Slugging共乘出行下的位置預測與群體發(fā)現方法研究

發(fā)布時間：2020-07-09 12:24

【摘要】：隨著我國經濟的迅猛發(fā)展,機動車保有量飛速增長,城市交通擁堵、環(huán)境污染、能源消耗等問題日益嚴峻。共乘出行方式以其能夠緩解交通堵塞、提高道路承載力的優(yōu)勢越來越得到大家的關注。因此,如何從眾多出行者的出行信息中挖掘出潛在的共乘群體,是目前研究共乘出行的熱點問題。本文針對共乘群體發(fā)現進行深入研究,提出了在Slugging共乘出行下運用位置預測技術發(fā)現潛在共乘群體的方法。首先,采用基于條件約束的停留點提取算法識別出行停留信息,并用停留點聚類算法對存在異常的停留點進行處理,提取出行停留點軌跡,進而構建出行者的位置軌跡模型,還原出行者在現實世界的活動,同時引入POI數據集,挖掘地理位置隱含的語義信息,將基于地理空間的位置軌跡映射到語義空間,構建出行者的語義軌跡模型。然后,提出了P-PPM(PrefixSpan-Prediction by Partial Matching)位置預測算法,基于位置軌跡建立PPM預測模型,并運用序列模式挖掘技術挖掘語義軌跡的頻繁語義模式,基于頻繁語義模式定義語義移動規(guī)則,進而根據其置信度修正位置預測的結果。最后,設計了基于位置預測的共乘群體發(fā)現算法,提出了基于位置預測的Slugging共乘群體發(fā)現方法,通過分析出行者的軌跡信息,預測不同出行者的目的地,進而發(fā)現有相似出行活動的群體,推薦形成共乘群體。采用Geolife數據集和覆蓋北京60%區(qū)域的POI數據集,對位置預測相關參數α、minsup進行分析,選取預測效果最優(yōu)的參數值,同時對比P-PPM位置預測算法與傳統(tǒng)位置預測算法各項評價指標的優(yōu)異,以及不同的位置預測算法應用到基于位置預測的共乘群體發(fā)現中,對潛在共乘群體發(fā)現效果的影響。實驗結果表明,P-PPM位置預測算法在預測精度、預測覆蓋度方面優(yōu)于傳統(tǒng)的馬爾科夫位置預測算法和PPM位置預測算法;基于P-PPM位置預測模型的共乘群體發(fā)現可以更好地發(fā)現潛在共乘群體。
【學位授予單位】：長安大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U491
【圖文】：

出行行為,日志記錄,軌跡,偏移噪聲

行者的出行軌跡信息，還有大量的偏移噪聲信息。在出行特征識別模型建立的階段，首先需要明確識別和挖掘的目標，其次確定識別和挖掘算法，利用測試數據進行學習并生成模型，最后對模型進行評價，進一步改進。2.2.2 停留點提取本文重點研究出行行為中的停留位置特征，出行者出行途中的停留位置體現了出行者的興趣點，通過識別停留信息，挖掘不同停留位置之間的聯(lián)系，進而發(fā)現出行者潛在的出行行為偏好。常見的反映出行行為的數據是出行者的 GPS 軌跡數據，GPS 數據通過GPS采集設備記錄，以GPS日志的形式存儲起來，日志記錄是由一系列 GPS點組成，表示為：P={p1,p2,…,pn}[52]。每個 pi記錄了出行者所在的緯度 lat、經度 lon、采集時間 t等信息，可采用三元組描述為 pi=(lat,lon,t)，這些點按時間順序連接起來構成了一條 GPS軌跡，如圖 2.9 所示，左邊表示的是 GPS 日志記錄。

軌跡圖,軌跡,框標,碩士學位論文

長安大學碩士學位論文緯度，lon表示經度，R 表示地球半徑。存在偏移、信號消失等問題，因而會大大制約停留位置，或者被重復識別為同一個停留點的現象[53]黑框標定的為出現偏移的軌跡點，右邊黑框標定了慮到真實交通環(huán)境下相同移動路徑會被錯誤地構異常狀態(tài)的停留點進行修正。然而在所有的停留點常停留點，因此，為了消除異常停留點，減小異常實停留點與異常停留點合并，用其中心坐標作為最

示意圖,聚類,指針,示意圖