基于机器学习的城市交通大数据的研究与应用
发布时间：2021-05-13 17:57
随着交通越来越发达,带给人们便利的同时,也带来了交通拥堵、城市安全等问题。对于我国交通信息化进程的加快,为从海量交通数据分析人们出行特征和构建预测模型来解决交通问题提供了可能。本论文利用机器学习技术研究挖掘交通数据中存在的规律,为人们的出行、市府规划、旅游局管理提供参考数据。数据主要来源是公交IC卡数据和手机信令数据,这两种数据有着很强的应用价值。利用机器学习算法,进行有针对性设计,对交通数据进行研究分析。（1）论文首先是对基于IC卡数据的幂率分布的研究与分析;先是分析IC数据的特征和分布,提出了非限定性分站算法,得出了站与站的时间间隔,然后用两个不同地区的数据进行验证,得出了非限定性分站算法的可用性。接着对得到的公交车站与站的时间间隔进行分析,发现其具有重尾现象,是符合人类行为动力学的。并且通过机器学习线性回归算法对时间间隔数据建立模型,得出站与站的时间间隔是服从幂律分布,本文对IC卡数据的分析为公交车的调度打下了理论基础。（2）接着论文对手机信令的数据进行研究分析,提出了基于置信度的自适应密度聚类算法研究手机信令时空分布特征;并以沿海地区的外省游客作为主要的研究对象,通过基于置信度...
【文章来源】：青岛科技大学山东省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究背景
1.2 国内外研究现状
1.3 研究的目的与意义
1.4 论文研究内容
1.5 论文研究结构
2 基于IC卡数据的幂率分布的研究与分析
2.1 机器学习
2.2 人类行为动力学理论
2.2.1 人类动力学的研究起源
2.2.2 人类行为动力学研究的规律
2.3 .线性回归
2.3.1 线性回归定义
2.3.2 线性回归模型
2.3.3 最佳拟合函数
2.3.4 梯度下降优化
2.3.5 线性回归模型的评价
2.4 IC卡数据分析及实验结果
2.4.1 IC卡数据预处理与特征分析
2.4.2 I公交车的非限定性分站算法
2.4.3 非限定性分站算法的仿真结果
2.4.4 线性回归仿真结果
2.4.5 线性回归模型的评价结果
2.5 本章小结
3 基于聚类算法的手机信令时空分布特征研究
3.1 聚类分析
3.1.1 聚类简介
3.1.2 聚类分析的需求
3.1.3 基本聚类方法
3.2 常用聚类算法
3.2.1 k-means聚类算法
3.2.2 层次聚类算法
3.2.3 DBSCAN聚类算法
3.3 基于置信度的自适应密度聚类算法
3.3.1 置信度与时间维度
3.3.2 密度聚类算法的参数自适应性
3.3.3 基于置信度的自适应密度聚类算法的过程
3.4 数据仿真实验
3.4.1 数据的预处理
3.4.2 数据的分布
3.4.3 对比实验结果
3.4.4 参照实验结果
3.5 总结
4 基于手机信令数据的人流量预测
4.1 人流量预测相关理论
4.1.1 人流量预测概念
4.2 预测模型介绍
4.2.1 ARIMA模型
4.2.2 RNN循环神经网络
4.2.3 LSTM(长短期记忆神经网络)
4.3 模型预测评价指标
4.4 预测实验结果
4.4.1 数据预处理
4.4.2 人流量分布
4.4.3 预测实验结果
4.5 本章总结
结论与展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]基于ARIMA模型的短时交通流预测研究[J]. 刘学刚,张腾飞,韩印. 物流科技. 2019(12)
[2]人工神经网络在数据挖掘中的应用研究[J]. 梁春华. 无线互联科技. 2019(22)
[3]K-Means聚类算法研究综述[J]. 杨俊闯,赵超. 计算机工程与应用. 2019(23)
[4]基于公交IC卡和GPS数据的公交OD量推算研究[J]. 邓红星,赵志恒,王玮琦. 重庆理工大学学报(自然科学). 2019(06)
[5]基于最小二乘法的线性回归方程推导与应用分析[J]. 陈雨彤. 中国新通信. 2018(24)
[6]KNN算法综述[J]. 窦小凡. 通讯世界. 2018(10)
[7]决策树典型算法研究综述[J]. 邵旻晖. 电脑知识与技术. 2018(08)
[8]一种大规模流式数据聚类方法在交通热点分析中的应用[J]. 牟向伟,陈燕,曹妍. 科学技术与工程. 2017(15)
[9]基于空间密度聚类的移动用户热点区域识别方法[J]. 杜翠凤,余艺,蒋超. 移动通信. 2015(16)
[10]人类行为动力学研究综述[J]. 樊超,郭进利,韩筱璞,汪秉宏. 复杂系统与复杂性科学. 2011(02)
博士论文
[1]无线通信中的马尔科夫决策过程研究[D]. 肖华.电子科技大学 2013
硕士论文
[1]基于数据挖掘技术的交通流量分析与预测[D]. 曲嘉彬.北京邮电大学 2019
[2]基于深度学习的交通流量预测与可视化方法研究[D]. 史亚星.北方工业大学 2018
[3]基于手机信令数据的区域交通流量预测技术研究[D]. 钱巧娅.西南交通大学 2018
[4]基于轨迹聚类的交通热点分析[D]. 程智源.电子科技大学 2018
[5]基于频繁模式的短时交通流实时预测研究[D]. 许晓.南京邮电大学 2017
