基于深度学习的行程时间估计方法研究

发布时间：2021-07-10 21:50

　　随着汽车保有量的迅速增加,出行需求的持续增长,道路的供需矛盾日益尖锐,这不仅给交通管理者带来了巨大的压力,而且给出行者造成了极大的不便。实时、准确的路网行程时间数据能够为交通管理者配置交通资源以及出行者制定出行计划提供必要的信息支持。因此,路网行程时间估计对交通管理者和出行者来说具有重要的现实意义。近年来,随着智慧城市建设的迅速开展,GPS等定位设备广泛普及,各类移动应用层出不穷,为行程时间信息的获取提供了丰富的数据。与此同时,以深度学习为代表的数据处理技术也取得了长足的进步。在此背景下,以汽车的GPS轨迹数据为数据源,本文旨在利用深度学习技术对城市路网的行程时间估计展开深入研究。GPS轨迹数据在提供广阔区域的交通信息的同时,也对如何高效利用这一数据规模巨大且稀疏的数据源提出了极大的挑战。另外,由于城市路网交通状况的复杂性,在对行程时间进行建模的过程中不仅需要高性能的模型,而且要充分考虑路网层面的时空相关性。鉴于此,以GPS轨迹数据为数据源的行程时间估计应该解决以下问题:海量数据的处理;数据稀疏导致的数据缺失;高性能模型的构建;时空相关性分析;解决方案的实施。基于以上问题,本文以GPS... 

【文章来源】：湖南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：117 页

【学位级别】：博士

【部分图文】：

论文研究的内容框架

行程时间数据提取及缺失数据补全方法框架图

路网的组成要素为了便于相关章节内容的阐述，本文对交通路网的有关要素进行了定义

【参考文献】：
期刊论文
[1]人工智能研究的新前线:生成式对抗网络[J]. 林懿伦,戴星原,李力,王晓,王飞跃.  自动化学报. 2018(05)
[2]Missing Data Imputation for Traffic Flow Based on Improved Local Least Squares[J]. Gang Chang, Yi Zhang**, Danya Yao Tsinghua National Laboratory for Information Science and Technology, Department of Automation, Tsinghua University, Beijing 100084, China.  Tsinghua Science and Technology. 2012(03)
[3]3S技术与智能交通[J]. 李德仁,李清泉,杨必胜,余建伟.  武汉大学学报(信息科学版). 2008(04)
[4]ABC:基于体系结构、面向构件的软件开发方法[J]. 梅宏,陈锋,冯耀东,杨杰.  软件学报. 2003(04)
[5]面向构件的软件开发方法学研究[J]. 万麟瑞,胡宏,孙红星.  小型微型计算机系统. 2003(03)
[6]智能交通系统及其信息化模型[J]. 杨东凯,吴今培,张其善.  北京航空航天大学学报. 2000(03)

博士论文
[1]基于机器学习的交通状态判别与预测方法研究[D]. 商强.吉林大学 2017
[2]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
[3]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



本文编号：3276728