快速發(fā)現(xiàn)具有相似出行特征的出行者形成共乘群體,最大化降低城市交通運(yùn)輸成本,是共乘出行領(lǐng)域的研究熱點(diǎn)。本文針對(duì)共乘出行中的群體發(fā)現(xiàn)問(wèn)題進(jìn)行深入研究,利用位置預(yù)測(cè)技術(shù)提前預(yù)知出行者的目的地,預(yù)先規(guī)劃具有最大共乘率的共乘群組,優(yōu)化共乘出行。首先,根據(jù)城市出行者GPS軌跡分布不均的特征,提出分位數(shù)策略進(jìn)行地圖網(wǎng)格劃分,并利用基于空間網(wǎng)格標(biāo)定方法構(gòu)建出行者的出行特征。然后,針對(duì)軌跡數(shù)據(jù)稀疏的問(wèn)題,提出LP-Markov(Location and POI Based Markov)位置預(yù)測(cè)模型。該模型可分為兩部分,區(qū)域預(yù)測(cè),運(yùn)用軌跡分裂合成算法對(duì)原軌跡數(shù)據(jù)集進(jìn)行擴(kuò)充,構(gòu)建馬爾科夫模型進(jìn)行區(qū)域預(yù)測(cè);位置細(xì)化,引入POI(Point of Interest)數(shù)據(jù)集,分析不同POI類型在不同時(shí)刻的受歡迎度,將該區(qū)域內(nèi)受歡迎度最高的POI所對(duì)應(yīng)的位置作為最終預(yù)測(cè)結(jié)果。最后,為解決共享交通下的共乘群體發(fā)現(xiàn)效率低、準(zhǔn)確率不高的問(wèn)題,引入軌跡索引技術(shù),對(duì)出行者起訖點(diǎn)(Origin-Destination,OD)軌跡特征擴(kuò)展R-樹(shù)構(gòu)建GeoOD-Tree(Geographic OD-Tree)索引,并在此基礎(chǔ)上提出以最大化共乘率為目標(biāo)的群體發(fā)現(xiàn)策略,將共乘群體發(fā)現(xiàn)問(wèn)題轉(zhuǎn)化為查找具有相似的OD軌跡出行者,并運(yùn)用K最近鄰查詢(K-Nearest Neighbor)對(duì)搜索空間剪枝壓縮,優(yōu)化群體發(fā)現(xiàn)效率。本文采用西安市的出租車軌跡集以及覆蓋西安市主要城區(qū)的POI數(shù)據(jù)集,分析網(wǎng)格劃分策略和網(wǎng)格密度對(duì)LP-Markov預(yù)測(cè)模型的影響,此外,與現(xiàn)有的預(yù)測(cè)算法對(duì)比,實(shí)驗(yàn)結(jié)果表明LP-Markov位置預(yù)測(cè)模型在預(yù)測(cè)誤差、覆蓋度以及執(zhí)行效率上均優(yōu)于weightd-MM和syn-sub預(yù)測(cè)算法;同時(shí),對(duì)GeoOD-Tree的相關(guān)參數(shù)m進(jìn)行分析,并對(duì)比了與其他傳統(tǒng)群體發(fā)現(xiàn)算法的性能,結(jié)果表明基于GeoOD-Tree索引的群體發(fā)現(xiàn)算法在群體發(fā)現(xiàn)的準(zhǔn)確率、召回率以及執(zhí)行效率上均優(yōu)于DTW以及ByPOI算法。
【學(xué)位單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP301.6;U491
【部分圖文】：

出發(fā)點(diǎn)和目

出發(fā)地和目的地包含在原軌跡路線中

出發(fā)地不同，目的地不相同，需要繞路

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 甘早斌;袁永光;趙貽竹;魯宏偉;;基于DR-tree的室內(nèi)移動(dòng)對(duì)象索引研究[J];計(jì)算機(jī)科學(xué);2012年10期

2 張瑾;何瑞春;;解決動(dòng)態(tài)出租車“拼車”問(wèn)題的模擬退火算法[J];蘭州交通大學(xué)學(xué)報(bào);2008年03期

3 翟泳;楊金梁;連劍;樊銘渠;;合乘出行信息檢索的路徑匹配算法[J];交通與計(jì)算機(jī);2007年01期

相關(guān)碩士學(xué)位論文 前1條

1 趙l刋;動(dòng)態(tài)共乘成功匹配和出行者選擇行為的研究[D];上海交通大學(xué);2013年

本文編號(hào)：2831762