基于机器学习的智能交通系统时空数据分析与预测技术研究

发布时间：2024-04-21 00:19

　　城市智能交通系统是建设新型智慧城市的核心。对城市智能交通系统中的具有时空特性的交通数据进行智能分析,获取丰富而有价值的知识,对实现智能交通调度、城市规划等具有重要意义。本论文基于机器学习和深度学习方法,面向城市智能交通系统中的乘客流、车流等时空数据,围绕时空预测、时空模式发现等技术,深入挖掘时空数据中的时间、空间和其它隐藏特征,实现综合性能的提升。本文的研究涵盖了城市道路系统、轻轨系统和公交系统等主要交通场景,充分考虑各场景的特点和相互间联系,所取得的研究成果具有广泛的应用前景。尤其是本文针对动态图网络的时空预测问题提出的深度学习解决思路,对类似问题的深度学习研究具有重大的参考意义。因此,本论文的研究具有良好的应用前景和学术价值。本文研究工作的贡献主要包括:(1)本文提出了一种新的混合机器学习(DTMGP)模型,通过综合考虑时间,OD空间,频率和自相似性等因素,准确地预测短期轻轨系统乘客流量。在该模型中,我们首先应用离散小波变换(DWT)将乘客流量序列分解为一个近似分量和多个细节分量。然后,我们改进了2018年提出来的TRACKING模型并用来进行近似分量的短期预测。我们新提出了一种新...

【文章页数】：102 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景
    1.2 研究内容及难点
    1.3 研究成果及创新点
    1.4 本文组织结构
第2章 相关技术综述
    2.1 智慧交通时空数据概述
    2.2 基于机器学习的时空短期预测模型
        2.2.1 支持向量回归
        2.2.2 K近邻算法
        2.2.3 深度神经网络
        2.2.4 预测模型评价指标
    2.3 人群移动模式发现
        2.3.1 数据源
        2.3.2 研究指标和常见移动模型
    2.4 小结
第3章 基于高斯过程模型的轻轨乘客流量预测
    3.1 引言
    3.2 相关工作及问题
    3.3 预备知识
        3.3.1 状态空间重构
        3.3.2 高斯过程回归(GPR)
        3.3.3 Tracking模型
        3.3.4 多步预测策略
    3.4 乘客流量数据实证研究
        3.4.1 相关维数计算
        3.4.2 最大Lyapunov指数计算
    3.5 DTMGP流量预测模型
        3.5.1 研究问题和解决框架
        3.5.2 数据预处理和分解
        3.5.3 新改进的TRACKING模型和近似分量预测
        3.5.4 MTGPR模型及细节分量的预测
    3.6 实验评估与分析
        3.6.1 评价指标和对比模型
        3.6.2 实验结果
    3.7 小结
第4章 基于动态时空图卷积网络的交通流量预测模型
    4.1 引言
    4.2 相关工作简介
    4.3 预备知识
        4.3.1 图卷积神经网络
        4.3.2 图信号处理
        4.3.3 张量操作
    4.4 问题和模型
    4.5 动态时空图卷积神经网络
        4.5.1 动态拉普拉斯矩阵估计器
        4.5.2 时空卷积块
        4.5.3 输入和输出
    4.6 实验
        4.6.1 实验设置
        4.6.2 性能比较
    4.7 总结和展望
第5章 大数据驱动的城市人群移动模式研究
    5.1 引言
    5.2 相关工作及问题
    5.3 预备知识
        5.3.1 极大似然估计(MLE)
        5.3.2 贝叶斯信息量(BIC)
        5.3.3 Infomap社区划分算法
    5.4 人群移动模式的详细分析
        5.4.1 人群移动数据
        5.4.2 行程距离
        5.4.3 行程时长
        5.4.4 行程间隙
        5.4.5 时空模式
        5.4.6 社区迁移
    5.5 小结
结论
参考文献
附录A 攻读学位期间完成的论文
附录B 攻读学位期间参与的课题
致谢



本文编号：3960136