基于浮动车GPS数据的城市热点区域划分与路径引导研究
发布时间：2022-04-26 19:09
随着智能交通系统（ITS）的不断发展,人们出行更加便捷高效,并通过浮动车获取的海量动态实时GPS数据运用数据挖掘技术研究居民出行时空特征,分析其出行的移动模式、时空分布等。居民出行时空分析对于缓解城市交通拥堵、进行更加合理的城市规划、制定有效的交通管制措施都有重要的研究价值。本文以浮动车GPS数据为研究对象,在进行数据挖掘处理的基础上,设计了城市的热点区域划分算法,在此基础上对出租车寻客路径引导算法进行了研究和验证。全文研究内容如下:1、本文首先对获取的浮动车GPS数据进行数据预处理,包括去除噪声数据、冗余数据、弥补历史缺失数据,提取乘客的上下车点数据,并采用基于ST-Matching算法进行地图匹配,提高了地图匹配精度,减少了计算复杂度,为后文研究提供了数据基础。2、提出一种基于核密度估计的K-Means聚类算法对城市热点区域进行划分。首先基于高斯核函数对空间数据进行计算得到其密度分布,设置密度阂值进行密度估计,将城市划分为高密度区与低密度区,进而提取高密度区的极大密度点作为K-Means聚类的初始质心,并根据低密度区密度极值点与高密度区极值点距离进行判断是否单独聚为一类,进行迭代计...
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 热点区域划分
1.2.2 路径引导算法
1.2.3 问题提出
1.3 研究内容
第二章 浮动车数据预处理
2.1 数据源简介
2.2 GPS数据预处理
2.2.1 浮动车数据清洗
2.2.2 浮动车数据修补
2.2.3 上下车点提取与格式转换
2.3 地图匹配
2.4 本章小结
第三章 城市热点区域划分研究
3.1 基于核密度估计的K-Means聚类算法
3.1.1 K-Means聚类
3.1.2 核密度估计算法研究
3.1.3 基于核密度估计的K-Means聚类算法
3.2 聚类算法评价指标
3.3 实例验证
3.3.1 平台搭建
3.3.2 数据预处理
3.3.3 城市热点区域划分评价
3.4 本章小结
第四章 基于城市热点区域划分的路径引导研究
4.1 热点路径聚类研究
4.1.1 LCS相似性度量
4.1.2 基于LCS(最长公共子序列)相似度的DBSCAN聚类
4.1.3 热点路径提取
4.2 空载出租车路径引导研究
4.2.1 行程时间估计模型
4.2.2 出租车寻客路径引导模型研究
4.3 实例验证
4.4 本章小结
第五章 结论与展望
5.1 主要结论
5.2 研究展望
参考文献
附录A
在学期间的研究成果
致谢
【参考文献】：
期刊论文
[1]城市出行热点区域的出租车调度点配置[J]. 刘家良,孙立双. 中国科技论文. 2018(09)
[2]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁. 计算机应用与软件. 2018(01)
[3]众源地理空间数据的城市热点区域探测[J]. 滕巧爽,孙尚宇,秘金钟. 测绘科学. 2018(05)
[4]尺度驱动的空间聚类理论[J]. 李志林,刘启亮,唐建波. 测绘学报. 2017(10)
[5]城市交通热点区域的空间交互网络分析[J]. 秦昆,周勍,徐源泉,徐雯婷,罗萍. 地理科学进展. 2017(09)
[6]停留点空间聚类在景区热点分析中的应用[J]. 张文元,谈国新,朱相舟. 计算机工程与应用. 2018(04)
[7]基于轨迹结构的移动对象热点区域发现[J]. 吕绍仟,孟凡荣,袁冠. 计算机应用. 2017(01)
[8]Spark平台上基于K-Means算法的热点路径发现方法研究[J]. 崔艳超,周刚. 信息工程大学学报. 2016(06)
[9]局部子空间聚类[J]. 刘展杰,陈晓云. 自动化学报. 2016(08)
[10]基于密度的轨迹时空聚类分析[J]. 吴笛,杜云艳,易嘉伟,魏海涛,莫洋. 地球信息科学学报. 2015(10)
博士论文
[1]海量低频浮动车数据道路匹配及行程时间估算[D]. 李宇光.武汉大学 2013
[2]智能交通系统中的时空数据分析关键技术研究[D]. 夏英.西南交通大学 2012
硕士论文
[1]支持回算的大数据实时计算关键技术研究[D]. 许四平.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]基于城市生活圈的房地产估价模型研究[D]. 宋雁南.内蒙古大学 2018
[3]基于信号周期的间断流行程时间短时预测[D]. 侯正英.北方工业大学 2017
[4]基于DBSCAN的自适应非均匀密度聚类算法研究[D]. 王实美.北京交通大学 2017
