检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于轨迹数据的出行时间预测方法研究

基于轨迹数据的出行时间预测方法研究

作者：罗思涵西南交通大学

学位级别：硕士

出行时间预测(Travel Time Estimation,TTE)是指在给定相关出行信息的情况下,预估出此次出行所需要的时间,它是智能交通系统中的一个基本任务,能够在一定程度上反映出当前交通状况,有助于进行交通调度和决策,具有重要的研究意义。而通... 详细信息

出行时间预测(Travel Time Estimation,TTE)是指在给定相关出行信息的情况下,预估出此次出行所需要的时间,它是智能交通系统中的一个基本任务,能够在一定程度上反映出当前交通状况,有助于进行交通调度和决策,具有重要的研究意义。而通过各种设备与技术获得的海量GPS轨迹数据为出行时间预测提供了坚实的数据基础,因此本文基于轨迹数据对出行时间预测方法进行研究。出行时间易受到多种因素的影响,如选择的路线、出发时间、交通状况以及天气等外部因素。为了取得更准确地预测结果,本文首先收集了轨迹数据、城市路网数据以及外部因素(如天气)等多源异构数据,并针对不同类型的数据使用了不同的预处理方法,以便于进一步的分析与建模。其次,本文基于预处理后的数据结合深度学习与元学习提出了两个出行时间预测方法,分别记为基于元学习的出行时间预测方法(Travel Time Estimation Method based on Meta learning,Meta TTE)和基于多头图注意力网络的出行时间预测方法(Travel Time Estimation Method based on Multi-head Graph Attention Network,MGTTE)。Meta TTE探索了基于网格的交通特征提取与编码方式。该方法首先将城市路网区域划分为大小相等且不相交的网格,并根据历史数据提取网格的交通特征,再采用卷积神经网络和门控循环单元分别对空间特征和时间特征进行编码。MGTTE方法则探索了基于路网的交通特征提取与编码方式。该方法首先根据城市路网结构生成图,并在图注意力网络的基础上提出了多头图注意力网络(Multi-Head Graph Attention Network,MH-GAT)用于同时提取时间特征和空间特征,同时还设计了图节点影响因子算法来选取对路线影响较大的路段。这两个方法均使用了元学习算法来学习深度神经网络的通用初始化参数,并将学习到的参数应用于目标城市中,以提高预测的准确率和模型泛化能力。为了验证这两个方法的有效性,本文在真实数据集上进行了相关实验。实验结果表明,本文提出的出行时间预测方法能够有效的从轨迹数据中提取交通状况及其时空相关性。与现有的基线方法相比,本文提出的方法也具有更高的预测准确度。最后,本文采用混合语言编程技术设计了一个出行时间预测系统,该系统可以根据输入的出发点和目的地预测出行程的出行时间。除此之外,该系统还实现了地图显示、城市切换、轨迹数据加载与显示以及路线规划等功能。

关键词：出行时间预测轨迹数据深度学习元学习时空相关性

基于KNN融合XGBoost的通勤期间路段出行时间预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于KNN融合XGBoost的通勤期间路段出行时间预测研究

作者：周卓凡南京大学

学位级别：硕士

随着数据采集技术的进步和数据分析方法的发展,利用历史交通数据对未来（短期）的交通变量（速度,平均出行时间,车道占有率）进行预测成为交通管制措施实施的重要依据。对于高峰期路段出行时间的预测,可以帮助路段的出行者合理的规划行... 详细信息

随着数据采集技术的进步和数据分析方法的发展,利用历史交通数据对未来（短期）的交通变量（速度,平均出行时间,车道占有率）进行预测成为交通管制措施实施的重要依据。对于高峰期路段出行时间的预测,可以帮助路段的出行者合理的规划行驶路径,也可以协助道路的监管者识别拥挤路段,提前采取相应的疏导措施,以避免交通拥堵的发生。通勤期间（早高峰）的路段出行时间预测是本文关注的焦点。本文首先对于交通预测领域的文章进行了梳理,总结了该领域常用的交通特征和模型方法,紧接着文章对于高峰期的类通勤车辆进行识别,将该类车辆定义为T-car车辆,文章探究了该类车辆在路段当天全部出行车辆的占比与当天路段高峰期平均出行时间的相关性,并将这类车辆的占比纳入到预测模型中,提升了预测结果的精确度。随后,文章在XGBoost模型的基础上,参考了KNN模型融合的思想,构建了基于KNN融合的XGBoost通勤期间路段出行时间预测模型。本文搜集了某地级市2013年7月至11月之间的车牌识别数据进行实证研究,验证了该模型相比于传统的KNN模型,SVM模型和GBDT模型具有更高的预测精确度,并且随着预测提前期的增加,该模型的预测精度具有更高的稳定性。本文的核心工作主要分为以下三个部分:第一部分,预测模型的构建关注到交通数据的时空特征,不仅关注待预测路段上出行时间的相关性,还考虑了相邻路段的出行时间变化对于该路段出行时间的影响。第二点,文章提出了T-Car车辆的识别方法,并将该类车辆的占比纳入到模型预测中。第三点,利用KNN的融合思想,提高了XGBoost出行时间预测模型的预测精度。该模型的提出期望能够充分利用车牌识别数据的特性,关注车辆的轨迹信息,以提高路段高峰期出行时间预测的准确度。

关键词：出行时间预测 KNN XGBoost T-car车辆占比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于历史车辆轨迹数据的出行时间预测分析

