基于用户选路行为偏好学习系统的研究与实现
发布时间：2021-07-30 22:56
在日常交通环境中,用户的出行、选路等行为偏好将直接影响交通环境的状态变化,进而影响智能交通系统的管控决策;同时,交通环境的变化也会对用户选路决策产生影响。因此,对用户选路行为偏好的学习,对提高交通调度和出行规划的准确度和有效性具有重要作用。目前,交通数据中包含大量的出行轨迹信息,通过对这些数据进行挖掘分析,可以挖掘用户出行的偏好,为车联网服务、智慧交通管控等提供依据。针对车辆轨迹数据存在的时空分布不均导致的目标用户行为模式识别困难问题,论文提出了一种基于生成对抗网络的选路偏好对抗生成方法,基于交通态势数据和用户历史行为数据,通过深度学习网络提取特征图,以挖掘目标用户的行为特征,并将宏观态势特征和微观用户行为特征融合,结合基于最大信息熵的生成对抗学习算法提升模型的鲁棒性。最终通过基于选路聚合的态势预测方法,将用户选路偏好的因素融入交通态势的预测中,提升态势预测的性能。在论文提出的基于生成对抗的用户选路行为偏好学习方法基础上,结合选路偏好学习系统的功能需求,论文进行了详尽的需求分析,然后依据需求分析对系统的总体框架进行了构建,对各个模块的静态功能和动态交互进行了详细设计,并给出了关键实现流...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图２－２卷积神经网络示意图Ｕ３］??卷积神经网络相对于ＢＰ神经网络［２４］，对处理高维数据具有更多优势
?ｐｏｏｌ．ｎｇ?ｃｏｎｎｏｃｔｊｏｎｓ?ｆｕｉｊ?ｃｏｎｎｅｃｔｉｏｎｓ??ｃｏｎｎｅｃｔｉｏｎｓ??图２－２卷积神经网络示意图Ｕ３］??卷积神经网络相对于ＢＰ神经网络［２４］，对处理高维数据具有更多优势。卷积??层具有局部连接、权值共享等优点。??局部连接每个神经元和输入神经元的局部区域进行连接，这块连接的区域??即是感受野（ｒｅｃｅｐｔｉｖｅｆｉｅｌｄ）?［２５］。局部连接首次在生物学里面的视觉系统结构被??提出，视觉皮层的神经元就是局部连接的。对于二维图像本身来说，也是局部区??域的特征的相关性较强，表征的是局部空间中的特征，神经元在空间维度是局部??连接。这种局部连接保证了学习后的过滤器能够对输入特征会产生较强的局部响??应。权重共享是指计算同一个深度的神经元，即同一层卷积层时采用的卷积核的??参数是共享的。即在同一层卷积层上，特征图的所有区域的卷积核是相同的，由??于卷积核参数是共享的，这样可以很大程度上减少参数。在卷积层，通常采用多??组卷积核提取不同特征
０?＾ｒ０??Ｉｎｐｕｔ??图２－３长短期记忆网络示意图［２７］??长短期记忆网络被广泛用于处理时间序列数据的模型中，如ＮＬＰ金融、自??动问答、量化分析等领域。在用户选路行为偏好学习系统中，用户历史ＧＰＳ行??驶记录的特征会存在某种规律性、周期性，ＲＮＮ模型在运行的过程中会出现相??对稳定规律性的输出。系统在不同的预测阶段一般会出现不同的运行“状态”输??出，而这些“状态”之间一般具有较强的时序关系。使用ＬＳＴＭ网络可以将用户??行为在某段时间片内周期性变化规律映射到某种高维特征。进一步地，根据用户??历史行驶行为的特征，来针对不同用户的不同特征推荐个性化路线，并学习到用??户历史行为和选路学习结果的映射关系，以达到最终本系统的预期。??２．２．４对抗生成网络??ＧＡＮ［３（）］启发自博弈论中的二人博弈。生成模型Ｇ（ｘ）捕捉样本数据分布
【参考文献】：
期刊论文
[1]采用机器学习技术预测交通拥堵态势[J]. 彭博文. 通讯世界. 2019(01)
[2]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
[3]卷积神经网络研究综述[J]. 张亚倩. 信息通信. 2018(11)
[4]BP神经网络原理研究与实现[J]. 韩普,周汉辰,周北望. 广播电视信息. 2018(10)
[5]一种改进的图像骨架提取算法[J]. 叶福玲. 西昌学院学报(自然科学版). 2018(03)
[6]基于深度学习的路网短时交通流预测[J]. 柴葳崴. 山东工业技术. 2018(03)
[7]基于不同偏好的出行者路径选择行为研究[J]. 刘新民,鲁晓燕,孙秋霞. 重庆交通大学学报(自然科学版). 2017(10)
[8]基于群智感知技术的车联网路径优化问题研究[J]. 万辛,高圣翔. 计算机与数字工程. 2017(09)
[9]一种车联网环境下的城市车辆协同选路方法[J]. 吴黎兵,范静,聂雷,崔建群,邹逸飞. 计算机学报. 2017(07)
[10]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
博士论文
[1]车联网环境下城市车辆安全高效寻径方法研究[D]. 范静.武汉大学 2017
