在日常交通環(huán)境中,用戶的出行、選路等行為偏好將直接影響交通環(huán)境的狀態(tài)變化,進(jìn)而影響智能交通系統(tǒng)的管控決策;同時,交通環(huán)境的變化也會對用戶選路決策產(chǎn)生影響。因此,對用戶選路行為偏好的學(xué)習(xí),對提高交通調(diào)度和出行規(guī)劃的準(zhǔn)確度和有效性具有重要作用。目前,交通數(shù)據(jù)中包含大量的出行軌跡信息,通過對這些數(shù)據(jù)進(jìn)行挖掘分析,可以挖掘用戶出行的偏好,為車聯(lián)網(wǎng)服務(wù)、智慧交通管控等提供依據(jù)。針對車輛軌跡數(shù)據(jù)存在的時空分布不均導(dǎo)致的目標(biāo)用戶行為模式識別困難問題,論文提出了一種基于生成對抗網(wǎng)絡(luò)的選路偏好對抗生成方法,基于交通態(tài)勢數(shù)據(jù)和用戶歷史行為數(shù)據(jù),通過深度學(xué)習(xí)網(wǎng)絡(luò)提取特征圖,以挖掘目標(biāo)用戶的行為特征,并將宏觀態(tài)勢特征和微觀用戶行為特征融合,結(jié)合基于最大信息熵的生成對抗學(xué)習(xí)算法提升模型的魯棒性。最終通過基于選路聚合的態(tài)勢預(yù)測方法,將用戶選路偏好的因素融入交通態(tài)勢的預(yù)測中,提升態(tài)勢預(yù)測的性能。在論文提出的基于生成對抗的用戶選路行為偏好學(xué)習(xí)方法基礎(chǔ)上,結(jié)合選路偏好學(xué)習(xí)系統(tǒng)的功能需求,論文進(jìn)行了詳盡的需求分析,然后依據(jù)需求分析對系統(tǒng)的總體框架進(jìn)行了構(gòu)建,對各個模塊的靜態(tài)功能和動態(tài)交互進(jìn)行了詳細(xì)設(shè)計,并給出了關(guān)鍵實(shí)現(xiàn)流... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：97 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２卷積神經(jīng)網(wǎng)絡(luò)示意圖Ｕ３］??卷積神經(jīng)網(wǎng)絡(luò)相對于ＢＰ神經(jīng)網(wǎng)絡(luò)［２４］，對處理高維數(shù)據(jù)具有更多優(yōu)勢

?ｐｏｏｌ．ｎｇ?ｃｏｎｎｏｃｔｊｏｎｓ?ｆｕｉｊ?ｃｏｎｎｅｃｔｉｏｎｓ??ｃｏｎｎｅｃｔｉｏｎｓ??圖２－２卷積神經(jīng)網(wǎng)絡(luò)示意圖Ｕ３］??卷積神經(jīng)網(wǎng)絡(luò)相對于ＢＰ神經(jīng)網(wǎng)絡(luò)［２４］，對處理高維數(shù)據(jù)具有更多優(yōu)勢。卷積??層具有局部連接、權(quán)值共享等優(yōu)點(diǎn)。??局部連接每個神經(jīng)元和輸入神經(jīng)元的局部區(qū)域進(jìn)行連接，這塊連接的區(qū)域??即是感受野（ｒｅｃｅｐｔｉｖｅｆｉｅｌｄ）?［２５］。局部連接首次在生物學(xué)里面的視覺系統(tǒng)結(jié)構(gòu)被??提出，視覺皮層的神經(jīng)元就是局部連接的。對于二維圖像本身來說，也是局部區(qū)??域的特征的相關(guān)性較強(qiáng)，表征的是局部空間中的特征，神經(jīng)元在空間維度是局部??連接。這種局部連接保證了學(xué)習(xí)后的過濾器能夠?qū)斎胩卣鲿a(chǎn)生較強(qiáng)的局部響??應(yīng)。權(quán)重共享是指計算同一個深度的神經(jīng)元，即同一層卷積層時采用的卷積核的??參數(shù)是共享的。即在同一層卷積層上，特征圖的所有區(qū)域的卷積核是相同的，由??于卷積核參數(shù)是共享的，這樣可以很大程度上減少參數(shù)。在卷積層，通常采用多??組卷積核提取不同特征