基于历史车辆轨迹数据的出行时间预测分析

作者：蒋益娟华东师范大学

学位级别：硕士

出行时间预测是智能交通系统的一个重要研究内容。智能交通系统通过信息技术的有效应用,充分发挥已有交通基础设施的潜力,并引导合理的交通行为,达到有效的交通管制。其中,出行时间的预测结果作为一种有效的交通信息,不仅可以帮助交通... 详细信息

出行时间预测是智能交通系统的一个重要研究内容。智能交通系统通过信息技术的有效应用,充分发挥已有交通基础设施的潜力,并引导合理的交通行为,达到有效的交通管制。其中,出行时间的预测结果作为一种有效的交通信息,不仅可以帮助交通管理部门控制、调整交通流,而且能帮助出行者更加合理的安排出行计划。现有的出行时间预测主要是基于传统的固定数据采集设备。随着定位技术的发展,如全球定位系统可以在车辆的行驶过程中收集大量的车辆轨迹数据。车辆轨迹数据包含了车辆行驶过程中的大量时空信息,而且在地理覆盖范围上,比固定采集设备数据更具优势,因此,逐渐成为出行时间预测以及其他交通研究的重要数据集。本文将从出行者角度来研究基于历史车辆轨迹数据的出行时间预测。对出行者而言,他们更加关注的是两地间的未来出行时间而不是某一特定路段的短期出行时间。为此,本文提出一种基于历史车辆轨迹数据的出行时间预测方法,该方法主要分为以下几个步骤：提取起点和终点,寻找类似路径,检验正态分布,检测和剔除孤立点,应用数理统计方法。为评价该方法的准确性,本文通过几个常用指标分析预测结果的可信度。最后,应用决策树方法分析天气因素和行驶速度的相关关系,并根据天气因素和出行时间的定量分析修正出行时间。为验证本文所提的基于历史车辆轨迹数据的出行时间预测方法的有效性,以深圳的出租车轨迹数据为例,建立了历史车辆轨迹数据库,应用上述方法预测两地的出行时间。实验结果表明,本文提出的方法简单,并且具有良好的预测效果。通过天气因素和行驶速度的相关分析,表明雨天的行驶速度在一定程度上受到天气状况的影响。此外,雨天出行时间的预测值可以通过天气因素和出行时间的定量分析修正。

关键词：出行时间预测车辆轨迹数据出租车

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于HBase的车辆轨迹数据管理与分析

基于HBase的车辆轨迹数据管理与分析

作者：雷云鹏西南交通大学

学位级别：硕士

时空数据的有效管理是时空数据建模、时空数据分析和时空数据挖掘的基础。车辆轨迹数据是一种重要的时空数据。车辆轨迹数据不仅是对车辆行驶路径的完整记录,而且可以直观反映交通状况,同时也能直接反映道路网络几何特征。随着各种定位... 详细信息

时空数据的有效管理是时空数据建模、时空数据分析和时空数据挖掘的基础。车辆轨迹数据是一种重要的时空数据。车辆轨迹数据不仅是对车辆行驶路径的完整记录,而且可以直观反映交通状况,同时也能直接反映道路网络几何特征。随着各种定位技术和物联网技术的发展,以及车载定位设备广泛应用于各种车辆上,使得车辆轨迹数据的获取难度大大降低,同时也意味着有越来越多的甚至海量的车辆轨迹数据需要管理和分析。这就对车辆轨迹数据的管理方式,以及在此基础上的分析方法提出了更高的要求。传统的单机数据库具有维护、升级成本高等缺点,并且在海量的数据面前已经略显吃力。在这样的背景之下分布式存储悄然而生。本文先介绍了 Hadoop开源分布式生态系统和Hadoop分布式文件系统(HDFS),以及在此基础上的HBase分布式列式数据库。本文使用HBase分布式数据库对车辆轨迹数据进行管理。数据的管理组织形式必然需要考虑应用分析的需求。出行时间预测是智能交通系统的一个重要研究内容。出行时间的预测结果作为一种有效的交通信息,不仅可以帮助交通管理部门控制、调整交通流,而且能帮助出行者更加合理地安排出行计划。本文提出了一种基于Geohash空间编码的可以快速查询拥有相邻近起点和终点的车辆行程集合的行程起讫点数据编码方式,并对这种编码方式的有效性做了实验验证。然后研究了以该编码为HBase行键索引的车辆轨迹数据分布式存储方案,并对海量数据的入库进行了优化,最后对比测试了 HBase分布式存储方案与单机MySQL数据库的数据查询效率,得出在多用户并发环境下,HBase分布式的车辆轨迹存储方案,查询效率更高。为验证本文所提的车辆轨迹数据起讫点编码方法和车辆轨迹数据分布式存储方案的有效性,本文以成都的出租车轨迹数据为例,建立了车辆轨迹HBase分布式数据库,应用上述编码方法对轨迹数据起讫点进行了编码。然后在此基础上,对出行时间进行预测。实验结果表明,本文提出的编码方法易用可行,分布式存储方案检索高效,预测效果良好。

关键词：轨迹数据 HBase 分布式存储出行时间预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于GIS的公交乘客信息系统的研究

交通标准化 2007年第8期35卷 126-130页

作者：白惠涛宋瑞谢晓华北京交通大学交通运输学院北京100044

考虑到乘客出行的心理特征差异,利用公交乘客信息系统的关键技术和GIS的特性,建立基于公交乘客出行路径优化模型的城市公交乘客信息系统,可为进一步开发适合我国的城市公交乘客信息系统提供重要的参考。

关键词：地理信息系统公交乘客信息系统路径优化模型出行时间预测