基于深度学习的公交乘客出行时空行为预测方法研究
发布时间：2023-04-24 23:11
公共交通乘客作为现代城市居民出行的重要群体,提前掌握公交乘客出行情况,不仅可以使决策者在交通运输规划时根据乘客出行需求的变化及时做出动态调整,而且能够为车辆广告定向投放、传染病防治、城市规划等方案提供决策依据。本文的研究对象为城市公交刷卡乘客出行时空行为,研究目的为根据公交乘客历史出行规律结合公交出行特征,应用深度学习预测公交乘客未来出行时空行为,提出一套完整的公交乘客出行时空行为预测方法。本文将公交乘客出行时空行为通过公交出行链来表达,详细介绍了公交乘客未来出行链的预测思路,将公交出行链预测研究拆分成六个子问题依次为:乘客是否会出行、出行次数、上车站点、上车时间、下车站点和下车时间,根据深度学习模型原理,将各个子问题的分析过程进行参数化,按照子问题筛选对应的输入特征集合,采用人工神经网络(Artificial Neural Network,ANN)构建公交乘客未来出行时空行为预测模型。本文使用Python编程语言以及Pytorch深度学习开源框架作为开发环境,应用中国渭南市连续2周的智能公交(Advanced Public Transportation Systems,APTS)数据...
【文章页数】：103 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景
1.1.1 公交优先战略发展需要
1.1.2 公交出行预测存在不足
1.1.3 深度学习具有发展前景
1.2 研究目的及意义
1.3 研究方法
1.4 研究内容
1.5 研究技术路线
1.6 本章小结
2 文献综述与研究框架
2.1 国内外研究现状
2.1.1 公交智能卡数据处理与分析
2.1.2 公交乘客出行行为特征研究
2.1.3 人类出行轨迹数据预测研究
2.1.4 深度学习在交通领域的应用
2.1.5 国内外公交研究现状总结
2.2 深度学习理论概述
2.2.1 深度学习发展历程
2.2.2 深度学习基础理论
2.3 开发环境搭建
2.3.1 模型框架选择
2.3.2 开发环境配置
2.3.3 硬件扩展支持
2.4 出行预测研究框架
2.5 本章小结
3 研究数据集成与预处理
3.1 基础数据介绍
3.1.1 公交IC卡数据
3.1.2 线路车辆编号表
3.1.3 车载GPS数据
3.1.4 线路站点数据
3.2 辅助数据介绍
3.2.1 用地性质数据
3.2.2 历史天气数据
3.3 数据预处理
3.3.1 字段处理
3.3.2 数据关联
3.4 数据集成
3.4.1 上车站点判断
3.4.2 换乘站点判断
3.4.3 下车站点判断
3.4.4 上下行方向判断
3.5 数据规范化
3.5.1 异常值处理
3.5.2 文本标签化
3.5.3 数据归一化
3.5.4 结构正则化
3.6 本章小结
4 预测模型特征值选取
4.1 乘客出行行为特征
4.1.1 乘客出行行为介绍
4.1.2 出行行为影响因素
4.2 预测模型特征值选取
4.2.1 特征值选取方法
4.2.2 特征值确定过程
4.2.3 特征值结果汇总
4.3 本章小结
5 预测模型实验与构建
5.1 预测模型内部原理
5.2 出行预测模型构建
5.2.1 调整模型网络层结构
5.2.2 调整输入输出节点数
5.2.3 调整模型训练回合数
5.2.4 调整样本批输入数量
5.2.5 调整模型学习率
5.2.6 调整模型优化函数
5.2.7 调整模型损失函数
5.3 出行预测模型框架确定
5.4 本章小结
6 预测结果统计与分析
6.1 精度统计方法
6.2 预测精度统计
6.2.1 单日出行预测模型精度统计
6.2.2 多日出行模型预测精度统计
6.3 预测精度分析
6.3.1 不同子问题预测精度对比
6.3.2 不同子问题预测精度稳定性分析
6.3.3 不同特征变量对预测精度影响分析
6.4 预测模型应用
6.5 本章小结
7 结论与展望
7.1 主要研究内容及结论
7.2 论文创新点
7.3 研究展望
参考文献
致谢
附录
附录1 :作者已发表或录用的学术论文
附录2 :攻读硕士学位期间参与的科研项目
本文编号：3800208
【文章页数】：103 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 绪论
1.1 研究背景
1.1.1 公交优先战略发展需要
1.1.2 公交出行预测存在不足
1.1.3 深度学习具有发展前景
1.2 研究目的及意义
1.3 研究方法
1.4 研究内容
1.5 研究技术路线
1.6 本章小结
2 文献综述与研究框架
2.1 国内外研究现状
2.1.1 公交智能卡数据处理与分析
2.1.2 公交乘客出行行为特征研究
2.1.3 人类出行轨迹数据预测研究
2.1.4 深度学习在交通领域的应用
2.1.5 国内外公交研究现状总结
2.2 深度学习理论概述
2.2.1 深度学习发展历程
2.2.2 深度学习基础理论
2.3 开发环境搭建
2.3.1 模型框架选择
2.3.2 开发环境配置
2.3.3 硬件扩展支持
2.4 出行预测研究框架
2.5 本章小结
3 研究数据集成与预处理
3.1 基础数据介绍
3.1.1 公交IC卡数据
3.1.2 线路车辆编号表
3.1.3 车载GPS数据
3.1.4 线路站点数据
3.2 辅助数据介绍
3.2.1 用地性质数据
3.2.2 历史天气数据
3.3 数据预处理
3.3.1 字段处理
3.3.2 数据关联
3.4 数据集成
3.4.1 上车站点判断
3.4.2 换乘站点判断
3.4.3 下车站点判断
3.4.4 上下行方向判断
3.5 数据规范化
3.5.1 异常值处理
3.5.2 文本标签化
3.5.3 数据归一化
3.5.4 结构正则化
3.6 本章小结
4 预测模型特征值选取
4.1 乘客出行行为特征
4.1.1 乘客出行行为介绍
4.1.2 出行行为影响因素
4.2 预测模型特征值选取
4.2.1 特征值选取方法
4.2.2 特征值确定过程
4.2.3 特征值结果汇总
4.3 本章小结
5 预测模型实验与构建
5.1 预测模型内部原理
5.2 出行预测模型构建
5.2.1 调整模型网络层结构
5.2.2 调整输入输出节点数
5.2.3 调整模型训练回合数
5.2.4 调整样本批输入数量
5.2.5 调整模型学习率
5.2.6 调整模型优化函数
5.2.7 调整模型损失函数
5.3 出行预测模型框架确定
5.4 本章小结
6 预测结果统计与分析
6.1 精度统计方法
6.2 预测精度统计
6.2.1 单日出行预测模型精度统计
6.2.2 多日出行模型预测精度统计
6.3 预测精度分析
6.3.1 不同子问题预测精度对比
6.3.2 不同子问题预测精度稳定性分析
6.3.3 不同特征变量对预测精度影响分析
6.4 预测模型应用
6.5 本章小结
7 结论与展望
7.1 主要研究内容及结论
7.2 论文创新点
7.3 研究展望
参考文献
致谢
附录
附录1 :作者已发表或录用的学术论文
附录2 :攻读硕士学位期间参与的科研项目
本文编号：3800208
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3800208.html
