隨著交通越來越發(fā)達,帶給人們便利的同時,也帶來了交通擁堵、城市安全等問題。對于我國交通信息化進程的加快,為從海量交通數(shù)據(jù)分析人們出行特征和構(gòu)建預測模型來解決交通問題提供了可能。本論文利用機器學習技術研究挖掘交通數(shù)據(jù)中存在的規(guī)律,為人們的出行、市府規(guī)劃、旅游局管理提供參考數(shù)據(jù)。數(shù)據(jù)主要來源是公交IC卡數(shù)據(jù)和手機信令數(shù)據(jù),這兩種數(shù)據(jù)有著很強的應用價值。利用機器學習算法,進行有針對性設計,對交通數(shù)據(jù)進行研究分析。（1）論文首先是對基于IC卡數(shù)據(jù)的冪率分布的研究與分析;先是分析IC數(shù)據(jù)的特征和分布,提出了非限定性分站算法,得出了站與站的時間間隔,然后用兩個不同地區(qū)的數(shù)據(jù)進行驗證,得出了非限定性分站算法的可用性。接著對得到的公交車站與站的時間間隔進行分析,發(fā)現(xiàn)其具有重尾現(xiàn)象,是符合人類行為動力學的。并且通過機器學習線性回歸算法對時間間隔數(shù)據(jù)建立模型,得出站與站的時間間隔是服從冪律分布,本文對IC卡數(shù)據(jù)的分析為公交車的調(diào)度打下了理論基礎。（2）接著論文對手機信令的數(shù)據(jù)進行研究分析,提出了基于置信度的自適應密度聚類算法研究手機信令時空分布特征;并以沿海地區(qū)的外省游客作為主要的研究對象,通過基于置信度... 

【文章來源】：青島科技大學山東省

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 課題研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究的目的與意義
    1.4 論文研究內(nèi)容
    1.5 論文研究結(jié)構(gòu)
2 基于IC卡數(shù)據(jù)的冪率分布的研究與分析
    2.1 機器學習
    2.2 人類行為動力學理論
        2.2.1 人類動力學的研究起源
        2.2.2 人類行為動力學研究的規(guī)律
    2.3 .線性回歸
        2.3.1 線性回歸定義
        2.3.2 線性回歸模型
        2.3.3 最佳擬合函數(shù)
        2.3.4 梯度下降優(yōu)化
        2.3.5 線性回歸模型的評價
    2.4 IC卡數(shù)據(jù)分析及實驗結(jié)果
        2.4.1 IC卡數(shù)據(jù)預處理與特征分析
        2.4.2 I公交車的非限定性分站算法
        2.4.3 非限定性分站算法的仿真結(jié)果
        2.4.4 線性回歸仿真結(jié)果
        2.4.5 線性回歸模型的評價結(jié)果
    2.5 本章小結(jié)
3 基于聚類算法的手機信令時空分布特征研究
    3.1 聚類分析
        3.1.1 聚類簡介
        3.1.2 聚類分析的需求
        3.1.3 基本聚類方法
    3.2 常用聚類算法
        3.2.1 k-means聚類算法
        3.2.2 層次聚類算法
        3.2.3 DBSCAN聚類算法
    3.3 基于置信度的自適應密度聚類算法
        3.3.1 置信度與時間維度
        3.3.2 密度聚類算法的參數(shù)自適應性
        3.3.3 基于置信度的自適應密度聚類算法的過程
    3.4 數(shù)據(jù)仿真實驗
        3.4.1 數(shù)據(jù)的預處理
        3.4.2 數(shù)據(jù)的分布
        3.4.3 對比實驗結(jié)果
        3.4.4 參照實驗結(jié)果
    3.5 總結(jié)
4 基于手機信令數(shù)據(jù)的人流量預測
    4.1 人流量預測相關理論
        4.1.1 人流量預測概念
    4.2 預測模型介紹
        4.2.1 ARIMA模型
        4.2.2 RNN循環(huán)神經(jīng)網(wǎng)絡
        4.2.3 LSTM(長短期記憶神經(jīng)網(wǎng)絡)
    4.3 模型預測評價指標
    4.4 預測實驗結(jié)果
        4.4.1 數(shù)據(jù)預處理
        4.4.2 人流量分布
        4.4.3 預測實驗結(jié)果
    4.5 本章總結(jié)
結(jié)論與展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文目錄


【參考文獻】：
期刊論文
[1]基于ARIMA模型的短時交通流預測研究[J]. 劉學剛,張騰飛,韓印.  物流科技. 2019(12)
[2]人工神經(jīng)網(wǎng)絡在數(shù)據(jù)挖掘中的應用研究[J]. 梁春華.  無線互聯(lián)科技. 2019(22)
[3]K-Means聚類算法研究綜述[J]. 楊俊闖,趙超.  計算機工程與應用. 2019(23)
[4]基于公交IC卡和GPS數(shù)據(jù)的公交OD量推算研究[J]. 鄧紅星,趙志恒,王瑋琦.  重慶理工大學學報(自然科學). 2019(06)
[5]基于最小二乘法的線性回歸方程推導與應用分析[J]. 陳雨彤.  中國新通信. 2018(24)
[6]KNN算法綜述[J]. 竇小凡.  通訊世界. 2018(10)
[7]決策樹典型算法研究綜述[J]. 邵旻暉.  電腦知識與技術. 2018(08)
[8]一種大規(guī)模流式數(shù)據(jù)聚類方法在交通熱點分析中的應用[J]. 牟向偉,陳燕,曹妍.  科學技術與工程. 2017(15)
[9]基于空間密度聚類的移動用戶熱點區(qū)域識別方法[J]. 杜翠鳳,余藝,蔣超.  移動通信. 2015(16)
[10]人類行為動力學研究綜述[J]. 樊超,郭進利,韓筱璞,汪秉宏.  復雜系統(tǒng)與復雜性科學. 2011(02)

博士論文
[1]無線通信中的馬爾科夫決策過程研究[D]. 肖華.電子科技大學 2013

碩士論文
[1]基于數(shù)據(jù)挖掘技術的交通流量分析與預測[D]. 曲嘉彬.北京郵電大學 2019
[2]基于深度學習的交通流量預測與可視化方法研究[D]. 史亞星.北方工業(yè)大學 2018
[3]基于手機信令數(shù)據(jù)的區(qū)域交通流量預測技術研究[D]. 錢巧婭.西南交通大學 2018
[4]基于軌跡聚類的交通熱點分析[D]. 程智源.電子科技大學 2018
[5]基于頻繁模式的短時交通流實時預測研究[D]. 許曉.南京郵電大學 2017
[6]面向網(wǎng)絡課程學習的興趣驅(qū)動的人類行為動力學研究[D]. 曾燕.江西師范大學 2016
[7]基于機器學習的電信網(wǎng)絡用戶行為分析研究[D]. 張闊.北京郵電大學 2014
[8]實時公交信息下共線線路上的乘車方案選擇行為預測[D]. 李婷.大連海事大學 2013
[9]基于IC卡信息的公交客流出行特征分析系統(tǒng)研究[D]. 梁楓明.華南理工大學 2011
[10]基于密度的聚類算法研究[D]. 李偉雄.湖南大學 2010



本文編號：3184464