[5]城市道路汽车防碰撞系统障碍物识别算法及应用研究[D]. 王洪峰.吉林大学 2016
[6]基于出租车轨迹的居民出行热点路径和区域挖掘[D]. 冯琦森.重庆大学 2016
[7]基于数据分析的城市移动模式挖掘[D]. 李高峰.东南大学 2015
[8]基于出租车轨迹点的居民出行热点区域与时空特征研究[D]. 马云飞.南京师范大学 2014
[9]WebGIS在煤矿安全监控系统中的研究与应用[D]. 邓宁.东北大学 2013
[10]基于出租车GPS数据的居民出行行为分析[D]. 童晓君.中南大学 2012
本文编号：3648568
【文章页数】：60 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 热点区域划分
1.2.2 路径引导算法
1.2.3 问题提出
1.3 研究内容
第二章 浮动车数据预处理
2.1 数据源简介
2.2 GPS数据预处理
2.2.1 浮动车数据清洗
2.2.2 浮动车数据修补
2.2.3 上下车点提取与格式转换
2.3 地图匹配
2.4 本章小结
第三章 城市热点区域划分研究
3.1 基于核密度估计的K-Means聚类算法
3.1.1 K-Means聚类
3.1.2 核密度估计算法研究
3.1.3 基于核密度估计的K-Means聚类算法
3.2 聚类算法评价指标
3.3 实例验证
3.3.1 平台搭建
3.3.2 数据预处理
3.3.3 城市热点区域划分评价
3.4 本章小结
第四章 基于城市热点区域划分的路径引导研究
4.1 热点路径聚类研究
4.1.1 LCS相似性度量
4.1.2 基于LCS(最长公共子序列)相似度的DBSCAN聚类
4.1.3 热点路径提取
4.2 空载出租车路径引导研究
4.2.1 行程时间估计模型
4.2.2 出租车寻客路径引导模型研究
4.3 实例验证
4.4 本章小结
第五章 结论与展望
5.1 主要结论
5.2 研究展望
参考文献
附录A
在学期间的研究成果
致谢
【参考文献】：
期刊论文
[1]城市出行热点区域的出租车调度点配置[J]. 刘家良,孙立双. 中国科技论文. 2018(09)
[2]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁. 计算机应用与软件. 2018(01)
[3]众源地理空间数据的城市热点区域探测[J]. 滕巧爽,孙尚宇,秘金钟. 测绘科学. 2018(05)
[4]尺度驱动的空间聚类理论[J]. 李志林,刘启亮,唐建波. 测绘学报. 2017(10)
[5]城市交通热点区域的空间交互网络分析[J]. 秦昆,周勍,徐源泉,徐雯婷,罗萍. 地理科学进展. 2017(09)
[6]停留点空间聚类在景区热点分析中的应用[J]. 张文元,谈国新,朱相舟. 计算机工程与应用. 2018(04)
[7]基于轨迹结构的移动对象热点区域发现[J]. 吕绍仟,孟凡荣,袁冠. 计算机应用. 2017(01)
[8]Spark平台上基于K-Means算法的热点路径发现方法研究[J]. 崔艳超,周刚. 信息工程大学学报. 2016(06)
[9]局部子空间聚类[J]. 刘展杰,陈晓云. 自动化学报. 2016(08)
[10]基于密度的轨迹时空聚类分析[J]. 吴笛,杜云艳,易嘉伟,魏海涛,莫洋. 地球信息科学学报. 2015(10)
博士论文
[1]海量低频浮动车数据道路匹配及行程时间估算[D]. 李宇光.武汉大学 2013
[2]智能交通系统中的时空数据分析关键技术研究[D]. 夏英.西南交通大学 2012
硕士论文
[1]支持回算的大数据实时计算关键技术研究[D]. 许四平.中国科学院大学(中国科学院深圳先进技术研究院) 2018
[2]基于城市生活圈的房地产估价模型研究[D]. 宋雁南.内蒙古大学 2018
[3]基于信号周期的间断流行程时间短时预测[D]. 侯正英.北方工业大学 2017
[4]基于DBSCAN的自适应非均匀密度聚类算法研究[D]. 王实美.北京交通大学 2017
[5]城市道路汽车防碰撞系统障碍物识别算法及应用研究[D]. 王洪峰.吉林大学 2016
[6]基于出租车轨迹的居民出行热点路径和区域挖掘[D]. 冯琦森.重庆大学 2016
[7]基于数据分析的城市移动模式挖掘[D]. 李高峰.东南大学 2015
[8]基于出租车轨迹点的居民出行热点区域与时空特征研究[D]. 马云飞.南京师范大学 2014
[9]WebGIS在煤矿安全监控系统中的研究与应用[D]. 邓宁.东北大学 2013
[10]基于出租车GPS数据的居民出行行为分析[D]. 童晓君.中南大学 2012
本文编号：3648568
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3648568.html