０?＾ｒ０??Ｉｎｐｕｔ??圖２－３長短期記憶網(wǎng)絡(luò)示意圖［２７］??長短期記憶網(wǎng)絡(luò)被廣泛用于處理時間序列數(shù)據(jù)的模型中，如ＮＬＰ金融、自??動問答、量化分析等領(lǐng)域。在用戶選路行為偏好學(xué)習(xí)系統(tǒng)中，用戶歷史ＧＰＳ行??駛記錄的特征會存在某種規(guī)律性、周期性，ＲＮＮ模型在運(yùn)行的過程中會出現(xiàn)相??對穩(wěn)定規(guī)律性的輸出。系統(tǒng)在不同的預(yù)測階段一般會出現(xiàn)不同的運(yùn)行“狀態(tài)”輸??出，而這些“狀態(tài)”之間一般具有較強(qiáng)的時序關(guān)系。使用ＬＳＴＭ網(wǎng)絡(luò)可以將用戶??行為在某段時間片內(nèi)周期性變化規(guī)律映射到某種高維特征。進(jìn)一步地，根據(jù)用戶??歷史行駛行為的特征，來針對不同用戶的不同特征推薦個性化路線，并學(xué)習(xí)到用??戶歷史行為和選路學(xué)習(xí)結(jié)果的映射關(guān)系，以達(dá)到最終本系統(tǒng)的預(yù)期。??２．２．４對抗生成網(wǎng)絡(luò)??ＧＡＮ［３（）］啟發(fā)自博弈論中的二人博弈。生成模型Ｇ（ｘ）捕捉樣本數(shù)據(jù)分布

【參考文獻(xiàn)】：
期刊論文
[1]采用機(jī)器學(xué)習(xí)技術(shù)預(yù)測交通擁堵態(tài)勢[J]. 彭博文.  通訊世界. 2019(01)
[2]改進(jìn)的非極大值抑制算法的目標(biāo)檢測[J]. 趙文清,嚴(yán)海,邵緒強(qiáng).  中國圖象圖形學(xué)報. 2018(11)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 張亞倩.  信息通信. 2018(11)
[4]BP神經(jīng)網(wǎng)絡(luò)原理研究與實(shí)現(xiàn)[J]. 韓普,周漢辰,周北望.  廣播電視信息. 2018(10)
[5]一種改進(jìn)的圖像骨架提取算法[J]. 葉福玲.  西昌學(xué)院學(xué)報(自然科學(xué)版). 2018(03)
[6]基于深度學(xué)習(xí)的路網(wǎng)短時交通流預(yù)測[J]. 柴葳崴.  山東工業(yè)技術(shù). 2018(03)
[7]基于不同偏好的出行者路徑選擇行為研究[J]. 劉新民,魯曉燕,孫秋霞.  重慶交通大學(xué)學(xué)報(自然科學(xué)版). 2017(10)
[8]基于群智感知技術(shù)的車聯(lián)網(wǎng)路徑優(yōu)化問題研究[J]. 萬辛,高圣翔.  計算機(jī)與數(shù)字工程. 2017(09)
[9]一種車聯(lián)網(wǎng)環(huán)境下的城市車輛協(xié)同選路方法[J]. 吳黎兵,范靜,聶雷,崔建群,鄒逸飛.  計算機(jī)學(xué)報. 2017(07)
[10]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機(jī)應(yīng)用. 2016(09)

博士論文
[1]車聯(lián)網(wǎng)環(huán)境下城市車輛安全高效尋徑方法研究[D]. 范靜.武漢大學(xué) 2017
[2]車載自組網(wǎng)路由協(xié)議及路徑?jīng)Q策模型研究[D]. 朱東杰.哈爾濱工業(yè)大學(xué) 2015

碩士論文
[1]車聯(lián)網(wǎng)環(huán)境下路網(wǎng)交通態(tài)勢預(yù)測方法研究[D]. 王超.北京交通大學(xué) 2018
[2]基于出租車時空軌跡深度學(xué)習(xí)的城市道路行程時間預(yù)測方法[D]. 喻鋼.西南交通大學(xué) 2018
[3]基于Softmax回歸的小微企業(yè)信用評分模型應(yīng)用研究[D]. 楊森.蘇州大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的視覺識別研究[D]. 薛昆南.華南農(nóng)業(yè)大學(xué) 2016



本文編號：3312279