基于出租车GPS轨迹数据的热点区域出行需求预测
发布时间：2022-11-11 21:19
出租车作为城市交通系统中的重要运载工具之一,不仅为居民出行提供便捷的“门到门”服务,更是常规公交的重要补充。一方面,随着我国社会经济的发展,城市规模不断扩大,城市人口不断增加,居民出行需求不断增长。另一方面,空驶出租车巡游具有盲目性,居民出行具有随机性及波动性,居民出行需求与出租车供给之间存在供需矛盾。本文基于北京市出租车GPS轨迹数据,分析居民出行需求时空分布,挖掘出行热点区域,综合考虑居民出行需求特征,预测热点区域居民出行需求。本文的主要工作有:（1）对出租车GPS轨迹数据预处理,并采用隐马尔可夫地图匹配算法进行地图匹配,修正偏离路网的出租车轨迹点,在ArcGIS工具中实现准确可视化。在此基础上,提取上下车轨迹点、不同时间段的出行需求及载客时长,对工作日及非工作日不同时段的出行需求分布、载客区域及出行需求空间分布进行可视化及分析。（2）在对出租车GPS轨迹数据出行时空研究的基础上,采用结合K-means聚类和系统聚类的组合模型,对工作日及非工作日出租车上车点进行聚类,挖掘居民出行热点区域,为出行需求预测模型特征分析提供依据。（3）综合考虑居民出行需求特征,在研究载客热点区域居民出行...
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 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 研究综述
1.2.1 出行时空分布研究
1.2.2 载客热点区域研究
1.2.3 交通需求预测研究
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 章节安排及技术路线
1.4 本章小结
2 GPS数据预处理
2.1 数据来源及描述
2.1.1 数据来源
2.1.2 数据描述
2.2 原始数据预处理
2.2.1 数据预处理原因
2.2.2 数据清洗
2.3 地图匹配
2.3.1 HMM地图匹配算法
2.3.2 HMM地图匹配结果
2.4 上下车轨迹点提取
2.5 本章小结
3 基于出租车GPS数据的出行需求时空研究
3.1 出行需求概念
3.2 出行需求时间分布
3.2.1 出行总量分布
3.2.2 各时间段出行总量分布
3.2.3 载客率及载客时长分布
3.3 出行需求空间分布
3.3.1 不同时间段出行需求空间分布
3.3.2 不同时间段载客区域空间分布
3.4 本章小结
4 基于空间聚类算法的热点区域挖掘
4.1 热点区域
4.2 组合聚类算法
4.2.1 K-means聚类
4.2.2 系统聚类
4.2.3 K-means算法与系统聚类法组合聚类
4.3 出行热点区域挖掘
4.3.1 非工作日热点区域
4.3.2 工作日热点区域
4.4 本章小结
5 基于深度神经网络回归算法的出行需求预测
5.1 出行需求特征分析
5.2 深度神经网络
5.2.1 DNN前向传播算法
5.2.2 DNN反向传播算法
5.2.3 DNN损失函数与激活函数
5.2.4 DNN正则化
5.3 DNN回归预测模型构建
5.4 热点区域出行需求预测
5.4.1 模型参数选择
5.4.2 预测结果分析
5.5 对比实验
5.5.1 支持向量机回归模型预测
5.5.2 预测模型精确度对比分析
5.6 本章小结
6 结论与展望
6.1 研究结论
6.2 研究展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于神经网络的海量GPS数据交通流量预测[J]. 蒲斌,李浩,卢晨阳,王治辉,刘华. 云南大学学报(自然科学版). 2019(01)
[2]基于隐马尔可夫模型的地图匹配算法[J]. 苏星晨. 科技创新与生产力. 2018(04)
[3]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁. 计算机应用与软件. 2018(01)
[4]基于GPS数据的出租车通勤识别及时空特征分析[J]. 付鑫,孙茂棚,孙皓. 中国公路学报. 2017(07)
[5]基于出租车GPS轨迹数据挖掘的居民出行特征研究[J]. 林基艳,张雅琼,张慧. 计算机时代. 2017(05)
[6]基于Spark平台城市出租车乘客出行特征分析[J]. 段宗涛,陈志明,陈柘,康军. 计算机系统应用. 2017(03)
[7]基于时间序列聚类方法分析北京出租车出行量的时空特征[J]. 程静,刘家骏,高勇. 地球信息科学学报. 2016(09)
[8]基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 翟静,曹俊. 统计与决策. 2016(04)
[9]基于出租车GPS数据的扬招点选址确定方法[J]. 章程,张舒沁,王梦真. 交通运输研究. 2015(04)
[10]杨凌示范区出租车需求分析与预测[J]. 戴思阳,翟海朋,王生昌. 山东交通学院学报. 2014(02)
硕士论文
[1]基于SVM和BP神经网络的短时交通流预测与实现[D]. 余涛.南京邮电大学 2018
[2]出租车GPS数据的信息挖掘研究[D]. 陈玲燕.北京交通大学 2018
[3]基于出租车轨迹数据的OD经验轨迹分析[D]. 王博然.北京交通大学 2018
[4]基于出租车GPS数据的载客热点可视化的研究与应用[D]. 王明.中北大学 2018
[5]基于轨迹聚类的交通热点分析[D]. 程智源.电子科技大学 2018
