论文题名: | 多源时空大数据驱动的城市最短路优化问题研究 |
关键词: | 交通路网;最短路径;决策优化;多源时空大数据;粒计算 |
摘要: | 交通出行是人类日常活动的重要组成部分。高效的交通运输对于社会生产运作是至关重要的。现有的交通大数据主要是通过各种各样的交通设施(包括闭路电视、地感线圈、GPS全球定位系统、微波传感器、视频监视器等)采集得到的。此外在大数据时代,人们通过社交网络(如Twitter,Facebook,微信,新浪微博等)不断推送和转发的交通相关的数据却在交通优化中没有被充分挖掘和利用。充分挖掘和分析现有交通路网运行系统中的结构化、半结构化以及非结构化数据进行路径规划和相关决策,已成为在可接受成本范围内实现智慧交通最有效的途径。 本文针对多源时空交通大数据驱动的城市最短路问题的建模、求解及分析问题进行研究。首先提出“大数据-粒计算-决策优化”的大数据价值挖掘与决策优化的研究框架,通过基于多源时空交通大数据中的社交网络数据进行城市导航优化决策,并设计相关实证算例详细阐述了提出的研究框架的有效性。另外,本文通过充分考虑大数据时代交通优化建模与决策问题的一般性和特殊性,特别是针对交通路网状态的动态变化特性,提出交通路网自适应滚动最短路问题。本文基于交通路网地感线圈动态数据对该问题进行建模和分析,并提出自适应滚动迪杰斯特拉算法对该问题进行求解。本文还结合算例分析对算法的步骤和优化性能进行了详细阐述。 研究内容具体包括: 1、“大数据-粒计算-决策优化”研究框架及其应用。为了对大数据驱动的决策优化问题的建模和求解提供一般解决方案,提出“大数据-粒计算-决策优化”的研究框架。通过社交网络分析挖掘方法,将高精度细粒度的复杂微博文本数据转化为低精度粗粒度的能够被用于决策的结构化信息粒(例如概率分布函数信息粒)。结合交通导航路径优化的可靠性和可行性要求构建了城市鲁棒路径优化决策模型。并通过真实北京市地图数据的实证研究,证明所提出的“大数据-粒计算-决策优化”研究框架和鲁棒路径优化模型可有效提升交通导航系统的性能。 2、交通大数据驱动的自适应滚动最短路优化建模研究。针对大数据时代交通路网的动态变化特性,将交通路网定义为动态路网。提出基于路网动态速度分布数据的自适应滚动最短路优化方法,用于求解给定需求OD下的自适应最优路径走行策略。研究结合实际路网时空数据展开的算例分析部分对算法的步骤和优化性能进行了详细阐述。算例分析结果表明本文提出的自适应滚动最短路优化方法在相比于短距离OD需求方案,在优化求解长距离OD需求的自适应最优走行策略时具有更高的最优性,可帮助旅行者显著减少总旅行时间和总走行距离。本研究内容和思路可扩展和应用于多种类型的交通管理问题的调度和优化(如车辆路径问题等)。 |
作者: | 周建栋 |
专业: | 管理科学与工程 |
导师: | 李想 |
授予学位: | 硕士 |
授予学位单位: | 北京化工大学 |
学位年度: | 2017 |
正文语种: | 中文 |