基于出租车时空轨迹深度学习的城市道路行程时间预测方法
发布时间：2021-01-05 08:19
道路导航是人们出行的重要工具,选择合适的导航路线决定于该路线的行程时间,以及在该时间内顺利到达目的地的可靠性。由于出租车运行轨迹覆盖范围广、运行时间长、数据量大的特点,利用出租车时空轨迹预测城市道路行程时间已经是国内外智慧城市智能交通系统的重要研究内容,但现有行程时间预测方法却缺乏足够的预测精度和可靠性。针对上述问题,本文采用深度神经网络对出租车轨迹进行学习预测行程时间,开展了以下工作:（1）研究了数据预处理和地图匹配方法,采用坐标转换和隐马尔科夫模型完成出租车GPS轨迹点与电子地图道路网的地图匹配过程;（2）研究了成都市出租车的运营和居民出行情况,对载客次数、载客时长、出行量、出行距离等指标进行了分析,通过出租车出行指标的时空聚类研究了成都市交通状态的时空变化规律;（3）提出了以双向长短时记忆（Long Short-Term Memory,LSTM）和残差网络为主要结构的时空轨迹模型（Spatio-Temproal Trajectory Model,STTM）,测试数据集上的多个精度评价指标证实了STTM的可靠性和泛化能力;（4）利用Geohash编码和DBSCAN（Density-...
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
各类激活函数图
个记忆块计算。2.3 深度神经网络训练方法目前为止，本文已经讨论了多层感知机和循环神经网络的结构和推导，然而为了确保神经网络训练的快速高效，尚有以下几个方法。2.3.1 早停法为了获得较好性能的神经网络模型，需要进行许许多多的参数设置，如训练过程中周期（epoch）的次数，如果 epoch 次数过少，模型易产生欠拟合，如果 epoch 次数过多，模型易产生过拟合。早停（Early Stopping）是解决 epoch 次数手动设置的最简单、最普适改进方法，能够避免继续训练模型导致准确率下降的问题，是一种遏制过拟合的正则化手段。该方法的原理是将部分训练集移除作为验证集使用，所有停止标准在验证集上测试而不是在训练集上测试如图 2-5 所示。
西南交通大学硕士研究生学位论文第 17 早停法首先将数据分为训练集和验证集，在每一个训练周期结束后，用验证集当前模型的性能，如果模型的性能优于之前的最好模型，则保存当前最优模型，模型性能开始下降，就可以终止当前训练过程，最后将验证性能最优模型最为最网络模型。2.3.2 ReLu 函数近年来，在深度神经网络训练中，常常使用修正线性单元（Rectified Linear UneLU）作为神经元的激活函数[69,70]，如图 2-6 所示。
【参考文献】：
期刊论文
[1]基于计数模型的Word Embedding算法[J]. 裴楠,王裴岩,张桂平. 沈阳航空航天大学学报. 2017(02)
[2]大规模轨迹数据的Geohash编码组织及高效范围查询[J]. 向隆刚,王德浩,龚健雅. 武汉大学学报(信息科学版). 2017(01)
[3]基于案例的城市道路行程时间预测[J]. 徐先瑞,彭仲仁. 交通运输系统工程与信息. 2016(04)
[4]深度学习在手写汉字识别中的应用综述[J]. 金连文,钟卓耀,杨钊,杨维信,谢泽澄,孙俊. 自动化学报. 2016(08)
[5]基于GeoHash算法的周边查询应用研究[J]. 赵雨琪,牟乃夏,祝帅兵,张昌景. 软件导刊. 2016(06)
[6]出租车GPS轨迹大数据在智能交通中的应用[J]. 张红,王晓明,过秀成,曹洁,朱昶胜,郭义戎. 兰州理工大学学报. 2016(01)
[7]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[8]基于word embedding和CNN的情感分类模型[J]. 蔡慧苹,王丽丹,段书凯. 计算机应用研究. 2016(10)
[9]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[10]基于深度学习的微博情感分析[J]. 梁军,柴玉梅,原慧斌,昝红英,刘铭. 中文信息学报. 2014(05)
博士论文
[1]面向空间数据复杂性特征的聚类分析方法研究[D]. 杨悦.哈尔滨工程大学 2008
硕士论文
[1]基于深度学习混合模型的文本分类研究[D]. 周超.兰州大学 2016
[2]基于出租车GPS轨迹数据的实时交通状态获取和现有实时路况系统评估[D]. 杨婷婷.华东师范大学 2016
