分享到:

城市群体驻留与交通流量时空模式研究

城市的“大型化”对城市管理者提出了更高的要求,城市规划、交通、节能、环保等均要求以实时可靠的数据作为科学决策的依据。本课题基于移动网络通信日志、智能交通系统的多源异构数据(智能交通卡刷卡日志、出租车GPS轨迹记录以及传感器数据等)联合社交网络签到与评论数据,对城市范围内人类移动行为以及区域功能属性进行了统计分析和理论建模。本文主要采用“动”、“静”结合的挖掘方法,基于统计学、机器学习、模式识别、自然语言处理等方法,对城市时空模式进行挖掘和分析,主要包括四个部分:首先,从宏观尺度对群体和区域两个角度对城市时空行为进行统计分析,针对群体的分析采用空间点模式分析、时序分析方法,研究了群体的聚集模式、移动模式,针对区域的分析采用网格方法,研究了热点区域的分布特点、人流的更迭速率、潮汐效应,并提出了区域差异指数的概念用于研究区域间的时空相关性。此后,深入研究了群体驻留模式和交通流量模式两种时空模式。针对群体驻留模式,首先提取出驻留轨迹段,  (本文共96页) 本文目录 | 阅读全文>>

北京交通大学
北京交通大学

基于二型模糊集合交通流量长时预测

交通流量长时预测是指对未来长时间跨度的交通流量数据进行预测,它对城市交通的规划、设计和管理具有重要的意义。交通流具有典型复杂系统的随机性与不确定性,对于长时预测而言,较大的预测时间跨度更加放大了系统的不确定因素。因此,现有的很多交通流长时预测模型难以得到精度较高的预测结果。本文基于模糊集合理论处理交通流量数据,构造了以二型模糊集合为核心的交通流量长时预测模型,主要工作内容如下:首先,本文将K-means聚类与高斯型区间二型模糊集合相结合,提出基于二型模糊集合交通流量长时预测模型。其中,K-means聚类算法用于将交通流检测数据处理为能够表征交通流波动范围的区间数据,并利用聚类中心获得内嵌一型模糊集合参数值,从而为二型模糊集合提供了数据基础。基于该模型的交通流长时预测结果能得到描述交通流可能变化范围的区间数据,并给出较高精度的交通流量预测结果。针对以上模型在模糊规则部分的空缺,本文基于交通流状态之间的转移规律提出了基于模糊规则的二...  (本文共70页) 本文目录 | 阅读全文>>

重庆邮电大学
重庆邮电大学

一种基于深度学习的缺失交通流量数据恢复方法

随着交通信息化的快速发展,交通数据爆炸式地增长。其中交通流量(单位时间过车数量)是描述交通流的一个重要指标,其变化规律反应了交通流基本性质。但是因为采集、传输或存储的故障,数据会存在错误、丢失的问题。数据的缺失不仅降低有效性,同时也给后续的工作带来困扰。开展针对缺失交通流量数据的恢复研究,对缺失数据的有效化处理,一方面利于深化对交通流量数据时空关联性和统计特性的认识,另一方面对智能交通系统(Intelligent Transportation System,ITS)的后续分析有着重要意义。因此缺失交通流量数据的恢复研究具有重要的理论和实际价值。本论文从复杂城市交通路网角度出发,结合其数据规模大、局部时空关联性和数据动态缺失等主要特点,针对时空维度的完全随机缺失以及在空间维度的长时间缺失数据恢复进行研究。本论文的主要研究工作和贡献如下:1.在交通路网局部时空关联性方面,提出并设计一种路网流量局部计算模型。首先,提出路网矩阵化算法,...  (本文共66页) 本文目录 | 阅读全文>>

北京邮电大学
北京邮电大学

基于数据挖掘技术的交通流量分析与预测

在机动车数量不断突破新高的大背景下,交通拥堵已成为制约社会发展的重大问题。如果能准确预测路网中各路口的交通流量,相关部门则可以制定更有针对性的疏导措施,从而全方位提升路网利用率,缓解交通拥堵问题。近些年,数据挖掘技术取得了重大进展,该技术与交通流量预测场景的结合令人憧憬。本文基于数据挖掘技术,对交通流量进行分析和预测。第一,以聚类技术为切入点,提出交通流量模式挖掘方法。综合考虑轮廓系数、Calinski-Harabaz 指数和 Davies-Bouldin 指数,利用 K-Means 和Agglomerative Clustering算法确定交通流量模式个数,将交通流量模式分为单峰和双峰两种类型,验证得出节假日与工作日分别对应不同的流量模式,并根据模式对数据集划分,再进行预测。第二,对应不同的原始数据,分别提出基于深度学习的流量预测模型。其一,在仅提供单监测站信息时,传统循环神经网络无法处理交通信息拼接后的无时序性。为了解决这一...  (本文共68页) 本文目录 | 阅读全文>>

山东大学
山东大学

基于交通流量相似性和差异性的道路拥堵预测研

近年来,世界经济发展迅速,但是很多国家的交通设施的建设速度都不及机动车增长速度,导致交通拥堵问题愈演愈烈。交通拥堵会造成极大的时间浪费和经济浪费,也会造成空气污染、噪音污染等等问题,因此研究如何缓解交通拥堵很有必要。随着科技的进步,硬件水平的提高,数据科学有了越来越广泛的应用,于是有研究者尝试使用数据科学的方法缓解交通拥堵,其中较重要的方式就包括交通流量预测和交通拥堵预测。然而大部分使用了交通流量序列的研究者都直接关注了原始的交通流量序列,并没有考虑交通流量蕴含的相似性和差异性。我们发现利用这两种性质可以提高模型的精确度,所以本文进行了基于交通流量相似性和差异性的道路拥堵预测研究。本文首先利用数据分析了交通流量数据的相似性和差异性,接下来利用这两种性质提出“基于交通流量变化度的路网拥堵状态评估模型”和“基于偏移拆分预测的交通拥堵预测模型”。在“基于交通流量变化度的路网拥堵状态评估模型”中,交通流量变化度是一个衡量路网拥堵状态变化...  (本文共73页) 本文目录 | 阅读全文>>

哈尔滨理工大学
哈尔滨理工大学

基于大数据的交通流量模式分析研究

随着我国经济的迅猛发展和城镇化进程的飞速推进,国民生活水平快速提高的同时,城市交通系统面临着日益尖锐的车路矛盾。而城市交通流量模式统计分析是智慧交通系统的重中之重,对交通控制决策、路网资源配给具有重要意义。针对城市道路交通汽车流量时空分布严重不均、难以预测、极易引发交通拥堵等问题,结合模式识别与大数据挖掘技术,提出分析挖掘城市车辆交通日常出行模式的研究方法。首先基于OpenCV跨平台计算机视觉库,结合机器学习的算法,对车辆牌照信息图像进行预处理、车牌定位、字符分割。对卷积神经网络(CNN)的图像识别算法与传统机器学习算法进行分析研究,提出基于卷积神经网络算法的字符识别方法,提高了字符识别的计算速度与准确率。其次通过大数据挖掘方法,对城市车流量时空规律进行关联性分析,结合Apriori挖掘算法与Hadoop分布式处理框架,设计了基于Hadoop的并行化Apriori算法,对季节变换中出行规律的相似性进行关联挖掘;设计了基于Hado...  (本文共66页) 本文目录 | 阅读全文>>