数据驱动的城市路网行程时间估计与预测方法研究
发布时间：2021-05-12 14:37
随着城镇化进程的推进,我国城市道路交通系统的运行状况日益恶化,不仅损害了交通参与者的出行效率,而且造成了日益严重的环境污染,极大了损害了人们在城市中的生活品质。为了解决这些问题,城市路网中全面、准确的道路交通信息至关重要。作为一种极为重要的交通基础信息,行程时间最能直接反应道路交通的运行状态,受到了人们的广泛关注。准确、可靠的城市路网行程时间是智能交通系统（Intelligent Transportation System,ITS）的重要基础,在城市交通规划、交通运输管理的各个方面都发挥着极为重要的作用,对提高交通系统运行效率、缓解城市交通拥堵具有重要的指导意义。然而,由于城市交通系统的复杂性,城市路网中的行程时间受到内在与外在因素的综合影响,具有显著的内在不确定性,城市路网行程时间的准确估计与预测是一项极具挑战性的任务。随着信息技术与智能交通系统的发展,交通数据的采集方式日益丰富,交通已经从一个数据匮乏的时期进入到大数据时代。日益剧增的海量数据蕴含了大量的信息与知识,为城市路网中复杂交通问题的解决提供了更多可能的途径。如何从海量的数据中挖掘知识,以此对城市路网的行程时间进行准确地估计...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：210 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.1.1 选题背景与依托课题
1.1.2 研究目的与意义
1.2 研究内容与技术路线
1.2.1 研究内容
1.2.2 研究方法与技术路线
1.3 主要创新点
1.4 论文组织结构
1.5 本章小结
第二章 数据驱动行程时间估计与预测研究综述
2.1 城市路网行程时间估计与预测概述
2.1.1 城市路网特性
2.1.2 行程时间估计与预测的异同
2.2 数据驱动方法概述
2.2.1 数据驱动方法的概念
2.2.2 数据驱动方法的基本原理与特点
2.2.3 数据驱动方法综述
2.3 行程时间估计研究综述
2.3.1 基于点传感器数据的行程时间估计模型
2.3.2 基于区间传感器数据的行程时间估计模型
2.3.3 基于数据融合的行程时间估计模型
2.4 行程时间预测研究综述
2.4.1 朴素方法
2.4.2 基于交通流理论的行程时间预测
2.4.3 基于数据驱动的行程时间预测
2.4.4 基于混合模型的行程时间预测
2.5 国内外研究现状总结
2.6 本章小结
第三章 车载GPS数据与基础处理方法研究
3.1 简介
3.2 交通数据采集
3.2.1 交通数据采集方法
3.2.2 车辆GPS轨迹数据
3.3 车辆GPS数据预处理
3.3.1 车辆GPS数据特点
3.3.2 车辆GPS数据预处理方法
3.4 基于GPS数据的行程时间提取方法
3.4.1 地图匹配
3.4.2 路径推导
3.4.3 行程时间分配
3.5 本章小结
第四章 基于稀疏GPS大数据的城市路网行程时间估计方法研究
4.1 简介
4.2 相关理论基础
4.2.1 张量基础与表示方法
4.2.2 张量的相关定义与运算
4.2.3 张量分解与重构
4.2.4 张量补全
4.3 模型基本框架与相关定义
4.3.1 相关定义
4.3.2 模型基本框架
4.4 基于稀疏GPS大数据的城市路网行程时间估计方法
4.4.1 地图映射
4.4.2 基于张量的行程时间建模
4.4.3 概率交通状态聚类
4.4.4 行程时间估计
4.5 实验结果及分析
4.5.1 实验数据
4.5.2 行程时间建模结果与分析
4.5.3 概率交通状态聚类结果与分析
4.5.4 行程时间估计结果与分析
4.6 本章小结
第五章 基于贝叶斯概率张量分解的城市路网行程时间估计方法
5.1 简介
5.2 研究问题描述与模型基本框架
5.2.1 研究问题描述
5.2.2 模型基本框架
5.3 基于贝叶斯概率张量分解的城市路网行程时间估计方法
5.3.1 地图映射
5.3.2 行程时间张量构建
5.3.3 行程时间张量合并
5.3.4 基于张量分解的缺失数据估计
5.3.5 基于对数正态分布的贝叶斯概率张量分解
