Slugging共乘出行下的位置预测与群体发现方法研究

发布时间：2020-07-09 12:24

【摘要】：随着我国经济的迅猛发展,机动车保有量飞速增长,城市交通拥堵、环境污染、能源消耗等问题日益严峻。共乘出行方式以其能够缓解交通堵塞、提高道路承载力的优势越来越得到大家的关注。因此,如何从众多出行者的出行信息中挖掘出潜在的共乘群体,是目前研究共乘出行的热点问题。本文针对共乘群体发现进行深入研究,提出了在Slugging共乘出行下运用位置预测技术发现潜在共乘群体的方法。首先,采用基于条件约束的停留点提取算法识别出行停留信息,并用停留点聚类算法对存在异常的停留点进行处理,提取出行停留点轨迹,进而构建出行者的位置轨迹模型,还原出行者在现实世界的活动,同时引入POI数据集,挖掘地理位置隐含的语义信息,将基于地理空间的位置轨迹映射到语义空间,构建出行者的语义轨迹模型。然后,提出了P-PPM(PrefixSpan-Prediction by Partial Matching)位置预测算法,基于位置轨迹建立PPM预测模型,并运用序列模式挖掘技术挖掘语义轨迹的频繁语义模式,基于频繁语义模式定义语义移动规则,进而根据其置信度修正位置预测的结果。最后,设计了基于位置预测的共乘群体发现算法,提出了基于位置预测的Slugging共乘群体发现方法,通过分析出行者的轨迹信息,预测不同出行者的目的地,进而发现有相似出行活动的群体,推荐形成共乘群体。采用Geolife数据集和覆盖北京60%区域的POI数据集,对位置预测相关参数α、minsup进行分析,选取预测效果最优的参数值,同时对比P-PPM位置预测算法与传统位置预测算法各项评价指标的优异,以及不同的位置预测算法应用到基于位置预测的共乘群体发现中,对潜在共乘群体发现效果的影响。实验结果表明,P-PPM位置预测算法在预测精度、预测覆盖度方面优于传统的马尔科夫位置预测算法和PPM位置预测算法;基于P-PPM位置预测模型的共乘群体发现可以更好地发现潜在共乘群体。
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U491
【图文】：

出行行为,日志记录,轨迹,偏移噪声

行者的出行轨迹信息，还有大量的偏移噪声信息。在出行特征识别模型建立的阶段，首先需要明确识别和挖掘的目标，其次确定识别和挖掘算法，利用测试数据进行学习并生成模型，最后对模型进行评价，进一步改进。2.2.2 停留点提取本文重点研究出行行为中的停留位置特征，出行者出行途中的停留位置体现了出行者的兴趣点，通过识别停留信息，挖掘不同停留位置之间的联系，进而发现出行者潜在的出行行为偏好。常见的反映出行行为的数据是出行者的 GPS 轨迹数据，GPS 数据通过GPS采集设备记录，以GPS日志的形式存储起来，日志记录是由一系列 GPS点组成，表示为：P={p1,p2,…,pn}[52]。每个 pi记录了出行者所在的纬度 lat、经度 lon、采集时间 t等信息，可采用三元组描述为 pi=(lat,lon,t)，这些点按时间顺序连接起来构成了一条 GPS轨迹，如图 2.9 所示，左边表示的是 GPS 日志记录。

轨迹图,轨迹,框标,硕士学位论文

长安大学硕士学位论文纬度，lon表示经度，R 表示地球半径。存在偏移、信号消失等问题，因而会大大制约停留位置，或者被重复识别为同一个停留点的现象[53]黑框标定的为出现偏移的轨迹点，右边黑框标定了虑到真实交通环境下相同移动路径会被错误地构异常状态的停留点进行修正。然而在所有的停留点常停留点，因此，为了消除异常停留点，减小异常实停留点与异常停留点合并，用其中心坐标作为最

示意图,聚类,指针,示意图

停留点聚类示意图

【参考文献】