详情

原文传递基于组合模型的高速ETC小客车用户出行特征辨识研究

论文题名：	基于组合模型的高速ETC小客车用户出行特征辨识研究
关键词：	高速公路;小客车;出行特征辨识;ETC数据
摘要：	伴随交通强国建设目标的提出，我国交通基础设施建设规模迅速扩大，已形成覆盖全国95%人口的高速公路网络，高速ETC用户覆盖率现已突破80%。同时随着小客车保有量的逐年攀升，小客车已成为高速公路车辆类型组成中的主体部分，其出行目的日益丰富，出行行为异质性愈加凸显。有针对性地分析高速公路小客车的出行特征，掌握其出行规律与出行需求，准确划分特征群体与精准识别车辆个体是高速公路交通运行状态改善与出行服务提档升级的基础性工作。　　本文通过深度挖掘高速公路ETC数据，分析小客车用户出行时空特性，发现ETC 小客车用户在出行特征表现上存在群体性效应。为深入研究群体相似性与个体归属问题，本文基于选定的出行特征指标，全面分析基础算法存在的缺陷，组合基于改进 K-means 聚类算法的用户分类模型和基于 BP 神经网络算法的特征群体识别模型，完成高速 ETC 小客车用户“群体划分-个体识别”的完整出行特征辨识研究。主要研究内容如下：　　（1）小客车出行时空特性分析。基于预处理的 ETC 数据深入分析车辆出行时空参数，发现其出行时空特性分布并不均衡，存在 20%的高频出行车辆为高速公路提供近 60%的通行数据；其次，工作日与非工作日的特征表现存在差异，其中出行时段、出行距离、出行时长差异较为明显；在交通流量的空间分布上，各高速公路收费站点间差异较大，但同一站点的交通发生量与吸引量基本持平。　　（2）小客车出行特征指标选取研究。基于车辆出行时空特性分析结果，初步确定特征指标体系并制定各项指标提取流程及方法，通过指标合理性判断方法进一步提炼得到包括月出行天数、单次平均出行距离、高峰时段出行偏好、周末及节假日出行偏好等4项出行特征指标。　　（3）聚类划分模型与深度学习识别模型组合的高速公路 ETC 小客车用户出行特征辨识模型构建。在聚类划分模型中，首先通过定义距离分布直方图确定Canopy 算法初始距离阈值，得到较为合理的初始聚类中心；其次，利用 K-means聚类算法进行迭代求解得到初步聚类结果；最后，引入蚁群算法进一步提升结果的全局最优性，得到更为精准的用户特征群体聚类结果。在深度学习识别模型部分，利用学习效率较高的BP神经网络算法，构建高速ETC小客车出行特征群体识别模型，实现车辆个体所属群体的准确识别。　　（4）选取重庆籍小客车两个月的 ETC 数据进行实证研究。经验证，利用Canopy 算法预聚类后模型迭代效率提升 26.4%以上；蚁群算法优化后聚类结果精度较基础K-means算法提高23.17%。利用改进K-means聚类算法的用户分类模型进行用户分类，划分出 6 类特征群体，根据其特征表现分别定义为出游探亲出行群体、长途出行群体、事务出行群体、公商务出行群体、通勤出行群体、零星出行群体。通过基于 BP 神经网络算法的特征群体识别模型进行群体识别，结果显示，模型识别准确率为95.23%。
作者：	张鑫
专业：	交通运输
导师：	彭博;蔡晓禹
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023