5.4 实验结果及分析
5.4.1 实验数据
5.4.2 实验设置
5.4.3 评估指标
5.4.4 行程时间估计模型性能
5.4.5 模型性能对比
5.4.6 模型敏感性分析
5.5 本章小结
第六章 基于深度学习的城市路网行程时间预测方法研究
6.1 简介
6.2 深度学习理论基础
6.2.1 深度学习简介
6.2.2 深度学习训练方法
6.2.3 典型的深度学习模型
6.3 基于深度学习的城市路网行程时间预测方法
6.3.1 特征数据提取
6.3.2 基于机器学习的行程时间预测建模
6.3.3 稀疏降噪自动编码器
6.3.4 行程时间预测深度学习模型
6.3.5 深度网络训练算法
6.4 实验结果及分析
6.4.1 实验数据
6.4.2 实验设置
6.4.3 评估指标
6.4.4 模型结果
6.4.5 模型性能分析
6.5 本章小结
第七章 总结与展望
7.1 工作总结
7.2 研究展望
致谢
参考文献
作者简介、在读期间发表论文及参与科研情况
【参考文献】：
期刊论文
[1]基于LightGBM算法的公交行程时间预测[J]. 王芳杰,王福建,王雨晨,边驰. 交通运输系统工程与信息. 2019(02)
[2]考虑行程时间不确定性的服务设施时空可达性度量[J]. 付晓,李梦瑶,陆欣,蔡先华. 交通运输系统工程与信息. 2019(02)
[3]基于四阶矩的路网总行程时间可靠性评价[J]. 李小静,刘林忠,牟海波. 交通运输系统工程与信息. 2019(01)
[4]基于聚类分析的高速公路行程时间预测[J]. 李松江,宋军芬,杨华民,张凤荣. 计算机仿真. 2019(02)
[5]基于极限学习机的公交行程时间预测方法[J]. 宋现敏,刘明鑫,马林,夏英集. 交通运输系统工程与信息. 2018(05)
[6]行程时间不确定环境下地点可达性研究[J]. 王亚飞,袁辉,陈碧宇,李清泉,万梦,王家耀,郭建忠. 武汉大学学报(信息科学版). 2019(11)
[7]网络行程时间可靠性评价方法与影响因素[J]. 陈喜群,刘教坤,胡浩强,崔尔佳,张帅超. 交通运输工程学报. 2018(04)
[8]基于浮动车数据的城市道路行程时间估计[J]. 罗霞,曹阳,刘博,李演洪. 交通运输工程与信息学报. 2018(02)
[9]基于梯度提升回归树的城市道路行程时间预测[J]. 龚越,罗小芹,王殿海,杨少辉. 浙江大学学报(工学版). 2018(03)
博士论文
[1]基于行程时间分析的城市交通网络流量分配研究[D]. 李勍.北京交通大学 2018
[2]基于大数据的城市居民出行分析建模[D]. 蔡正义.浙江大学 2018
[3]基于张量分解和语义网的医学信息检索和推荐系统[D]. 王浩林.中国科学院大学(中国科学院重庆绿色智能技术研究院) 2018
[4]基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D]. 刘炀.北京交通大学 2018
[5]城市道路网络中行程时间分布的估计及预测方法研究[D]. 时朝阳.武汉大学 2017
[6]基于海量出租车轨迹数据的旅行时间预测[D]. 许涛.华东师范大学 2017
[7]基于数据驱动的多时间尺度锂离子电池状态评估技术研究[D]. 郑方丹.北京交通大学 2017
[8]基于自动车牌识别数据的城市道路行程时间估计[D]. 付凤杰.浙江大学 2017
[9]大数据驱动下的高速公路交通运行状态评价与分析[D]. 陈娇娜.长安大学 2016
[10]基于张量分析的多因素音频信号建模与应用研究[D]. 杨立东.北京理工大学 2016
硕士论文
[1]基于车辆轨迹的个性化路径导航与行程时间预测[D]. 易先锋.华南理工大学 2018
[2]基于耦合低频浮动车轨迹的行程时间估计方法[D]. 黎瀚涛.哈尔滨工业大学 2018
[3]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
[4]基于出租车时空轨迹深度学习的城市道路行程时间预测方法[D]. 喻钢.西南交通大学 2018
[5]基于收费数据的高速公路行程时间预测及行程时间可靠性研究[D]. 邵孙健.吉林大学 2018
