基于深度学习的城市道路行程时间预测方法研究
发布时间：2021-07-13 15:59
对行程时间进行准确预测,能为交通管理和出行决策提供指导。深度学习作为一种数据挖掘方法,在预测方面则有很好的适用性。本文旨在借助深度学习在数据挖掘方面的优势,利用成都市滴滴浮动车数据,对城市道路行程时间进行预测。首先,论文以成都市网约车轨迹数据为基础,选取成都市新华大道一段长约3km的主干道为研究对象绘制矢量路网,在数据清洗后根据划分网格构建不规则区域的思想快速筛选出研究道路范围内的数据,然后进行坐标系转换并基于时间间隔和距离间隔分布划分轨迹,进而通过确定候选路段集、初阶匹配、前向后向校核实现了快速地图匹配。在此基础上,提取了行程时间等关键信息为深度学习构建了样本集。然后,论文基于对现有预测行程时间的深度学习方法的理解,总结出目前的深度学习预测方法在输入方面考虑因素单一,结构方面解释性不强。为改进这些不足,论文分析了行程时间的时空特性,发现在时间方面行程时间变化趋势符合一定规律,同时段的行程时间相对接近,空间方面相邻道路的行程时间会相互作用,变化趋势接近。基于此,论文以子路段为深度学习结构单元,基于时间特性优化了模型输入,空间特性优化了模型结构,设计了包含交通特征学习层和行程时间预测层的...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
研究道路及抽象路网示意图
a）一般方法选取点分布 b）网格划分法选取点分布图 2-4 两种方法筛选数据实例结果图以上主要针对单条路径对网格划分法进行了介绍，当分析多条路径构成的路网时，对于边界路径同样可以采用上述原理筛选数据点，剔除无效数据。2. 坐标系转换不同坐标系下地理位置的表示并不相同，只有在同一套坐标系下进行匹配才能得到正确结果。坐标系可分为地理坐标系和投影坐标系。地理坐标系以参考椭球面为基准面，通过选择椭球、对椭球进行定位、确定大地起算数据建立，属于空间坐标，一般用经纬度来表示，常见的地理坐标系包括 WGS-84（世界大地坐标系）、54 北京坐标系等，本研究中采用的数据源 GCJ-02（火星坐标系）也属于地理坐标系。投影坐标系即是平面坐标系，参考面是水平面，坐标单位一般是米或千米。匹配过程中，当 GPS 数据和地图数据不属于同一地理坐标系时，二者同一个位置的经纬度定位将存在差异，因此需要进行地理坐标系之间的互转。另外，由于匹配过程中涉及到距离方面的计算，无法利用地理坐标系求得，因此还需要进行地理坐标系和投影坐标系之间的转化，本文采用了现有文献[61]的转换方法，首先将浮动车数据的 GCJ-02 坐标转换成路网坐标
c） RMSE 值分布1 不同网络结构在多次训练中各项评价指标结果分布有效性验证所提，现有深度学习预测行程时间的模型输入往往一单一指标，考虑因素比较单一，存在一定的片面性本研究在平均行程时间这一指标基础上还加入考虑可靠度三项指标。当然，加入的指标并不一定完全有提高模型预测精度，需要调整输入对结果进行对比入特征指标的情况下，选取其他三种指标进行不同
【参考文献】：
期刊论文
[1]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)
[2]基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例[J]. 童小龙,卢冬生,张腾,黄晶晶. 交通运输工程与信息学报. 2017(04)
[3]基于PSO-LSSVM的高速公路短时行程时间预测[J]. 刘伟铭,雷焕宇,翟聪,李松松. 公路与汽运. 2017(03)
[4]基于Kalman和ARIMA组合模型的路段行程时间预测[J]. 田甜,王秀玲,吕芳. 信息技术. 2016(03)
[5]基于空间型马尔科夫链的行程时间估计模型[J]. 张俊婷,周晶,徐红利,鞠鹏. 系统工程. 2015(12)
[6]低频GPS数据和交叉口延误下的行程时间估计[J]. 王志建,马超锋,李梁. 西南交通大学学报. 2015(02)
[7]基于GPS数据的公交站点区间行程时间可靠性影响因素[J]. 王殿海,汤月华,陈茜,高杨斌,金盛. 东南大学学报(自然科学版). 2015(02)
[8]基于K最近邻算法的高速公路短时行程时间预测[J]. 王翔,陈小鸿,杨祥妹. 中国公路学报. 2015(01)
[9]城市路网路段行程时间预测研究综述[J]. 毕松,车磊,赵忠诚,孙德辉. 计算机仿真. 2014(07)
[10]面向欠采样公交GPS数据的信号交叉口延误估计[J]. 王华,张志松,张瞫,刘昕. 交通运输系统工程与信息. 2014(02)
硕士论文
[1]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
