城市智能交通系統(tǒng)是建設(shè)新型智慧城市的核心。對(duì)城市智能交通系統(tǒng)中的具有時(shí)空特性的交通數(shù)據(jù)進(jìn)行智能分析,獲取豐富而有價(jià)值的知識(shí),對(duì)實(shí)現(xiàn)智能交通調(diào)度、城市規(guī)劃等具有重要意義。本論文基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法,面向城市智能交通系統(tǒng)中的乘客流、車(chē)流等時(shí)空數(shù)據(jù),圍繞時(shí)空預(yù)測(cè)、時(shí)空模式發(fā)現(xiàn)等技術(shù),深入挖掘時(shí)空數(shù)據(jù)中的時(shí)間、空間和其它隱藏特征,實(shí)現(xiàn)綜合性能的提升。本文的研究涵蓋了城市道路系統(tǒng)、輕軌系統(tǒng)和公交系統(tǒng)等主要交通場(chǎng)景,充分考慮各場(chǎng)景的特點(diǎn)和相互間聯(lián)系,所取得的研究成果具有廣泛的應(yīng)用前景。尤其是本文針對(duì)動(dòng)態(tài)圖網(wǎng)絡(luò)的時(shí)空預(yù)測(cè)問(wèn)題提出的深度學(xué)習(xí)解決思路,對(duì)類(lèi)似問(wèn)題的深度學(xué)習(xí)研究具有重大的參考意義。因此,本論文的研究具有良好的應(yīng)用前景和學(xué)術(shù)價(jià)值。本文研究工作的貢獻(xiàn)主要包括:(1)本文提出了一種新的混合機(jī)器學(xué)習(xí)(DTMGP)模型,通過(guò)綜合考慮時(shí)間,OD空間,頻率和自相似性等因素,準(zhǔn)確地預(yù)測(cè)短期輕軌系統(tǒng)乘客流量。在該模型中,我們首先應(yīng)用離散小波變換(DWT)將乘客流量序列分解為一個(gè)近似分量和多個(gè)細(xì)節(jié)分量。然后,我們改進(jìn)了2018年提出來(lái)的TRACKING模型并用來(lái)進(jìn)行近似分量的短期預(yù)測(cè)。我們新提出了一種新...

【文章頁(yè)數(shù)】：102 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 研究?jī)?nèi)容及難點(diǎn)
    1.3 研究成果及創(chuàng)新點(diǎn)
    1.4 本文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)綜述
    2.1 智慧交通時(shí)空數(shù)據(jù)概述
    2.2 基于機(jī)器學(xué)習(xí)的時(shí)空短期預(yù)測(cè)模型
        2.2.1 支持向量回歸
        2.2.2 K近鄰算法
        2.2.3 深度神經(jīng)網(wǎng)絡(luò)
        2.2.4 預(yù)測(cè)模型評(píng)價(jià)指標(biāo)
    2.3 人群移動(dòng)模式發(fā)現(xiàn)
        2.3.1 數(shù)據(jù)源
        2.3.2 研究指標(biāo)和常見(jiàn)移動(dòng)模型
    2.4 小結(jié)
第3章 基于高斯過(guò)程模型的輕軌乘客流量預(yù)測(cè)
    3.1 引言
    3.2 相關(guān)工作及問(wèn)題
    3.3 預(yù)備知識(shí)
        3.3.1 狀態(tài)空間重構(gòu)
        3.3.2 高斯過(guò)程回歸(GPR)
        3.3.3 Tracking模型
        3.3.4 多步預(yù)測(cè)策略
    3.4 乘客流量數(shù)據(jù)實(shí)證研究
        3.4.1 相關(guān)維數(shù)計(jì)算
        3.4.2 最大Lyapunov指數(shù)計(jì)算
    3.5 DTMGP流量預(yù)測(cè)模型
        3.5.1 研究問(wèn)題和解決框架
        3.5.2 數(shù)據(jù)預(yù)處理和分解
        3.5.3 新改進(jìn)的TRACKING模型和近似分量預(yù)測(cè)
        3.5.4 MTGPR模型及細(xì)節(jié)分量的預(yù)測(cè)
    3.6 實(shí)驗(yàn)評(píng)估與分析
        3.6.1 評(píng)價(jià)指標(biāo)和對(duì)比模型
        3.6.2 實(shí)驗(yàn)結(jié)果
    3.7 小結(jié)
第4章 基于動(dòng)態(tài)時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型
    4.1 引言
    4.2 相關(guān)工作簡(jiǎn)介
    4.3 預(yù)備知識(shí)
        4.3.1 圖卷積神經(jīng)網(wǎng)絡(luò)
        4.3.2 圖信號(hào)處理
        4.3.3 張量操作
    4.4 問(wèn)題和模型
    4.5 動(dòng)態(tài)時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)
        4.5.1 動(dòng)態(tài)拉普拉斯矩陣估計(jì)器
        4.5.2 時(shí)空卷積塊
        4.5.3 輸入和輸出
    4.6 實(shí)驗(yàn)
        4.6.1 實(shí)驗(yàn)設(shè)置
        4.6.2 性能比較
    4.7 總結(jié)和展望
第5章 大數(shù)據(jù)驅(qū)動(dòng)的城市人群移動(dòng)模式研究
    5.1 引言
    5.2 相關(guān)工作及問(wèn)題
    5.3 預(yù)備知識(shí)
        5.3.1 極大似然估計(jì)(MLE)
        5.3.2 貝葉斯信息量(BIC)
        5.3.3 Infomap社區(qū)劃分算法
    5.4 人群移動(dòng)模式的詳細(xì)分析
        5.4.1 人群移動(dòng)數(shù)據(jù)
        5.4.2 行程距離
        5.4.3 行程時(shí)長(zhǎng)
        5.4.4 行程間隙
        5.4.5 時(shí)空模式
        5.4.6 社區(qū)遷移
    5.5 小結(jié)
結(jié)論
參考文獻(xiàn)
附錄A 攻讀學(xué)位期間完成的論文
附錄B 攻讀學(xué)位期間參與的課題
致謝



本文編號(hào)：3960136