[6]数据驱动的高速公路交通流量及行程时间短时预测方法研究[D]. 周楠楠.华南理工大学 2018
[7]基于信息融合的城市道路行程时间预测研究[D]. 张高峰.西南交通大学 2016
[8]基于城市路网的行程时间估计及预测方法研究[D]. 吴俏.浙江大学 2015
[9]基于数据驱动的路段旅行时间估计与预测研究[D]. 黄龙超.北京交通大学 2015
[10]基于车载GPS数据的交通流路段平均行程时间估计与预测方法研究[D]. 伊峰.吉林大学 2012
本文编号：3183590
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：210 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景和意义
1.1.1 选题背景与依托课题
1.1.2 研究目的与意义
1.2 研究内容与技术路线
1.2.1 研究内容
1.2.2 研究方法与技术路线
1.3 主要创新点
1.4 论文组织结构
1.5 本章小结
第二章 数据驱动行程时间估计与预测研究综述
2.1 城市路网行程时间估计与预测概述
2.1.1 城市路网特性
2.1.2 行程时间估计与预测的异同
2.2 数据驱动方法概述
2.2.1 数据驱动方法的概念
2.2.2 数据驱动方法的基本原理与特点
2.2.3 数据驱动方法综述
2.3 行程时间估计研究综述
2.3.1 基于点传感器数据的行程时间估计模型
2.3.2 基于区间传感器数据的行程时间估计模型
2.3.3 基于数据融合的行程时间估计模型
2.4 行程时间预测研究综述
2.4.1 朴素方法
2.4.2 基于交通流理论的行程时间预测
2.4.3 基于数据驱动的行程时间预测
2.4.4 基于混合模型的行程时间预测
2.5 国内外研究现状总结
2.6 本章小结
第三章 车载GPS数据与基础处理方法研究
3.1 简介
3.2 交通数据采集
3.2.1 交通数据采集方法
3.2.2 车辆GPS轨迹数据
3.3 车辆GPS数据预处理
3.3.1 车辆GPS数据特点
3.3.2 车辆GPS数据预处理方法
3.4 基于GPS数据的行程时间提取方法
3.4.1 地图匹配
3.4.2 路径推导
3.4.3 行程时间分配
3.5 本章小结
第四章 基于稀疏GPS大数据的城市路网行程时间估计方法研究
4.1 简介
4.2 相关理论基础
4.2.1 张量基础与表示方法
4.2.2 张量的相关定义与运算
4.2.3 张量分解与重构
4.2.4 张量补全
4.3 模型基本框架与相关定义
4.3.1 相关定义
4.3.2 模型基本框架
4.4 基于稀疏GPS大数据的城市路网行程时间估计方法
4.4.1 地图映射
4.4.2 基于张量的行程时间建模
4.4.3 概率交通状态聚类
4.4.4 行程时间估计
4.5 实验结果及分析
4.5.1 实验数据
4.5.2 行程时间建模结果与分析
4.5.3 概率交通状态聚类结果与分析
4.5.4 行程时间估计结果与分析
4.6 本章小结
第五章 基于贝叶斯概率张量分解的城市路网行程时间估计方法
5.1 简介
5.2 研究问题描述与模型基本框架
5.2.1 研究问题描述
5.2.2 模型基本框架
5.3 基于贝叶斯概率张量分解的城市路网行程时间估计方法
5.3.1 地图映射
5.3.2 行程时间张量构建
5.3.3 行程时间张量合并
5.3.4 基于张量分解的缺失数据估计
5.3.5 基于对数正态分布的贝叶斯概率张量分解
5.4 实验结果及分析
5.4.1 实验数据
5.4.2 实验设置
5.4.3 评估指标
5.4.4 行程时间估计模型性能
5.4.5 模型性能对比
5.4.6 模型敏感性分析
5.5 本章小结
第六章 基于深度学习的城市路网行程时间预测方法研究
6.1 简介
6.2 深度学习理论基础
6.2.1 深度学习简介
6.2.2 深度学习训练方法
6.2.3 典型的深度学习模型
6.3 基于深度学习的城市路网行程时间预测方法
6.3.1 特征数据提取
6.3.2 基于机器学习的行程时间预测建模
6.3.3 稀疏降噪自动编码器
6.3.4 行程时间预测深度学习模型