[3]基于GPS数据的城市出租车运营分析与数据挖掘[D]. 栾丽娜.山东大学 2015
[4]城市道路交通行程时间预测算法研究及软件实现[D]. 张金金.北方工业大学 2014
[5]空间数据聚类分析算法研究及实现[D]. 刘生鑫.中国地质大学（北京） 2011
[6]基于支持向量回归机的路段平均速度短时预测方法研究[D]. 吕宏义.北京交通大学 2008
[7]基于径向基函数（RBF）神经网络的路段行程时间预测研究[D]. 朱耿先.重庆大学 2004
本文编号：2958344
【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
各类激活函数图
个记忆块计算。2.3 深度神经网络训练方法目前为止，本文已经讨论了多层感知机和循环神经网络的结构和推导，然而为了确保神经网络训练的快速高效，尚有以下几个方法。2.3.1 早停法为了获得较好性能的神经网络模型，需要进行许许多多的参数设置，如训练过程中周期（epoch）的次数，如果 epoch 次数过少，模型易产生欠拟合，如果 epoch 次数过多，模型易产生过拟合。早停（Early Stopping）是解决 epoch 次数手动设置的最简单、最普适改进方法，能够避免继续训练模型导致准确率下降的问题，是一种遏制过拟合的正则化手段。该方法的原理是将部分训练集移除作为验证集使用，所有停止标准在验证集上测试而不是在训练集上测试如图 2-5 所示。
西南交通大学硕士研究生学位论文第 17 早停法首先将数据分为训练集和验证集，在每一个训练周期结束后，用验证集当前模型的性能，如果模型的性能优于之前的最好模型，则保存当前最优模型，模型性能开始下降，就可以终止当前训练过程，最后将验证性能最优模型最为最网络模型。2.3.2 ReLu 函数近年来，在深度神经网络训练中，常常使用修正线性单元（Rectified Linear UneLU）作为神经元的激活函数[69,70]，如图 2-6 所示。
【参考文献】：
期刊论文
[1]基于计数模型的Word Embedding算法[J]. 裴楠,王裴岩,张桂平. 沈阳航空航天大学学报. 2017(02)
[2]大规模轨迹数据的Geohash编码组织及高效范围查询[J]. 向隆刚,王德浩,龚健雅. 武汉大学学报(信息科学版). 2017(01)
[3]基于案例的城市道路行程时间预测[J]. 徐先瑞,彭仲仁. 交通运输系统工程与信息. 2016(04)
[4]深度学习在手写汉字识别中的应用综述[J]. 金连文,钟卓耀,杨钊,杨维信,谢泽澄,孙俊. 自动化学报. 2016(08)
[5]基于GeoHash算法的周边查询应用研究[J]. 赵雨琪,牟乃夏,祝帅兵,张昌景. 软件导刊. 2016(06)
[6]出租车GPS轨迹大数据在智能交通中的应用[J]. 张红,王晓明,过秀成,曹洁,朱昶胜,郭义戎. 兰州理工大学学报. 2016(01)
[7]深度学习研究与进展[J]. 孙志远,鲁成祥,史忠植,马刚. 计算机科学. 2016(02)
[8]基于word embedding和CNN的情感分类模型[J]. 蔡慧苹,王丽丹,段书凯. 计算机应用研究. 2016(10)
[9]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
[10]基于深度学习的微博情感分析[J]. 梁军,柴玉梅,原慧斌,昝红英,刘铭. 中文信息学报. 2014(05)
博士论文
[1]面向空间数据复杂性特征的聚类分析方法研究[D]. 杨悦.哈尔滨工程大学 2008
硕士论文
[1]基于深度学习混合模型的文本分类研究[D]. 周超.兰州大学 2016
[2]基于出租车GPS轨迹数据的实时交通状态获取和现有实时路况系统评估[D]. 杨婷婷.华东师范大学 2016
[3]基于GPS数据的城市出租车运营分析与数据挖掘[D]. 栾丽娜.山东大学 2015
[4]城市道路交通行程时间预测算法研究及软件实现[D]. 张金金.北方工业大学 2014
[5]空间数据聚类分析算法研究及实现[D]. 刘生鑫.中国地质大学（北京） 2011
[6]基于支持向量回归机的路段平均速度短时预测方法研究[D]. 吕宏义.北京交通大学 2008
[7]基于径向基函数（RBF）神经网络的路段行程时间预测研究[D]. 朱耿先.重庆大学 2004
本文编号：2958344
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2958344.html
