详情

原文传递基于大数据挖掘的城市路网车辆轨迹和卡口流量预测技术研究与应用

论文题名：	基于大数据挖掘的城市路网车辆轨迹和卡口流量预测技术研究与应用
关键词：	城市路网;卡口流量;大数据挖掘;表示学习;轨迹预测;神经网络
摘要：	近年来，随着传感器感知技术、物联网通讯技术及计算机算力的不断提升，越来越多基于各类大数据的技术应用于智慧交通的建设中。对历史数据的挖掘可以用于分析未来的路网趋势并做出相应的应对措施，如针对车辆轨迹的预测可以为路径规划、精准推荐等提供有力支持，针对短时车流量的预测则对交通指挥、拥挤疏导及警力调度等具有辅助决策的重要作用。然而面对城市路网中日益完善的车辆卡口系统，传统基于GPS轨迹的相关预测类研究方法已不再适用。因此本文以城市路网卡口系统收集到的过车数据为对象，进行了系统化的预测技术研究，并结合企业实际需求开发了城市路网卡口预测系统，使用真实数据集验证了所提方法的有效性。　　论文主要内容如下：　　第一章阐述了路网大数据挖掘的现实意义，介绍了课题的研究背景及技术现状，并从路网大数据挖掘、移动对象轨迹预测及短时路网流量预测三个方面进行研究现状综述，结合项目需求并针对现有研究的不足，提出了本文的研究内容与组织架构。　　第二章提出了一种基于表示学习的路网卡口相似度计算方法。该方法首先通过word2vec思想对卡口中流动的车辆轨迹序列进行表示学习建模，而后将路网卡口系统抽象为卡口网络图，利用无监督表示学习方法GraphSAGE对其网络连接拓扑结构进行建模，二者结合获得卡口坐标的低维稠密向量表示，并在此基础上定义了路网卡口相似度，为后续研究提供理论依据。最后以T-SNE降维方法可视化及路网卡口相似度实例验证本章所提卡口表示学习建模的正确性与合理性。　　第三章提出了一种用于城市路网中的车辆卡口轨迹预测模型。首先基于第二章中获得的卡口嵌入向量表示将车辆轨迹进行映射，采用长短时记忆神经网络建模车辆轨迹序列中的时序关系，而后基于交通规则抽象出影响车辆轨迹选择的外部因素，将其嵌入后作为描述轨迹的辅助特征，二者共同输入到多层感知机分类器，输出未来轨迹位置的预测结果及概率。最后以某市路网卡口系统中收集到的真实车辆卡口轨迹数据集验证了所提模型的有效性。　　第四章提出了一种用于城市路网中的卡口短时路网流量预测模型。为建模路网卡口流量之间复杂动态的时空关联性，我们设计了一种基于时空注意力机制的深度神经网络模型。采用基于循环神经网络单元的编码器-解码器架构，首先基于路网卡口相似度矩阵为目标卡口选择相似度高的邻居卡口，在编码器中设计了一种空间注意力机制捕捉邻居卡口流量对目标卡口流量的影响；在解码器阶段引入时间注意力机制，以捕捉流量序列中的时间关联性。最后以某市卡口系统收集到的真实数据集验证了我们所提方法的有效性与可解释性。　　第五章依托企业项目实际需求，在本文所提的三种技术理论方法的基础上，开发了“城市路网卡口预测系统”，提供卡口信息查询、路网卡口相似度计算、车辆轨迹预测和卡口流量预测功能，并详细介绍了各个功能模块的设计思路与技术路线，最后以两个预测实例在企业产品中的应用验证了系统的可用性与有效性。　　第六章概括全文研究工作及成果，并对路网卡口预测领域的未来研究工作进行了展望。
作者：	孙剑哲
专业：	机械设计及理论
导师：	谭建荣;冯毅雄
授予学位：	硕士
授予学位单位：	浙江大学
学位年度：	2020