原文传递
数据驱动的城市区域间OD分析及其交通流量预测研究
| 论文题名： | 数据驱动的城市区域间OD分析及其交通流量预测研究 |
| 关键词： | 智能交通系统;起讫点分析;流量预测;数据驱动 |
| 摘要： | 智能交通系统（Intelligent Transportation System，ITS）作为目前交通管理体系中重要的组成部分，其交通整体态势分析和交通热点路段监测功能对于交通规划和管理具有重要意义，也是目前的研究热点。一般通过起讫点（Origin Destination，OD）出行矩阵的形式从宏观上来分析城市居民交通情况的整体态势。在宏观分析结果的基础上，可对某些交通热点路段进行微观分析，一般是通过获取路段上交通流量来监测交通状态。因此，对于智能交通系统来说，其宏观交通态势分析和微观交通路段监测功能对于交通管理具有重要意义。而且，随着智能交通系统的发展，研究人员越来越关注交通模型的时效性，如何及时利用最新交通数据得到最新交通模型，也是目前研究的重点问题。针对以上问题，本文基于多源交通数据，对基于区域间OD分析的网约车始发地-目的地需求预测问题，出行需求大的路段流量预测问题以及交通模型并行计算方案设计等三个方面进行深入研究。本文的主要研究工作如下： （1）基于区域间OD分析的网约车始发地-目的地需求预测研究。针对区域间乘客交通需求预测问题，利用从出租车GPS轨迹数据中获取的历史OD出行信息，提出一种考虑空间位置信息的基于双向卷积长短时记忆（Bidirectional Convolution LSTM，Bi-ConvLSTM）神经网络模型的预测框架。通过特殊的矩阵转换构建包含位置信息的OD矩阵，利用Bi-ConvLSTM模型对区域间乘客出行需求进行预测。同时，在模型训练中使用自定义的结构相似性（Structural Similarity，SSIM）损失函数来衡量数据之间的差异。 （2）基于交通流时空相关性的短时交通流量预测研究。针对当前短时交通流量预测中未能充分考虑交通流空间上的相关性，且未能充分利用历史数据特征，导致预测精度低，鲁棒性差的问题，提出一种结合非负矩阵分解（Non-negative Matrix Factorization，NMF）和Attention LSTM模型的交通流预测算法。利用NMF算法提取当前路段交通流空间特征，并降低数据维度，然后将提取的特征结合当前路段流量数据作为输入，通过Attention LSTM模型来预测交通流量。 （3）数据驱动的OD分析及流量预测模型应用。基于Distributed-Keras和Spark集群设计并构建神经网络模型并行计算平台，以区域间OD分析及其流量预测为应用场景，将OD预测模型和交通流量预测模型部署到该并行计算平台上，通过定期利用近期历史数据，实现模型并行训练，获得最新预测模型进行预测，使得模型更加及时和精确。 |
| 作者： | 熊聪聪 |
| 专业： | 信息与通信工程 |
| 导师： | 陈德军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
