基于深度学习的交通出行大数据分析与应用

发布时间：2024-02-20 06:36

　　由于早期城市规划考虑的因素单一,导致其无法适配现今复杂的城市发展状况。因而迅猛的城市发展速度带来了许多城市交通问题,例如,交通拥堵、运力分布不均等。这些问题逐渐变成了城市发展的瓶颈,同时影响城市的运行效率。因此,为了提升城市的运转速度,缓解交通拥堵,精确预测出行需求和合理分配运力资源成为可行的解决方案。同时,随着传感器和互联网技术的进步,车辆的行驶产生了大量的交通时空数据。这些数据反映了真实的交通状况,能够为出行需求的预测提供数据来源和分析基础。因此,如何利用大量的交通出行数据,预测出行需求,为运力调度提供决策参考成为当前研究的热点。在传统的出行需求预测领域,经常使用经典的时序预测方法,如AR、VAR、ARMA、ARIMA等进行预测。这些传统方法仅仅利用了出行数据中的时间特性,没有充分挖掘数据内部的规律特征。同时模型训练时间过长、收敛速度过慢等缺陷导致传统的时序预测方法在实验中的预测精准度较差,可扩展性较低。近些年,深度学习发展迅猛,在语音,图像等领域均取得了较好的成果。同时在回归预测问题方面,深度学习也表现出了极佳的效果。因而,为了提升出行需求预测的效率和准确性,深度学习被引入了交通...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 出行数据挖掘研究现状
        1.2.2 可视化技术研究现状
        1.2.3 深度学习研究现状
    1.3 本文研究的主要内容及章节安排
        1.3.1 本论文研究内容
        1.3.2 本论文章节安排
第2章 相关理论基础简述
    2.1 时空数据挖掘
        2.1.1 时空数据挖掘的概念
        2.1.2 时空数据挖掘分类
        2.1.3 时空预测算法分类
    2.2 深度学习
        2.2.1 深度学习简述
        2.2.2 CNN神经网络基本原理
        2.2.3 LSTM神经网络基本原理
        2.2.4 ConvLSTM神经网络基本原理
        2.2.5 BatchNormalization神经网络基本原理
    2.3 可视化技术简述
    2.4 回归问题评价指标
        2.4.1 RMSE评价指标
        2.4.2 MAE评价指标
        2.4.3 MAPE评价指标
    2.5 本章小结
第3章 出行订单数据分析及数据预处理
    3.1 出行订单数据介绍
    3.2 数据预处理及相关概念定义
        3.2.1 地理区块定义和实现
        3.2.2 出行需求概念定义
        3.2.3 出行需求预测问题定义
    3.3 出行订单数据相关特性分析
        3.3.1 数据可视分析
        3.3.2 出行数据时序特性分析
    3.4 本章小结
第4章 基于深度学习的短时出行需求预测
    4.1 基于LSTM神经网络的短时出行需求预测
    4.2 基于CNN神经网络的短时出行需求预测
    4.3 基于ConvLSTM神经网络的短时出行需求预测
    4.4 实验结果分析
        4.4.1 实验神经网络参数设置表
        4.4.2 回归预测评价指标结果分析
        4.4.3 模型预测结果可视化对比分析
        4.4.4 不同地理区块划分方案的预测准确性对比实验
        4.4.5 不同地理区块划分方案的模型训练速度对比实验
    4.5 本章小结
第5章 交通出行需求可视化系统
    5.1 可视化系统需求分析
        5.1.1 交通出行需求可视化任务分析
        5.1.2 可视化系统功能需求分析
        5.1.3 可视化系统业务流程
    5.2 可视化系统设计
        5.2.1 交通出行需求可视化系统目标
        5.2.2 可视化系统总体架构
    5.3 可视化系统实现与展示
        5.3.1 可视化系统应用功能
        5.3.2 可视化系统技术选型
        5.3.3 可视化系统运行环境介绍
        5.3.4 可视化系统功能展示
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间发表的论文及科研成果



本文编号：3903996