基于滴滴GPS数据的路段行程时间预测
发布时间：2021-04-05 15:21
近年来,随着城市化进程的不断推进,机动车的数量激增,交通拥堵已经成为亟待解决“城市病”之一。在交通拥堵日益严重的今天,准确预测出行时间无论对交通管理者还是对出行者都有着重要的意义。而一条出行路径是由若干路段组成的,所以路段行程时间预测作为出行时间预测的基础,同时也是被使用最为广泛的交通信息数据,一直是研究的热点。在传统路段行程时间预测的研究中,应用的数据大多是环形线圈探测器采集到的数据、浮动车数据或出租车数据,这些数据存在着获取难度大、数据量小、数据信息不全面等缺点,难以全面地刻画实际交通的时间动态变化规律。并且现有方法多是仅利用目标路段的历史行程时间进行预测,忽略了相邻路段的空间相关性。针对上述缺点,本文建立了基于PCA-PSO-GRNN的路段行程时间预测模型,充分考虑行程时间的时空特性,以滴滴公司公布的网约车出行数据为基础,进行了路段行程时间预测的深入研究。首先,考虑可能存在噪声数据,对数据进行预处理,包括重复数据、速度异常数据的预处理;运用隐马尔可夫模型将GPS轨迹投影到路网上,并提取出目标路段及其相邻路段的行程时间,为行程时间预测做准备。其次,综合考虑路段行程时间的时空特性,构...
【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】：65 页
【学位级别】：硕士
【部分图文】：
路段示意图
第三章 数据预处理及地图匹配本文所用数据是滴滴公司公开的成都市 2016 年 11 月份的网约车 GPS 定位数据。本章针对 GPS 定位数据可能存在的错误数据，包括重复定位数据、速度异常数据，介绍数据清洗的方法；其次描述地图匹配问题以及常用的地图匹配算法；最后将介绍本文采用的地图匹配方法。3.1 数据预处理3.1.1 重复数据处理本文主要研究城市道路路段的行程时间，主要参考网约车在城市道路上的行驶状态。但部分网约车在部分时段可能一直处于静止状态，如图 3-1 所示 ID 为glox.jrrlltBMvCh8nxqktdr2dtopmlH 的网约车在 11 月 3 日 19:17 到 19:28 一直停留在相同地点，所有定位点的经纬度相同，这些冗余的轨迹点不仅消耗存储空间，还会影响后续的地图匹配和行程时间预测的效率。
P1P12P11道路路段候选匹配点图 3-8 基于概率统计的匹配算法马尔可夫模型的地图匹配对网约车 GPS 定位点的经纬度坐标进行坐标转换，其次采PS 定位点映射到电子地图道路网的过程。换的电子地图是从开源地图 OpenStreetMap 上获取的成都市电标系(WGS-84)，而滴滴公司的定位数据采用的是火星坐标始定位点投影到电子地图上，会存在偏移，如图 3-9 所示的坐标转换为地心坐标系下的坐标。
【参考文献】：
期刊论文
[1]中国副省级及以上特大城市人口空间分布与多中心性研究[J]. 赵新正,李梦雪,李秋平,李同昇,芮旸. 干旱区地理. 2017(02)
[2]基于Monte Carlo的行程时间可靠性研究[J]. 张雄飞,李瑞敏,李宏发,史其信. 武汉理工大学学报(交通科学与工程版). 2012(04)
[3]基于BP神经网络的交通数据序列动态可预测性分析方法[J]. 姜桂艳,常安德,牛世峰,丛玉良,程德明,王秋兰. 北京工业大学学报. 2011(07)
[4]基于多源ITS数据的行程时间预测体系框架及核心技术[J]. 聂庆慧,夏井新,张韦华. 东南大学学报(自然科学版). 2011(01)
[5]支持向量机在路段行程时间预测中的应用研究[J]. 姚智胜,邵春福,熊志华. 公路交通科技. 2007(09)
[6]支持向量机理论与应用[J]. 崔长春,刘文林,郑俊哲. 沈阳工程学院学报(自然科学版). 2007(02)
[7]基于卡尔曼滤波理论的交通信息预测模型及其应用[J]. 李嘉,刘小兰. 中南公路工程. 2005(04)
[8]基于混沌小波网络的交通流预测算法研究[J]. 杨立才,贾磊,何立琴,孔庆杰. 山东大学学报(工学版). 2005(02)
[9]一种行程时间检测和预测的实现方法[J]. 高作刚,朱健,黄承明,董德存. 交通与计算机. 2004(04)
[10]基于卡尔曼滤波的高速道路行程时间动态预测[J]. 杭明升,杨晓光,彭国雄. 同济大学学报(自然科学版). 2002(09)
硕士论文
[1]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
