基于轨迹数据的个体出行行为预测
发布时间：2021-04-28 13:15
城市的快速发展使得交通拥堵和资源配置不合理现象越来越突出,如何有效解决城市发展中面临的交通问题是城市规划过程中的重点问题。对人类移动行为的研究可以揭示人类流动性的内在规律,也可以协助交通管理者更好地推动智慧城市的建设。个体移动行为的预测也有很多关键应用,比如车流量预测,站点客流预测和城市发展规划等。本文建立了个体马尔可夫出行预测模型,来预测用户的出行状态,同时建立了长短时记忆网络和起讫点时空图卷积网络模型来预测地铁站点的客流量。本文的研究内容主要包括以下几个方面:1、为了更好的理解个体出行行为,本文从原始数据挖掘用户属性和出行特点。通过统计地铁用户的出行分布,发现大部分用户偏向于某种固定的出行模式。根据用户的不同出行习惯,将所有用户合理分为通勤者、非通勤者和无住宅者三类,并定义其住宅、公司和其他类型站点。将用户出行记录添加标签后,进一步分析了不同属性用户间出行分布的差异。2、从群体层面了解用户的出行习惯后,为用户建立个体出行预测模型可以研究不同个体间的出行差异性。根据用户的历史出行状态,为每个用户分别建立了一阶和二阶马尔可夫出行预测模型。使用马尔可夫模型对用户未来的出行状态分别进行了单...
【文章来源】：上海师范大学上海市
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容
1.4 论文组织结构
1.5 本章小结
第2章 相关理论基础
2.1 时空数据相关概念与理论
2.1.1 时空数据定义
2.1.2 时空数据挖掘与分析
2.2 马尔可夫模型
2.3 长短时记忆网络
2.4 图卷积网络
2.4.1 图卷积神经网络框架
2.4.2 图卷积神经网络原理
2.5 本章小结
第3章 原始数据处理与分析
3.1 数据集概况
3.2 数据预处理与用户属性判定
3.3 用户出行标签与统计分布
3.4 用户出行距离分析
3.5 本章小结
第4章 基于马尔可夫的出行预测模型
4.1 一阶马尔可夫模型的建立
4.2 一阶马尔可夫模型结果与分析
4.3 二阶马尔可夫模型的建立
4.4 二阶马尔可夫模型结果与分析
4.5 本章小结
第5章 基于长短时记忆网络的流量预测模型
5.1 长短时记忆网络模型框架
5.2 地铁客流数据的构建
5.3 LSTM网络实验设置
5.3.1 模型参数设置
5.3.2 测试指标
5.4 LSTM地铁客流预测模型结果分析
5.4.1 LSTM地铁通用模型结果分析
5.4.2 LSTM地铁独立模型结果分析
5.4.3 LSTM地铁模型空间性能分析
5.5 本章小结
第6章 基于时空图卷积网络的流量预测模型
6.1 时空图卷积神经网络模型框架
6.1.1 图卷积神经网络的建立
6.1.2 门控递归单元网络的建立
6.1.3 时空图卷积网络的建立
6.2 时空图卷积神经网络的改进
6.3 地铁客流时空数据的构建
6.4 OD-STGCN实验设置
6.4.1 模型参数设置
6.4.2 对比模型
6.5 OD-STGCN地铁客流预测模型结果分析
6.6 本章小结
第7章 总结与展望
7.1 全文总结
7.2 研究展望
参考文献
攻读学位期间取得的研究成果(含发表的学术论文)
致谢
【参考文献】：
期刊论文
[1]基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J]. 殷礼胜,唐圣期,李胜,何怡刚. 电子与信息学报. 2019(09)
[2]一种个体地铁出行预测的马尔可夫模型[J]. 于晨,王斌,翟希,张倩,汪洋. 中国科技论文. 2019(07)
[3]基于组合模型的城市轨道交通短时客流预测[J]. 杨静,朱经纬,刘博,冯诚,张红亮. 交通运输系统工程与信息. 2019(03)
[4]基于梯度提升的城市轨道交通客流量预测分析[J]. 丁聪,倪少权,吕红霞. 城市轨道交通研究. 2018(09)
[5]基于深度学习的交通流量预测研究[J]. 邓烜堃,万良,丁红卫,辛壮. 计算机工程与应用. 2019(02)
[6]基于时空数据分类的用户社交联系学习[J]. 陈元娟,严建峰,刘晓升,杨璐. 计算机应用研究. 2017(05)
[7]城市轨道交通客流特征分析在可研阶段的应用[J]. 邓吉,赵亮,郑晓薇. 都市快轨交通. 2016(01)
[8]大数据及其在城市智能交通系统中的应用综述[J]. 陆化普,孙智源,屈闻聪. 交通运输系统工程与信息. 2015(05)
[9]马尔科夫链在气象预测中的应用[J]. 吕卫东. 数学教学研究. 2009(10)
博士论文
[1]基于图论的机器学习算法设计及在神经网络中的应用研究[D]. 屠恩美.上海交通大学 2014
[2]滚动轴承振动信号非平稳、非高斯分析及故障诊断研究[D]. 张锐戈.西安电子科技大学 2014
硕士论文
[1]基于马尔可夫决策过程的多模式城市交通网络优化路径决策研究[D]. 李浩楠.北京交通大学 2019
[2]基于回归神经网络的动态流量预测模型及应用[D]. 韩宪斌.北京邮电大学 2019
[3]基于深度学习的交通流量预测[D]. 魏中锐.北京交通大学 2019
[4]基于深度学习的短时公交客流预测研究[D]. 李梅.北京交通大学 2019
[5]基于LSTM深度神经网络的短期交通流预测[D]. 薛亚鑫.北京交通大学 2019
