基于私家车轨迹的停等聚集效应分析研究

发布时间：2022-09-30 11:45

　　随着国民经济高速地发展以及城市交通设施不断地完善,机动车数量急剧增加,导致交通状况日趋紧张。自2014年至2018年来,个人注册并使用的私家车数量庞大且保持着10%以上的年均增长率。伴随着移动感知技术的广泛普及,车载终端能够大规模地采集交通活动派生出来的时空轨迹数据。然而,获取到的时空轨迹数据中的移动轨迹部分大都局限在道路路网中,总体呈现出数据规模庞大、价值密度低等特性,导致数据处理更为复杂,使得时空轨迹数据分析任务日趋繁重,相比之下,车辆经历停等时产生的轨迹数据具有少而精的特点。因此,挖掘私家车停等轨迹数据特征能够高效地分析城市交通状况。由于轨迹数据在空间区域内往往容易产生聚集效应,形成热区。而现有的交通流预测技术只能局部获悉交通流增加或减少的趋势变化。为此,本文根据私家车停等轨迹数据量少、价值高等特性,采用私家车停等聚集效应的分析技术,全局感知城市区域内的交通状况变化的过程,准确地预测未来停等聚集效应的演变趋势,并推断热区的形成机理。主要的工作包括:针对停等轨迹数据采集难的问题,本研究使用一种基于GPS和车载诊断（OBD）的数据融合新技术,该技术通过融合GPS定位信息和OBD中的车... 

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 轨迹数据现状
        1.2.2 轨迹数据应用现状
    1.3 本文研究内容
    1.4 论文结构
第2章 相关研究
    2.1 轨迹停等点提取技术
        2.1.1 集成地理背景信息的方法
        2.1.2 基于轨迹导出特征的方法
        2.1.3 密度聚类方法
        2.1.4 逐级合并方法
    2.2 聚集效应分析技术
        2.2.1 样方统计方法
        2.2.2 核密度估计方法
        2.2.3 Voronoi图密度分析法
    2.3 参数优化技术
        2.3.1 贝叶斯优化方法
        2.3.2 粒子群优化算法
        2.3.3 Adam优化算法
    2.4 本章小结
第3章 基于3D KDE的私家车停等聚集效应分析
    3.1 引言
    3.2 数据来源及预处理
        3.2.1 数据来源
        3.2.2 数据预处理
    3.3 3D KDE算法的理论基础
        3.3.1 KDE算法的原理
        3.3.2 3D KDE算法原理
    3.4 基于3D KDE算法的实验应用
        3.4.1 实验模型构建
        3.4.2 实验结果及分析
    3.5 本章小结
第4章 基于3D CNN的私家车停等聚集效应分析
    4.1 引言
    4.2 3D CNN算法的理论基础
        4.2.1 CNN算法的原理
        4.2.2 3D CNN算法原理
    4.3 基于3D CNN算法的实验应用
        4.3.1 实验模型构建
        4.3.2 实验结果及分析
    4.4 本章小结
结论
参考文献
附录A 攻读学位期间所发表的学术论文目录
附录B 攻读学位期间参与的主要项目
致谢


【参考文献】：
期刊论文
[1]Location Prediction on Trajectory Data: A Review[J]. Ruizhi Wu,Guangchun Luo,Junming Shao,Ling Tian,Chengzong Peng.  Big Data Mining and Analytics. 2018(02)
[2]高德地图:科技如何让出行更有温度[J]. 甄文媛.  汽车纵横. 2018(03)
[3]轨迹大数据:数据处理关键技术研究综述[J]. 高强,张凤荔,王瑞锦,周帆.  软件学报. 2017(04)
[4]大数据语境下UBI发展现状及趋势研究[J]. 乔木.  现代商业. 2015(01)
[5]基于Voronoi图的高密度城区停车场空间布局分析——以广州市海珠区为例[J]. 张杏娟,文雅,吴志峰,程炯.  地球信息科学学报. 2013(03)

博士论文
[1]基于GPS轨迹的出行信息提取研究[D]. 张治华.华东师范大学 2010

硕士论文
[1]车辆信息采集系统设计[D]. 钟一鸣.杭州电子科技大学 2014
[2]城市出行者轨迹数据时空挖掘方法研究[D]. 仇培元.北京建筑工程学院 2012



本文编号：3683492