[6]基于TensorFlow的交通标志识别算法研究[D]. 宋倩.华东师范大学 2018
[7]基于Storm平台的城市道路交通拥堵识别研究[D]. 韩星.西华师范大学 2018
[8]基于出租车GPS数据的出租车载客情况分析与可视化[D]. 徐杨.华南理工大学 2018
[9]基于出租车GPS数据的城市出行及碳排放时空变化研究[D]. 曹梁.上海师范大学 2018
[10]基于北京市载客热点区的出租车出行需求研究[D]. 王贝贝.北京交通大学 2018
本文编号：3705764
【文章页数】：84 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 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 研究综述
1.2.1 出行时空分布研究
1.2.2 载客热点区域研究
1.2.3 交通需求预测研究
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 章节安排及技术路线
1.4 本章小结
2 GPS数据预处理
2.1 数据来源及描述
2.1.1 数据来源
2.1.2 数据描述
2.2 原始数据预处理
2.2.1 数据预处理原因
2.2.2 数据清洗
2.3 地图匹配
2.3.1 HMM地图匹配算法
2.3.2 HMM地图匹配结果
2.4 上下车轨迹点提取
2.5 本章小结
3 基于出租车GPS数据的出行需求时空研究
3.1 出行需求概念
3.2 出行需求时间分布
3.2.1 出行总量分布
3.2.2 各时间段出行总量分布
3.2.3 载客率及载客时长分布
3.3 出行需求空间分布
3.3.1 不同时间段出行需求空间分布
3.3.2 不同时间段载客区域空间分布
3.4 本章小结
4 基于空间聚类算法的热点区域挖掘
4.1 热点区域
4.2 组合聚类算法
4.2.1 K-means聚类
4.2.2 系统聚类
4.2.3 K-means算法与系统聚类法组合聚类
4.3 出行热点区域挖掘
4.3.1 非工作日热点区域
4.3.2 工作日热点区域
4.4 本章小结
5 基于深度神经网络回归算法的出行需求预测
5.1 出行需求特征分析
5.2 深度神经网络
5.2.1 DNN前向传播算法
5.2.2 DNN反向传播算法
5.2.3 DNN损失函数与激活函数
5.2.4 DNN正则化
5.3 DNN回归预测模型构建
5.4 热点区域出行需求预测
5.4.1 模型参数选择
5.4.2 预测结果分析
5.5 对比实验
5.5.1 支持向量机回归模型预测
5.5.2 预测模型精确度对比分析
5.6 本章小结
6 结论与展望
6.1 研究结论
6.2 研究展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于神经网络的海量GPS数据交通流量预测[J]. 蒲斌,李浩,卢晨阳,王治辉,刘华. 云南大学学报(自然科学版). 2019(01)
[2]基于隐马尔可夫模型的地图匹配算法[J]. 苏星晨. 科技创新与生产力. 2018(04)
[3]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁. 计算机应用与软件. 2018(01)
[4]基于GPS数据的出租车通勤识别及时空特征分析[J]. 付鑫,孙茂棚,孙皓. 中国公路学报. 2017(07)
[5]基于出租车GPS轨迹数据挖掘的居民出行特征研究[J]. 林基艳,张雅琼,张慧. 计算机时代. 2017(05)
[6]基于Spark平台城市出租车乘客出行特征分析[J]. 段宗涛,陈志明,陈柘,康军. 计算机系统应用. 2017(03)
[7]基于时间序列聚类方法分析北京出租车出行量的时空特征[J]. 程静,刘家骏,高勇. 地球信息科学学报. 2016(09)
[8]基于时间序列ARIMA与BP神经网络的组合预测模型[J]. 翟静,曹俊. 统计与决策. 2016(04)
[9]基于出租车GPS数据的扬招点选址确定方法[J]. 章程,张舒沁,王梦真. 交通运输研究. 2015(04)
[10]杨凌示范区出租车需求分析与预测[J]. 戴思阳,翟海朋,王生昌. 山东交通学院学报. 2014(02)
硕士论文
[1]基于SVM和BP神经网络的短时交通流预测与实现[D]. 余涛.南京邮电大学 2018
[2]出租车GPS数据的信息挖掘研究[D]. 陈玲燕.北京交通大学 2018
[3]基于出租车轨迹数据的OD经验轨迹分析[D]. 王博然.北京交通大学 2018
[4]基于出租车GPS数据的载客热点可视化的研究与应用[D]. 王明.中北大学 2018
[5]基于轨迹聚类的交通热点分析[D]. 程智源.电子科技大学 2018
[6]基于TensorFlow的交通标志识别算法研究[D]. 宋倩.华东师范大学 2018
[7]基于Storm平台的城市道路交通拥堵识别研究[D]. 韩星.西华师范大学 2018
[8]基于出租车GPS数据的出租车载客情况分析与可视化[D]. 徐杨.华南理工大学 2018
[9]基于出租车GPS数据的城市出行及碳排放时空变化研究[D]. 曹梁.上海师范大学 2018
[10]基于北京市载客热点区的出租车出行需求研究[D]. 王贝贝.北京交通大学 2018
本文编号：3705764
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3705764.html