究思路
    1.3 研究?jī)?nèi)容和貢獻(xiàn)
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)工作
    2.1 面向交通軌跡領(lǐng)域的馬爾可夫技術(shù)
    2.2 軌跡相似性技術(shù)
    2.3 路徑推薦技術(shù)
    2.4 面向交通軌跡領(lǐng)域的深度學(xué)習(xí)技術(shù)
    2.5 本章小節(jié)
第3章 基于隱馬爾可夫模型的多因素地圖匹配算法
    3.1 本章引論
    3.2 地圖匹配相關(guān)工作
        3.2.1 基于幾何的地圖匹配方法
        3.2.2 基于拓?fù)浣Y(jié)構(gòu)的地圖匹配方法
        3.2.3 基于概率統(tǒng)計(jì)的地圖匹配方法
    3.3 隱馬爾可夫地圖匹配模型
        3.3.1 問題描述
        3.3.2 基于隱馬爾可夫模型的地圖匹配算法框架
        3.3.3 R*樹存儲(chǔ)軌跡數(shù)據(jù)
        3.3.4 基于隱馬爾可夫模型的地圖匹配
        3.3.5 初始概率
        3.3.6 發(fā)射概率
        3.3.7 狀態(tài)轉(zhuǎn)移概率
        3.3.8 權(quán)重計(jì)算
        3.3.9 最短路徑計(jì)算
        3.3.10 快速維特比算法
        3.3.11 路徑生成算法
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)分析
        3.4.2 實(shí)驗(yàn)設(shè)置
        3.4.3 算法運(yùn)行時(shí)間
        3.4.4 實(shí)驗(yàn)結(jié)果ACCS和ACCL
        3.4.5 候選點(diǎn)數(shù)量的影響
        3.4.6 采樣頻率的影響
    3.5 本章小結(jié)
第4章 一種有效的動(dòng)態(tài)多乘客共享共乘模型
    4.1 本章引論
    4.2 共享共乘相關(guān)工作
        4.2.1 近似算法
        4.2.2 初調(diào)和精調(diào)算法
        4.2.3 啟發(fā)式算法
    4.3 動(dòng)態(tài)多乘客共享共乘模型
        4.3.1 問題描述
        4.3.2 算法框架
        4.3.3 構(gòu)建路網(wǎng)網(wǎng)格
        4.3.4 候選乘客檢索
        4.3.5 兩條路徑相似性判斷
        4.3.6 司機(jī)與乘客的行程匹配
        4.3.7 多分樹剪枝
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 算法運(yùn)行時(shí)間
        4.4.3 乘客平均等待時(shí)間
        4.4.4 平均共享路徑比
        4.4.5 乘客數(shù)量對(duì)平均等待時(shí)間和平均共享路徑比影響
        4.4.6 λ對(duì)平均共享路徑比的影響
        4.4.7 網(wǎng)格大小對(duì)平均等待時(shí)間和平均共享路徑比影響
    4.5 本章小結(jié)
第5章 基于深度學(xué)習(xí)的行駛時(shí)間估計(jì)模型
    5.1 本章引論
    5.2 行駛時(shí)間估計(jì)相關(guān)工作
        5.2.1 傳統(tǒng)時(shí)間估計(jì)方法
        5.2.2 使用深度學(xué)習(xí)的時(shí)間估計(jì)方法
    5.3 行駛時(shí)間估計(jì)模型
        5.3.1 問題描述
        5.3.2 STDR算法框架
        5.3.3 軌跡點(diǎn)嵌入表示
        5.3.4 卷積神經(jīng)網(wǎng)絡(luò)提取空間信息
        5.3.5 LSTM提取時(shí)間信息
        5.3.6 注意力機(jī)制
        5.3.7 道路類型分割
        5.3.8 預(yù)測(cè)部分
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)設(shè)置
        5.4.2 參數(shù)設(shè)置
        5.4.3 基準(zhǔn)算法
        5.4.4 各算法實(shí)驗(yàn)結(jié)果
        5.4.5 評(píng)測(cè)STDR不同的變種
        5.4.6 評(píng)測(cè)過(guò)濾器大小數(shù)量與道路類型的數(shù)量影響
        5.4.7 評(píng)測(cè)天氣的影響
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻(xiàn)】：
期刊論文
[1]軌跡大數(shù)據(jù):數(shù)據(jù)、應(yīng)用與技術(shù)現(xiàn)狀[J]. 許佳捷,鄭凱,池明旻,朱揚(yáng)勇,禹曉輝,周曉方.  通信學(xué)報(bào). 2015(12)
[2]關(guān)于最短路徑的SPFA快速算法[J]. 段凡丁.  西南交通大學(xué)學(xué)報(bào). 1994(02)



本文編號(hào)：3640268