[2]信号交叉口单车停车延误时间与停车位置的关系模型研究[D]. 乔真卿.重庆大学 2014
[3]基于浮动车数据的高速公路路段行程时间预测方法研究及系统实现[D]. 唐俊.中山大学 2011
[4]基于浮动车数据的路段旅行时间预测研究[D]. 朱爱华.北京交通大学 2008
[5]基于浮动车数据的城市路段行程时间预测研究[D]. 方志伟.北京交通大学 2007
[6]基于浮动车技术的道路车辆行驶速度研究[D]. 沙飞.北京交通大学 2008
本文编号：3282365
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
研究道路及抽象路网示意图
a）一般方法选取点分布 b）网格划分法选取点分布图 2-4 两种方法筛选数据实例结果图以上主要针对单条路径对网格划分法进行了介绍，当分析多条路径构成的路网时，对于边界路径同样可以采用上述原理筛选数据点，剔除无效数据。2. 坐标系转换不同坐标系下地理位置的表示并不相同，只有在同一套坐标系下进行匹配才能得到正确结果。坐标系可分为地理坐标系和投影坐标系。地理坐标系以参考椭球面为基准面，通过选择椭球、对椭球进行定位、确定大地起算数据建立，属于空间坐标，一般用经纬度来表示，常见的地理坐标系包括 WGS-84（世界大地坐标系）、54 北京坐标系等，本研究中采用的数据源 GCJ-02（火星坐标系）也属于地理坐标系。投影坐标系即是平面坐标系，参考面是水平面，坐标单位一般是米或千米。匹配过程中，当 GPS 数据和地图数据不属于同一地理坐标系时，二者同一个位置的经纬度定位将存在差异，因此需要进行地理坐标系之间的互转。另外，由于匹配过程中涉及到距离方面的计算，无法利用地理坐标系求得，因此还需要进行地理坐标系和投影坐标系之间的转化，本文采用了现有文献[61]的转换方法，首先将浮动车数据的 GCJ-02 坐标转换成路网坐标
c） RMSE 值分布1 不同网络结构在多次训练中各项评价指标结果分布有效性验证所提，现有深度学习预测行程时间的模型输入往往一单一指标，考虑因素比较单一，存在一定的片面性本研究在平均行程时间这一指标基础上还加入考虑可靠度三项指标。当然，加入的指标并不一定完全有提高模型预测精度，需要调整输入对结果进行对比入特征指标的情况下，选取其他三种指标进行不同
【参考文献】：
期刊论文
[1]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)
[2]基于时间序列法的公交车站间行程时间预测模型研究——以苏州1路公交为例[J]. 童小龙,卢冬生,张腾,黄晶晶. 交通运输工程与信息学报. 2017(04)
[3]基于PSO-LSSVM的高速公路短时行程时间预测[J]. 刘伟铭,雷焕宇,翟聪,李松松. 公路与汽运. 2017(03)
[4]基于Kalman和ARIMA组合模型的路段行程时间预测[J]. 田甜,王秀玲,吕芳. 信息技术. 2016(03)
[5]基于空间型马尔科夫链的行程时间估计模型[J]. 张俊婷,周晶,徐红利,鞠鹏. 系统工程. 2015(12)
[6]低频GPS数据和交叉口延误下的行程时间估计[J]. 王志建,马超锋,李梁. 西南交通大学学报. 2015(02)
[7]基于GPS数据的公交站点区间行程时间可靠性影响因素[J]. 王殿海,汤月华,陈茜,高杨斌,金盛. 东南大学学报(自然科学版). 2015(02)
[8]基于K最近邻算法的高速公路短时行程时间预测[J]. 王翔,陈小鸿,杨祥妹. 中国公路学报. 2015(01)
[9]城市路网路段行程时间预测研究综述[J]. 毕松,车磊,赵忠诚,孙德辉. 计算机仿真. 2014(07)
[10]面向欠采样公交GPS数据的信号交叉口延误估计[J]. 王华,张志松,张瞫,刘昕. 交通运输系统工程与信息. 2014(02)
硕士论文
[1]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
[2]信号交叉口单车停车延误时间与停车位置的关系模型研究[D]. 乔真卿.重庆大学 2014
[3]基于浮动车数据的高速公路路段行程时间预测方法研究及系统实现[D]. 唐俊.中山大学 2011
[4]基于浮动车数据的路段旅行时间预测研究[D]. 朱爱华.北京交通大学 2008
[5]基于浮动车数据的城市路段行程时间预测研究[D]. 方志伟.北京交通大学 2007
[6]基于浮动车技术的道路车辆行驶速度研究[D]. 沙飞.北京交通大学 2008
本文编号：3282365
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3282365.html
