基于多任务学习的交通结构挖掘模型研究与实现

发布时间：2021-04-01 16:13

　　城市交通结构组成作为城市交通调度和个体出行重要的参考依据,是当下以及未来更好地实现智能交通系统的重要前提。本课题在已有的交通结构挖掘相关模型和理论的研究基础上,围绕着其存在的不足:（1）以城市整体为研究对象,强调城市交通宏观政策的影响;（2）基于传统机器学习,依赖于大量的轨迹数量,不能充分利用数据信息,产生信息的浪费或者无关信息的冗余;（3）针对某一特定空间的交通结构的挖掘,往往因为空间范围小,轨迹数量少而被忽视等,基于多任务学习思想,提出适用于不同场景,具有不同结构的挖掘模型。主要研究内容如下。一、综述了与交通结构组成分析相关的基础理论和关键技术,对现有的研究模型进行了说明和总结,分析了其中存在的不足,提出了本课题基于介观层面的交通结构挖掘的研究思路和具体框架。二、考虑对城市空间划分颗粒度粗,研究空间范围大,人群出行数据轨迹量相对充足的现实场景,或是不指定某一特定区域,旨在揭示基于用户的相关特征属性对交通结构分布的影响时,本课题将传统的机器学习与多任务学习思想相结合,利用特征之间存在的图结构的相关关系,构造基于特征相关性的模型,提出了城市粗粒度划分空间下的交通结构挖掘模型,实现充分利... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：99 页

【学位级别】：硕士

【部分图文】：

图１－１论文组织结构框架??第一章为“绪论”

因素之间的关联性，无法实现对现有数据的充分利用和挖掘。??２．２．３基于传统机器学习的研究模型??如图２－２所示为机器学习算法的通用处理流程。机器学习算法的普及和应用??往往基于庞大的数据量，从中挖掘出一定的规律。随着ＡＦＣ系统在公共交通网??络的应用和ＧＰＳ设备的普及，出行轨迹数据的可获取性为使用机器学习算法进??行群体出行行为建模奠定了基础，但现有模型从实现角度看，从传统的机器学习??出发，以大量的数据为前提，主要区别只是体现在具体的算法或是特征选择上，??旨在刻画出行行为，不考虑空间性和地理区域性，不适用于对特定空间的交通结??构组成提供精确依据。????大量的历史??轨迹数据??训练?????＾?????预测Ｉ?＿?＿，??新的数据??＾模型?—出彳丁彳丁为??图２－２机器学习处理流程??２．２．４总结与分析??从上文可知，现有的交通结构挖掘分析或是基于宏观层面，关注政府政策、??人文环境、土地使用等因素

?１??（ｍｎ）??图２－６传统机器学习的学习方式??？￥—个问題解决｜?广￣??（?ＡＡ＼?）任务／领域ｂ??—个不同但相关?＼／?Ｙ?／??的问题?Ｉ??ｍｏｄｅｌ?Ａ?ｍｏｄｅｌ?Ｂ???５?知识?＾???图２－７迁移学习的学习方式??在机器学习的传统监督学习情况下，若准备为某个任务／领域训练模型，往??往以获取任务／领域里标记过的数据为前提，但在现实生活中，所研究的任务／领??域的数据常常会缺失，利用传统的监督学习方法无法得出一个可靠的模型，迁移??学习则可充分利用相近任务／领域的现有数据，试图把处理已有任务获取的知识，??应用于新的目标难题，从而弥补传统机器学习方式的不足。??３、迀移学习的基本分类??（１）根据源领域和目的领域之间的关系，源任务和目标任务之间的关系，以及??方法如表２－２所示。??１３??

【参考文献】：
期刊论文
[1]基于出租车GPS数据的交通热区识别方法[J]. 郑运鹏,赵刚,刘健.  北京信息科技大学学报(自然科学版). 2016(01)



本文编号：3113617