基于车辆轨迹时空数据的城市热点预测模型研究

基于车辆轨迹时空数据的城市热点预测模型研究

摘要

智能交通在近年得到了学术界和产业界的广泛重视。尤其是随着道路网的不断完善，交通车流越来越庞大，交通流预测显得越来越重要，分析并预测交通状况和交通热点分布情况是交通管控的基础，对城市交通管控有着十分重要的意义。随着车辆轨迹大数据技术、人工智能和机器学习技术的发展，基于机器学习和大数据对车辆密度进行预测已成为重要的技术趋势。

本文基于车辆轨迹大数据，利用机器学习技术对城市交通热点进行预测，主要的研究内容和创新点罗列如下：

首先，建立车流密度提取模型，利用核密度估计算法从车辆轨迹时空数据中提取车辆密度特征，并实现热点预测的可视化。本文从交通属性中车辆密度的角度去分析，相比传统的车流量和车速属性，让交通预测具有更加全局的特征信息，为交通管控增添一个新的维度与视角。

其次，提出预测滑动窗口模型，构建预测所需要的训练数据集，并使用标准的归一化方法进行处理，利用支持向量回归算法进行出租车车辆密度预测和热点预测，最后借助公认的评价指标对模型性能进行评估。为后续神经网络预测工作提供基础性参考。

再次，利用经典的神经网络——多层感知器模型对比不同层数和不同神经元个数的网络结构的性能，并使用循环神经网络中的长短期记忆模型进行预测，完成北京市出租车热点预测并达到预期效果。本文为机器学习应用于交通领域的全局和局部预测提供了新的思路，为该方向的研究提供基础性指标参考。

最后，总结短时预测模式下本文所述模型在不同时间尺度下的预测性能，并提出长时预测的概念，为后续研究提供新的交通预测思路，将交通的短时预测方向扩充到长时预测的场景下。

关键词： 机器学习，核密度估计，交通热点预测，支持向量回归，多层感知器

Urban hot spot prediction model based on spatiotemporal data of vehicle trajectory

Abstract

In recent years, intelligent transportation has received extensive attention from academia and industry. Especially with the continuous improvement of the road network, the traffic flow is becoming larger and larger, and the traffic flow prediction is becoming more and more important. The analysis and prediction of traffic conditions and the distribution of traffic hotspots are the basis of traffic control, which is of great significance for urban traffic control. With the development of vehicle trajectory big data technology, artificial intelligence and machine learning technology, vehicle density prediction based on machine learning and big data has become an important technical trend.

In this thesis, machine learning technology is used to predict urban traffic hot spots based on vehicle track big data. The main research contents and innovation points are listed as follows.

Firstly, the vehicle flow density extraction model is established, and the kernel density estimation algorithm is used to extract the vehicle density features from the spatiotemporal data of vehicle tracks, and the visualization of hot spot prediction is realized. In this thesis, from the perspective of vehicle density in traffic attributes, compared with the traditional vehicle flow and speed attributes, the traffic prediction has more global characteristic information, adding a new dimension and perspective to traffic control.

Secondly, the prediction sliding window model was proposed to construct the training data set required for the prediction, and the standard normalization method was used for processing. The support vector machine regression algorithm was used for the taxi vehicle density prediction and hot spot prediction. Finally, the performance of the model was evaluated by the recognized evaluation indexes. It provides the basic flow for the subsequent neural network prediction.

Thirdly, the classical neural network called multi-layer perceptron model was used to compare the performance of network structures with different layers and neurons, and the long and short term memory model in the cyclic neural network was used to predict the hot spots of taxis in Beijing, and the expected results were achieved. This thesis provides a new idea for the application of machine learning to global and local prediction in the field of transportation, and provides a basic index reference for the research in this direction.

Finally, the prediction performance of the model described in this thesis under the short-time prediction mode is summarized under different time scales, and the concept of long-time prediction is proposed to provide a new forecasting idea for the follow-up research, and the direction of short-time traffic prediction is extended to the scenario of long-time prediction.

摘 要 … I
Abstract … III
插图清单 … IX
附表清单 … XI
1 引 言 … 1
1.1 研究背景及意义 … 1
1.2 研究内容与方法 … 2
1.3 本文组织内容 … 2
2 文献综述 … 4
2.1 交通预测概述 … 4
2.2 核密度估计概述 … 5
2.3 交通预测中的机器学习方法 … 5
2.3.1 传统交通预测方法 … 5
2.3.2 基于机器学习的预测方法 … 6
3 基于核密度估计算法的城市车流密度提取模型 … 8
3.1 车辆轨迹时空数据概述 … 8
3.1.1 GPS 数据描述 … 8
3.1.2 Open Street Map … 10
3.1.3 研究区域概述 … 10
3.2 车辆轨迹时空数据预处理 … 11
3.3 基于时空轨迹数据的核密度估计算法 … 12
3.3.1 核密度估计算法 … 12
3.3.2 核密度估计最适带宽计算 … 13
3.4 北京市出租车热点信息提取 … 14
3.4.1 实验环境 … 14
3.4.2 时空数据密度挖掘 … 15
3.4.3 模型参数设置 … 17
3.4.4 实验结果与分析 … 17
3.5 本章小结 … 22
4 基于支持向量回归的热点预测模型 … 23
4.1 基于滑动窗口的热点信息数据处理 … 23
4.1.1 滑动窗口模型 …
4.1.2 训练数据集构造 … 24
4.1.3 数据的归一化处理 … 26
4.2 支持向量回归预测 … 27
4.2.1 支持向量回归 … 27
4.2.2 支持向量回归参数 … 30
4.3 支持向量回归热点预测 … 31
4.3.1 实验环境 … 31
4.3.2 模型参数设置 … 31
4.3.3 预测评价标准 … 32
4.3.4 实验结果与分析 … 33
4.4 本章小结 … 39
5 基于神经网络的热点预测模型 … 40
5.1 神经网络概述 … 40
5.1.1 神经网络构成 … 40
5.1.2 损失函数与正则化 … 42
5.1.3 前向传播与反向传播 … 43
5.1.4 激活函数 … 44
5.2 优化方法 … 46
5.3 循环神经网络 … 47
5.4 MLP 热点预测 … 50
5.4.1 实验环境 … 50
5.4.2 模型参数设置及评价标准 … 50
5.4.3 实验结果与分析 … 51
5.5 LSTM 热点预测 … 56
5.5.1 实验环境 … 56
5.5.2 参数设置 … 56
5.5.3 实验结果与分析 … 57
5.6 本章小结 … 60
6 不同时间尺度下模型性能分析 … 61
6.1 不同时间尺度预测模型 … 61
6.1.1 短时预测模型 … 61
6.1.2 长时预测模型 … 61
6.2 不同时间尺度预测模型性能对比 … 62
6.2.1 实验参数设置 … 62
7 结论与展望 … 64
参考文献 … 67

如果需要代码请私信联系。

原文地址：https://blog.csdn.net/mohen_777/article/details/142895893

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！