轨迹数据分析与处理关键技术研究

发布时间：2022-02-22 21:55

　　近年来,人们对交通和出行需求越来越强烈,智能交通研究成为热点。高效的智能交通带来了出行便利,提高了行车安全和运输效率。然而,随着经济和人口的发展,也带了相关问题和挑战:（1）使用全球定位系统采集到的轨迹数据地理位置与真实地理位置之间存在固有误差和随机误差,随着低频采样数据越来越多,还原真实轨迹难度进一步增加。（2）城市汽车越来越多,城市拥堵成为一个严重的问题,如何调动现有车辆提高潜在运力,对缓解城市拥堵,减少乘客出行成本,提高司机收入有重要意义。（3）随着人们生活节奏加快,准确的行驶时间估计成为关注的问题,如何处理影响出行时间的海量的、复杂的、多种类的数据,如何提供准确的时间估计,使出行人员可以提前规划好路线、节约出行成本、减少交通出行盲目性。本文主要研究贡献如下:1.提出了一种基于隐马尔可夫模型的多因素地图匹配方法。该方法综合考虑了采样点与候选点之间的距离、采样路段与候选路段之间的角度、车辆速度与道路限速、路网拓扑结构因素,提出了一种统一描述转移概率的凸函数,并使用快速维特比算法求解最优候选路径。实验结果表明此方法可以有效地减小采样数据位置与真实位置之间的误差,为其它轨迹数据研究打下... 

【文章来源】：清华大学北京市211工程院校985工程院校教育部直属院校

【文章页数】：112 页

【学位级别】：博士

【文章目录】：
摘要
abstract
主要符号对照表
第1章 绪论
    1.1 研究背景与意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究问题与思路
        1.2.1 研究问题
        1.2.2 研究思路
    1.3 研究内容和贡献
    1.4 本文组织结构
第2章 相关工作
    2.1 面向交通轨迹领域的马尔可夫技术
    2.2 轨迹相似性技术
    2.3 路径推荐技术
    2.4 面向交通轨迹领域的深度学习技术
    2.5 本章小节
第3章 基于隐马尔可夫模型的多因素地图匹配算法
    3.1 本章引论
    3.2 地图匹配相关工作
        3.2.1 基于几何的地图匹配方法
        3.2.2 基于拓扑结构的地图匹配方法
        3.2.3 基于概率统计的地图匹配方法
    3.3 隐马尔可夫地图匹配模型
        3.3.1 问题描述
        3.3.2 基于隐马尔可夫模型的地图匹配算法框架
        3.3.3 R*树存储轨迹数据
        3.3.4 基于隐马尔可夫模型的地图匹配
        3.3.5 初始概率
        3.3.6 发射概率
        3.3.7 状态转移概率
        3.3.8 权重计算
        3.3.9 最短路径计算
        3.3.10 快速维特比算法
        3.3.11 路径生成算法
    3.4 实验结果与分析
        3.4.1 实验数据分析
        3.4.2 实验设置
        3.4.3 算法运行时间
        3.4.4 实验结果ACCS和ACCL
        3.4.5 候选点数量的影响
        3.4.6 采样频率的影响
    3.5 本章小结
第4章 一种有效的动态多乘客共享共乘模型
    4.1 本章引论
    4.2 共享共乘相关工作
        4.2.1 近似算法
        4.2.2 初调和精调算法
        4.2.3 启发式算法
    4.3 动态多乘客共享共乘模型
        4.3.1 问题描述
        4.3.2 算法框架
        4.3.3 构建路网网格
        4.3.4 候选乘客检索
        4.3.5 两条路径相似性判断
        4.3.6 司机与乘客的行程匹配
        4.3.7 多分树剪枝
    4.4 实验结果与分析
        4.4.1 实验设置
        4.4.2 算法运行时间
        4.4.3 乘客平均等待时间
        4.4.4 平均共享路径比
        4.4.5 乘客数量对平均等待时间和平均共享路径比影响
        4.4.6 λ对平均共享路径比的影响
        4.4.7 网格大小对平均等待时间和平均共享路径比影响
    4.5 本章小结
第5章 基于深度学习的行驶时间估计模型
    5.1 本章引论
    5.2 行驶时间估计相关工作
        5.2.1 传统时间估计方法
        5.2.2 使用深度学习的时间估计方法
    5.3 行驶时间估计模型
        5.3.1 问题描述
        5.3.2 STDR算法框架
        5.3.3 轨迹点嵌入表示
        5.3.4 卷积神经网络提取空间信息
        5.3.5 LSTM提取时间信息
        5.3.6 注意力机制
        5.3.7 道路类型分割
        5.3.8 预测部分
    5.4 实验结果与分析
        5.4.1 实验设置
        5.4.2 参数设置
        5.4.3 基准算法
        5.4.4 各算法实验结果
        5.4.5 评测STDR不同的变种
        5.4.6 评测过滤器大小数量与道路类型的数量影响
        5.4.7 评测天气的影响
    5.5 本章小结
第6章 总结与展望
    6.1 研究总结
    6.2 研究展望
参考文献
致谢
个人简历、在学期间发表的学术论文与研究成果


【参考文献】：
期刊论文
[1]轨迹大数据:数据、应用与技术现状[J]. 许佳捷,郑凯,池明旻,朱扬勇,禹晓辉,周晓方.  通信学报. 2015(12)
[2]关于最短路径的SPFA快速算法[J]. 段凡丁.  西南交通大学学报. 1994(02)



本文编号：3640268