[2]车载自组网路由协议及路径决策模型研究[D]. 朱东杰.哈尔滨工业大学 2015
硕士论文
[1]车联网环境下路网交通态势预测方法研究[D]. 王超.北京交通大学 2018
[2]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
[3]基于Softmax回归的小微企业信用评分模型应用研究[D]. 杨森.苏州大学 2017
[4]基于卷积神经网络的视觉识别研究[D]. 薛昆南.华南农业大学 2016
本文编号：3312279
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
图２－２卷积神经网络示意图Ｕ３］??卷积神经网络相对于ＢＰ神经网络［２４］，对处理高维数据具有更多优势
?ｐｏｏｌ．ｎｇ?ｃｏｎｎｏｃｔｊｏｎｓ?ｆｕｉｊ?ｃｏｎｎｅｃｔｉｏｎｓ??ｃｏｎｎｅｃｔｉｏｎｓ??图２－２卷积神经网络示意图Ｕ３］??卷积神经网络相对于ＢＰ神经网络［２４］，对处理高维数据具有更多优势。卷积??层具有局部连接、权值共享等优点。??局部连接每个神经元和输入神经元的局部区域进行连接，这块连接的区域??即是感受野（ｒｅｃｅｐｔｉｖｅｆｉｅｌｄ）?［２５］。局部连接首次在生物学里面的视觉系统结构被??提出，视觉皮层的神经元就是局部连接的。对于二维图像本身来说，也是局部区??域的特征的相关性较强，表征的是局部空间中的特征，神经元在空间维度是局部??连接。这种局部连接保证了学习后的过滤器能够对输入特征会产生较强的局部响??应。权重共享是指计算同一个深度的神经元，即同一层卷积层时采用的卷积核的??参数是共享的。即在同一层卷积层上，特征图的所有区域的卷积核是相同的，由??于卷积核参数是共享的，这样可以很大程度上减少参数。在卷积层，通常采用多??组卷积核提取不同特征
０?＾ｒ０??Ｉｎｐｕｔ??图２－３长短期记忆网络示意图［２７］??长短期记忆网络被广泛用于处理时间序列数据的模型中，如ＮＬＰ金融、自??动问答、量化分析等领域。在用户选路行为偏好学习系统中，用户历史ＧＰＳ行??驶记录的特征会存在某种规律性、周期性，ＲＮＮ模型在运行的过程中会出现相??对稳定规律性的输出。系统在不同的预测阶段一般会出现不同的运行“状态”输??出，而这些“状态”之间一般具有较强的时序关系。使用ＬＳＴＭ网络可以将用户??行为在某段时间片内周期性变化规律映射到某种高维特征。进一步地，根据用户??历史行驶行为的特征，来针对不同用户的不同特征推荐个性化路线，并学习到用??户历史行为和选路学习结果的映射关系，以达到最终本系统的预期。??２．２．４对抗生成网络??ＧＡＮ［３（）］启发自博弈论中的二人博弈。生成模型Ｇ（ｘ）捕捉样本数据分布
【参考文献】：
期刊论文
[1]采用机器学习技术预测交通拥堵态势[J]. 彭博文. 通讯世界. 2019(01)
[2]改进的非极大值抑制算法的目标检测[J]. 赵文清,严海,邵绪强. 中国图象图形学报. 2018(11)
[3]卷积神经网络研究综述[J]. 张亚倩. 信息通信. 2018(11)
[4]BP神经网络原理研究与实现[J]. 韩普,周汉辰,周北望. 广播电视信息. 2018(10)
[5]一种改进的图像骨架提取算法[J]. 叶福玲. 西昌学院学报(自然科学版). 2018(03)
[6]基于深度学习的路网短时交通流预测[J]. 柴葳崴. 山东工业技术. 2018(03)
[7]基于不同偏好的出行者路径选择行为研究[J]. 刘新民,鲁晓燕,孙秋霞. 重庆交通大学学报(自然科学版). 2017(10)
[8]基于群智感知技术的车联网路径优化问题研究[J]. 万辛,高圣翔. 计算机与数字工程. 2017(09)
[9]一种车联网环境下的城市车辆协同选路方法[J]. 吴黎兵,范静,聂雷,崔建群,邹逸飞. 计算机学报. 2017(07)
[10]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
博士论文
[1]车联网环境下城市车辆安全高效寻径方法研究[D]. 范静.武汉大学 2017
[2]车载自组网路由协议及路径决策模型研究[D]. 朱东杰.哈尔滨工业大学 2015
硕士论文
[1]车联网环境下路网交通态势预测方法研究[D]. 王超.北京交通大学 2018
[2]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
[3]基于Softmax回归的小微企业信用评分模型应用研究[D]. 杨森.苏州大学 2017
[4]基于卷积神经网络的视觉识别研究[D]. 薛昆南.华南农业大学 2016
本文编号：3312279
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3312279.html