[6]面向网络课程学习的兴趣驱动的人类行为动力学研究[D]. 曾燕.江西师范大学 2016
[7]基于机器学习的电信网络用户行为分析研究[D]. 张阔.北京邮电大学 2014
[8]实时公交信息下共线线路上的乘车方案选择行为预测[D]. 李婷.大连海事大学 2013
[9]基于IC卡信息的公交客流出行特征分析系统研究[D]. 梁枫明.华南理工大学 2011
[10]基于密度的聚类算法研究[D]. 李伟雄.湖南大学 2010
本文编号：3184464
【文章来源】：青岛科技大学山东省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 课题研究背景
1.2 国内外研究现状
1.3 研究的目的与意义
1.4 论文研究内容
1.5 论文研究结构
2 基于IC卡数据的幂率分布的研究与分析
2.1 机器学习
2.2 人类行为动力学理论
2.2.1 人类动力学的研究起源
2.2.2 人类行为动力学研究的规律
2.3 .线性回归
2.3.1 线性回归定义
2.3.2 线性回归模型
2.3.3 最佳拟合函数
2.3.4 梯度下降优化
2.3.5 线性回归模型的评价
2.4 IC卡数据分析及实验结果
2.4.1 IC卡数据预处理与特征分析
2.4.2 I公交车的非限定性分站算法
2.4.3 非限定性分站算法的仿真结果
2.4.4 线性回归仿真结果
2.4.5 线性回归模型的评价结果
2.5 本章小结
3 基于聚类算法的手机信令时空分布特征研究
3.1 聚类分析
3.1.1 聚类简介
3.1.2 聚类分析的需求
3.1.3 基本聚类方法
3.2 常用聚类算法
3.2.1 k-means聚类算法
3.2.2 层次聚类算法
3.2.3 DBSCAN聚类算法
3.3 基于置信度的自适应密度聚类算法
3.3.1 置信度与时间维度
3.3.2 密度聚类算法的参数自适应性
3.3.3 基于置信度的自适应密度聚类算法的过程
3.4 数据仿真实验
3.4.1 数据的预处理
3.4.2 数据的分布
3.4.3 对比实验结果
3.4.4 参照实验结果
3.5 总结
4 基于手机信令数据的人流量预测
4.1 人流量预测相关理论
4.1.1 人流量预测概念
4.2 预测模型介绍
4.2.1 ARIMA模型
4.2.2 RNN循环神经网络
4.2.3 LSTM(长短期记忆神经网络)
4.3 模型预测评价指标
4.4 预测实验结果
4.4.1 数据预处理
4.4.2 人流量分布
4.4.3 预测实验结果
4.5 本章总结
结论与展望
参考文献
致谢
攻读学位期间发表的学术论文目录
【参考文献】：
期刊论文
[1]基于ARIMA模型的短时交通流预测研究[J]. 刘学刚,张腾飞,韩印. 物流科技. 2019(12)
[2]人工神经网络在数据挖掘中的应用研究[J]. 梁春华. 无线互联科技. 2019(22)
[3]K-Means聚类算法研究综述[J]. 杨俊闯,赵超. 计算机工程与应用. 2019(23)
[4]基于公交IC卡和GPS数据的公交OD量推算研究[J]. 邓红星,赵志恒,王玮琦. 重庆理工大学学报(自然科学). 2019(06)
[5]基于最小二乘法的线性回归方程推导与应用分析[J]. 陈雨彤. 中国新通信. 2018(24)
[6]KNN算法综述[J]. 窦小凡. 通讯世界. 2018(10)
[7]决策树典型算法研究综述[J]. 邵旻晖. 电脑知识与技术. 2018(08)
[8]一种大规模流式数据聚类方法在交通热点分析中的应用[J]. 牟向伟,陈燕,曹妍. 科学技术与工程. 2017(15)
[9]基于空间密度聚类的移动用户热点区域识别方法[J]. 杜翠凤,余艺,蒋超. 移动通信. 2015(16)
[10]人类行为动力学研究综述[J]. 樊超,郭进利,韩筱璞,汪秉宏. 复杂系统与复杂性科学. 2011(02)
博士论文
[1]无线通信中的马尔科夫决策过程研究[D]. 肖华.电子科技大学 2013
硕士论文
[1]基于数据挖掘技术的交通流量分析与预测[D]. 曲嘉彬.北京邮电大学 2019
[2]基于深度学习的交通流量预测与可视化方法研究[D]. 史亚星.北方工业大学 2018
[3]基于手机信令数据的区域交通流量预测技术研究[D]. 钱巧娅.西南交通大学 2018
[4]基于轨迹聚类的交通热点分析[D]. 程智源.电子科技大学 2018
[5]基于频繁模式的短时交通流实时预测研究[D]. 许晓.南京邮电大学 2017
[6]面向网络课程学习的兴趣驱动的人类行为动力学研究[D]. 曾燕.江西师范大学 2016
[7]基于机器学习的电信网络用户行为分析研究[D]. 张阔.北京邮电大学 2014
[8]实时公交信息下共线线路上的乘车方案选择行为预测[D]. 李婷.大连海事大学 2013
[9]基于IC卡信息的公交客流出行特征分析系统研究[D]. 梁枫明.华南理工大学 2011
[10]基于密度的聚类算法研究[D]. 李伟雄.湖南大学 2010
本文编号：3184464
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3184464.html