6.3.5 深度网络训练算法
6.4 实验结果及分析
6.4.1 实验数据
6.4.2 实验设置
6.4.3 评估指标
6.4.4 模型结果
6.4.5 模型性能分析
6.5 本章小结
第七章 总结与展望
7.1 工作总结
7.2 研究展望
致谢
参考文献
作者简介、在读期间发表论文及参与科研情况
【参考文献】：
期刊论文
[1]基于LightGBM算法的公交行程时间预测[J]. 王芳杰,王福建,王雨晨,边驰. 交通运输系统工程与信息. 2019(02)
[2]考虑行程时间不确定性的服务设施时空可达性度量[J]. 付晓,李梦瑶,陆欣,蔡先华. 交通运输系统工程与信息. 2019(02)
[3]基于四阶矩的路网总行程时间可靠性评价[J]. 李小静,刘林忠,牟海波. 交通运输系统工程与信息. 2019(01)
[4]基于聚类分析的高速公路行程时间预测[J]. 李松江,宋军芬,杨华民,张凤荣. 计算机仿真. 2019(02)
[5]基于极限学习机的公交行程时间预测方法[J]. 宋现敏,刘明鑫,马林,夏英集. 交通运输系统工程与信息. 2018(05)
[6]行程时间不确定环境下地点可达性研究[J]. 王亚飞,袁辉,陈碧宇,李清泉,万梦,王家耀,郭建忠. 武汉大学学报(信息科学版). 2019(11)
[7]网络行程时间可靠性评价方法与影响因素[J]. 陈喜群,刘教坤,胡浩强,崔尔佳,张帅超. 交通运输工程学报. 2018(04)
[8]基于浮动车数据的城市道路行程时间估计[J]. 罗霞,曹阳,刘博,李演洪. 交通运输工程与信息学报. 2018(02)
[9]基于梯度提升回归树的城市道路行程时间预测[J]. 龚越,罗小芹,王殿海,杨少辉. 浙江大学学报(工学版). 2018(03)
博士论文
[1]基于行程时间分析的城市交通网络流量分配研究[D]. 李勍.北京交通大学 2018
[2]基于大数据的城市居民出行分析建模[D]. 蔡正义.浙江大学 2018
[3]基于张量分解和语义网的医学信息检索和推荐系统[D]. 王浩林.中国科学院大学(中国科学院重庆绿色智能技术研究院) 2018
[4]基于网格模型的城市交通运行状态识别和行程时间预测方法研究[D]. 刘炀.北京交通大学 2018
[5]城市道路网络中行程时间分布的估计及预测方法研究[D]. 时朝阳.武汉大学 2017
[6]基于海量出租车轨迹数据的旅行时间预测[D]. 许涛.华东师范大学 2017
[7]基于数据驱动的多时间尺度锂离子电池状态评估技术研究[D]. 郑方丹.北京交通大学 2017
[8]基于自动车牌识别数据的城市道路行程时间估计[D]. 付凤杰.浙江大学 2017
[9]大数据驱动下的高速公路交通运行状态评价与分析[D]. 陈娇娜.长安大学 2016
[10]基于张量分析的多因素音频信号建模与应用研究[D]. 杨立东.北京理工大学 2016
硕士论文
[1]基于车辆轨迹的个性化路径导航与行程时间预测[D]. 易先锋.华南理工大学 2018
[2]基于耦合低频浮动车轨迹的行程时间估计方法[D]. 黎瀚涛.哈尔滨工业大学 2018
[3]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
[4]基于出租车时空轨迹深度学习的城市道路行程时间预测方法[D]. 喻钢.西南交通大学 2018
[5]基于收费数据的高速公路行程时间预测及行程时间可靠性研究[D]. 邵孙健.吉林大学 2018
[6]数据驱动的高速公路交通流量及行程时间短时预测方法研究[D]. 周楠楠.华南理工大学 2018
[7]基于信息融合的城市道路行程时间预测研究[D]. 张高峰.西南交通大学 2016
[8]基于城市路网的行程时间估计及预测方法研究[D]. 吴俏.浙江大学 2015
[9]基于数据驱动的路段旅行时间估计与预测研究[D]. 黄龙超.北京交通大学 2015
[10]基于车载GPS数据的交通流路段平均行程时间估计与预测方法研究[D]. 伊峰.吉林大学 2012
本文编号：3183590
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3183590.html