[6]基于时空图卷积网络的高速公路流量预测方法研究[D]. 冯宁.北京交通大学 2019
[7]基于图卷积神经网络的旅行时间预测方法研究[D]. 虎玉鑫.北京交通大学 2018
[8]基于电子招投标大数据分析的采购绩效评价研究[D]. 刘婷.天津工业大学 2018
[9]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[10]评价对象识别模型与方法研究[D]. 王俊淇.哈尔滨工业大学 2016
本文编号：3165542
【文章来源】：上海师范大学上海市
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.3 研究内容
1.4 论文组织结构
1.5 本章小结
第2章 相关理论基础
2.1 时空数据相关概念与理论
2.1.1 时空数据定义
2.1.2 时空数据挖掘与分析
2.2 马尔可夫模型
2.3 长短时记忆网络
2.4 图卷积网络
2.4.1 图卷积神经网络框架
2.4.2 图卷积神经网络原理
2.5 本章小结
第3章 原始数据处理与分析
3.1 数据集概况
3.2 数据预处理与用户属性判定
3.3 用户出行标签与统计分布
3.4 用户出行距离分析
3.5 本章小结
第4章 基于马尔可夫的出行预测模型
4.1 一阶马尔可夫模型的建立
4.2 一阶马尔可夫模型结果与分析
4.3 二阶马尔可夫模型的建立
4.4 二阶马尔可夫模型结果与分析
4.5 本章小结
第5章 基于长短时记忆网络的流量预测模型
5.1 长短时记忆网络模型框架
5.2 地铁客流数据的构建
5.3 LSTM网络实验设置
5.3.1 模型参数设置
5.3.2 测试指标
5.4 LSTM地铁客流预测模型结果分析
5.4.1 LSTM地铁通用模型结果分析
5.4.2 LSTM地铁独立模型结果分析
5.4.3 LSTM地铁模型空间性能分析
5.5 本章小结
第6章 基于时空图卷积网络的流量预测模型
6.1 时空图卷积神经网络模型框架
6.1.1 图卷积神经网络的建立
6.1.2 门控递归单元网络的建立
6.1.3 时空图卷积网络的建立
6.2 时空图卷积神经网络的改进
6.3 地铁客流时空数据的构建
6.4 OD-STGCN实验设置
6.4.1 模型参数设置
6.4.2 对比模型
6.5 OD-STGCN地铁客流预测模型结果分析
6.6 本章小结
第7章 总结与展望
7.1 全文总结
7.2 研究展望
参考文献
攻读学位期间取得的研究成果(含发表的学术论文)
致谢
【参考文献】：
期刊论文
[1]基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测[J]. 殷礼胜,唐圣期,李胜,何怡刚. 电子与信息学报. 2019(09)
[2]一种个体地铁出行预测的马尔可夫模型[J]. 于晨,王斌,翟希,张倩,汪洋. 中国科技论文. 2019(07)
[3]基于组合模型的城市轨道交通短时客流预测[J]. 杨静,朱经纬,刘博,冯诚,张红亮. 交通运输系统工程与信息. 2019(03)
[4]基于梯度提升的城市轨道交通客流量预测分析[J]. 丁聪,倪少权,吕红霞. 城市轨道交通研究. 2018(09)
[5]基于深度学习的交通流量预测研究[J]. 邓烜堃,万良,丁红卫,辛壮. 计算机工程与应用. 2019(02)
[6]基于时空数据分类的用户社交联系学习[J]. 陈元娟,严建峰,刘晓升,杨璐. 计算机应用研究. 2017(05)
[7]城市轨道交通客流特征分析在可研阶段的应用[J]. 邓吉,赵亮,郑晓薇. 都市快轨交通. 2016(01)
[8]大数据及其在城市智能交通系统中的应用综述[J]. 陆化普,孙智源,屈闻聪. 交通运输系统工程与信息. 2015(05)
[9]马尔科夫链在气象预测中的应用[J]. 吕卫东. 数学教学研究. 2009(10)
博士论文
[1]基于图论的机器学习算法设计及在神经网络中的应用研究[D]. 屠恩美.上海交通大学 2014
[2]滚动轴承振动信号非平稳、非高斯分析及故障诊断研究[D]. 张锐戈.西安电子科技大学 2014
硕士论文
[1]基于马尔可夫决策过程的多模式城市交通网络优化路径决策研究[D]. 李浩楠.北京交通大学 2019
[2]基于回归神经网络的动态流量预测模型及应用[D]. 韩宪斌.北京邮电大学 2019
[3]基于深度学习的交通流量预测[D]. 魏中锐.北京交通大学 2019
[4]基于深度学习的短时公交客流预测研究[D]. 李梅.北京交通大学 2019
[5]基于LSTM深度神经网络的短期交通流预测[D]. 薛亚鑫.北京交通大学 2019
[6]基于时空图卷积网络的高速公路流量预测方法研究[D]. 冯宁.北京交通大学 2019
[7]基于图卷积神经网络的旅行时间预测方法研究[D]. 虎玉鑫.北京交通大学 2018
[8]基于电子招投标大数据分析的采购绩效评价研究[D]. 刘婷.天津工业大学 2018
[9]激活函数导向的RNN算法优化[D]. 张尧.浙江大学 2017
[10]评价对象识别模型与方法研究[D]. 王俊淇.哈尔滨工业大学 2016
本文编号：3165542
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3165542.html
