對行程時間進行準確預測,能為交通管理和出行決策提供指導。深度學習作為一種數(shù)據(jù)挖掘方法,在預測方面則有很好的適用性。本文旨在借助深度學習在數(shù)據(jù)挖掘方面的優(yōu)勢,利用成都市滴滴浮動車數(shù)據(jù),對城市道路行程時間進行預測。首先,論文以成都市網(wǎng)約車軌跡數(shù)據(jù)為基礎,選取成都市新華大道一段長約3km的主干道為研究對象繪制矢量路網(wǎng),在數(shù)據(jù)清洗后根據(jù)劃分網(wǎng)格構建不規(guī)則區(qū)域的思想快速篩選出研究道路范圍內(nèi)的數(shù)據(jù),然后進行坐標系轉換并基于時間間隔和距離間隔分布劃分軌跡,進而通過確定候選路段集、初階匹配、前向后向校核實現(xiàn)了快速地圖匹配。在此基礎上,提取了行程時間等關鍵信息為深度學習構建了樣本集。然后,論文基于對現(xiàn)有預測行程時間的深度學習方法的理解,總結出目前的深度學習預測方法在輸入方面考慮因素單一,結構方面解釋性不強。為改進這些不足,論文分析了行程時間的時空特性,發(fā)現(xiàn)在時間方面行程時間變化趨勢符合一定規(guī)律,同時段的行程時間相對接近,空間方面相鄰道路的行程時間會相互作用,變化趨勢接近�；诖�,論文以子路段為深度學習結構單元,基于時間特性優(yōu)化了模型輸入,空間特性優(yōu)化了模型結構,設計了包含交通特征學習層和行程時間預測層的... 

【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)】：74 頁

【學位級別】：碩士

【部分圖文】：

研究道路及抽象路網(wǎng)示意圖

a）一般方法選取點分布 b）網(wǎng)格劃分法選取點分布圖 2-4 兩種方法篩選數(shù)據(jù)實例結果圖以上主要針對單條路徑對網(wǎng)格劃分法進行了介紹，當分析多條路徑構成的路網(wǎng)時，對于邊界路徑同樣可以采用上述原理篩選數(shù)據(jù)點，剔除無效數(shù)據(jù)。2. 坐標系轉換不同坐標系下地理位置的表示并不相同，只有在同一套坐標系下進行匹配才能得到正確結果。坐標系可分為地理坐標系和投影坐標系。地理坐標系以參考橢球面為基準面，通過選擇橢球、對橢球進行定位、確定大地起算數(shù)據(jù)建立，屬于空間坐標，一般用經(jīng)緯度來表示，常見的地理坐標系包括 WGS-84（世界大地坐標系）、54 北京坐標系等，本研究中采用的數(shù)據(jù)源 GCJ-02（火星坐標系）也屬于地理坐標系。投影坐標系即是平面坐標系，參考面是水平面，坐標單位一般是米或千米。匹配過程中，當 GPS 數(shù)據(jù)和地圖數(shù)據(jù)不屬于同一地理坐標系時，二者同一個位置的經(jīng)緯度定位將存在差異，因此需要進行地理坐標系之間的互轉。另外，由于匹配過程中涉及到距離方面的計算，無法利用地理坐標系求得，因此還需要進行地理坐標系和投影坐標系之間的轉化，本文采用了現(xiàn)有文獻[61]的轉換方法，首先將浮動車數(shù)據(jù)的 GCJ-02 坐標轉換成路網(wǎng)坐標

c） RMSE 值分布1 不同網(wǎng)絡結構在多次訓練中各項評價指標結果分布有效性驗證所提，現(xiàn)有深度學習預測行程時間的模型輸入往往一單一指標，考慮因素比較單一，存在一定的片面性本研究在平均行程時間這一指標基礎上還加入考慮可靠度三項指標。當然，加入的指標并不一定完全有提高模型預測精度，需要調(diào)整輸入對結果進行對比入特征指標的情況下，選取其他三種指標進行不同

【參考文獻】：
期刊論文
[1]基于極限學習機的公交行程時間預測方法[J]. 宋現(xiàn)敏,劉明鑫,馬林,夏英集.  交通運輸系統(tǒng)工程與信息. 2018(05)
[2]基于時間序列法的公交車站間行程時間預測模型研究——以蘇州1路公交為例[J]. 童小龍,盧冬生,張騰,黃晶晶.  交通運輸工程與信息學報. 2017(04)
[3]基于PSO-LSSVM的高速公路短時行程時間預測[J]. 劉偉銘,雷煥宇,翟聰,李松松.  公路與汽運. 2017(03)
[4]基于Kalman和ARIMA組合模型的路段行程時間預測[J]. 田甜,王秀玲,呂芳.  信息技術. 2016(03)
[5]基于空間型馬爾科夫鏈的行程時間估計模型[J]. 張俊婷,周晶,徐紅利,鞠鵬.  系統(tǒng)工程. 2015(12)
[6]低頻GPS數(shù)據(jù)和交叉口延誤下的行程時間估計[J]. 王志建,馬超鋒,李梁.  西南交通大學學報. 2015(02)
[7]基于GPS數(shù)據(jù)的公交站點區(qū)間行程時間可靠性影響因素[J]. 王殿海,湯月華,陳茜,高楊斌,金盛.  東南大學學報(自然科學版). 2015(02)
[8]基于K最近鄰算法的高速公路短時行程時間預測[J]. 王翔,陳小鴻,楊祥妹.  中國公路學報. 2015(01)
[9]城市路網(wǎng)路段行程時間預測研究綜述[J]. 畢松,車磊,趙忠誠,孫德輝.  計算機仿真. 2014(07)
[10]面向欠采樣公交GPS數(shù)據(jù)的信號交叉口延誤估計[J]. 王華,張志松,張瞫,劉昕.  交通運輸系統(tǒng)工程與信息. 2014(02)

碩士論文
[1]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[D]. 喻鋼.西南交通大學 2018
[2]信號交叉口單車停車延誤時間與停車位置的關系模型研究[D]. 喬真卿.重慶大學 2014
[3]基于浮動車數(shù)據(jù)的高速公路路段行程時間預測方法研究及系統(tǒng)實現(xiàn)[D]. 唐俊.中山大學 2011
[4]基于浮動車數(shù)據(jù)的路段旅行時間預測研究[D]. 朱愛華.北京交通大學 2008
[5]基于浮動車數(shù)據(jù)的城市路段行程時間預測研究[D]. 方志偉.北京交通大學 2007
[6]基于浮動車技術的道路車輛行駛速度研究[D]. 沙飛.北京交通大學 2008



本文編號：3282365