[2]基于时间序列模型的短时交通流预测的研究与应用[D]. 杨元元.西安电子科技大学 2014
[3]城市道路行程时间预测研究[D]. 张廷.湖南大学 2010
[4]基于浮动车数据的城市路段行程时间预测研究[D]. 方志伟.北京交通大学 2007
[5]城市道路行程时间预测方法研究[D]. 杨先平.吉林大学 2005
[6]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：3119870
【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】：65 页
【学位级别】：硕士
【部分图文】：
路段示意图
第三章 数据预处理及地图匹配本文所用数据是滴滴公司公开的成都市 2016 年 11 月份的网约车 GPS 定位数据。本章针对 GPS 定位数据可能存在的错误数据，包括重复定位数据、速度异常数据，介绍数据清洗的方法；其次描述地图匹配问题以及常用的地图匹配算法；最后将介绍本文采用的地图匹配方法。3.1 数据预处理3.1.1 重复数据处理本文主要研究城市道路路段的行程时间，主要参考网约车在城市道路上的行驶状态。但部分网约车在部分时段可能一直处于静止状态，如图 3-1 所示 ID 为glox.jrrlltBMvCh8nxqktdr2dtopmlH 的网约车在 11 月 3 日 19:17 到 19:28 一直停留在相同地点，所有定位点的经纬度相同，这些冗余的轨迹点不仅消耗存储空间，还会影响后续的地图匹配和行程时间预测的效率。
P1P12P11道路路段候选匹配点图 3-8 基于概率统计的匹配算法马尔可夫模型的地图匹配对网约车 GPS 定位点的经纬度坐标进行坐标转换，其次采PS 定位点映射到电子地图道路网的过程。换的电子地图是从开源地图 OpenStreetMap 上获取的成都市电标系(WGS-84)，而滴滴公司的定位数据采用的是火星坐标始定位点投影到电子地图上，会存在偏移，如图 3-9 所示的坐标转换为地心坐标系下的坐标。
【参考文献】：
期刊论文
[1]中国副省级及以上特大城市人口空间分布与多中心性研究[J]. 赵新正,李梦雪,李秋平,李同昇,芮旸. 干旱区地理. 2017(02)
[2]基于Monte Carlo的行程时间可靠性研究[J]. 张雄飞,李瑞敏,李宏发,史其信. 武汉理工大学学报(交通科学与工程版). 2012(04)
[3]基于BP神经网络的交通数据序列动态可预测性分析方法[J]. 姜桂艳,常安德,牛世峰,丛玉良,程德明,王秋兰. 北京工业大学学报. 2011(07)
[4]基于多源ITS数据的行程时间预测体系框架及核心技术[J]. 聂庆慧,夏井新,张韦华. 东南大学学报(自然科学版). 2011(01)
[5]支持向量机在路段行程时间预测中的应用研究[J]. 姚智胜,邵春福,熊志华. 公路交通科技. 2007(09)
[6]支持向量机理论与应用[J]. 崔长春,刘文林,郑俊哲. 沈阳工程学院学报(自然科学版). 2007(02)
[7]基于卡尔曼滤波理论的交通信息预测模型及其应用[J]. 李嘉,刘小兰. 中南公路工程. 2005(04)
[8]基于混沌小波网络的交通流预测算法研究[J]. 杨立才,贾磊,何立琴,孔庆杰. 山东大学学报(工学版). 2005(02)
[9]一种行程时间检测和预测的实现方法[J]. 高作刚,朱健,黄承明,董德存. 交通与计算机. 2004(04)
[10]基于卡尔曼滤波的高速道路行程时间动态预测[J]. 杭明升,杨晓光,彭国雄. 同济大学学报(自然科学版). 2002(09)
硕士论文
[1]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
[2]基于时间序列模型的短时交通流预测的研究与应用[D]. 杨元元.西安电子科技大学 2014
[3]城市道路行程时间预测研究[D]. 张廷.湖南大学 2010
[4]基于浮动车数据的城市路段行程时间预测研究[D]. 方志伟.北京交通大学 2007
[5]城市道路行程时间预测方法研究[D]. 杨先平.吉林大学 2005
[6]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：3119870
本文链接：https://www.wllwen.com/kejilunwen/qiche/3119870.html
