一、GPS在交通领域的应用（论文文献综述）
高远[1]（2021）在《基于稀疏数据的区域路网交通状态识别与预测技术研究》文中指出随着我国汽车保有量、出行总量和出行范围的快速扩张,交通拥堵问题愈加严重,逐渐由局部瓶颈拥堵演变为区域路网内蔓延性拥堵,已严重影响了交通系统的运行效率,产生交通安全和环境污染等社会问题。交通流参数预测可分析带有随机性和不确定性的交通参数变化规律,为缓解交通拥堵提供技术支持。交通数据是交通流参数预测实现的基础,近年来,蕴含着较传统固定检测器数据更大的连续时间、空间交通流信息的浮动车数据,逐渐成为智能交通领域的重要数据源。然而,浮动车的覆盖比例较低导致的样本量稀疏问题严重制约了浮动车数据在交通领域的应用,如何基于稀疏的浮动车数据,重建完整的交通流参数是交通流参数预测研究中需要解决的问题之一。城市中交通网络与交通分布具有明显的异质性问题,基于整体路网数据进行交通流参数预测会降低预测模型的精度,同时增加计算复杂度。如何将运行特征相似的路段进行聚集,实现区域路网子区的精确划分,是交通流参数预测研究中需要解决的问题之二。交通流状态的演变,具有复杂的非线性特征,现有的交通流参数预测方法预测精度不足,这在一定程度上限制了交通流参数预测在缓解交通拥堵上的作用。如何实现高精度、鲁棒性的交通流预测是需要解决的问题之三。针对上述问题,本文以稀疏的浮动车数据为基础,选取道路平均行程速度这一重要交通流参数作为研究对象,重点针对高速公路和城市快速路衔接区域展开局部区域路网内道路的交通状态估计与预测方法的研究,具体的研究内容包括:（1）路网浮动车数据的采集与处理分析。首先,针对原始浮动车轨迹数据中各种异常数据的表现形式,制定了异常数据清洗流程。然后,为了从浮动车轨迹数据中提取交通流参数信息,采用基于隐马尔科夫模型（Hidden Markov Model,HMM）的地图映射方法,将GPS浮动车数据与从Open Street Map（OSM）获取的电子地图数据进行匹配。接着,基于路网覆盖强度和覆盖率分析了浮动车数据的最小样本需求量,并对浮动车数据的稀疏特性进行了分析。（2）提出了基于低秩张量分解算法的路段平均行程速度估计模型。首先,基于多模式交通流相关性分析和低秩性分析,以路段、周、天、时段四个维度为基础,构建行程速度张量。然后,针对该张量模型明显的稀疏问题,提出了基于截断核范数的低秩张量分解模型对缺失位置的交通流参数数据进行填充,从而实现了张量模型中缺失位置的路段交通流参数的估计。接着,基于北京市路网中获取的海量浮动车GPS轨迹数据进行了实验分析,结果表明,本文所提方法的填充精度较基于矩阵和向量形式的方法提升2%以上。（3）提出了基于密度峰值优化的归一化割（Normalized Cut,NCut）算法实现路网子区划分。首先,基于路段平均速度时间序列计算交通运行相似度,构建路网带权图。接着,基于NCut算法将交通流运行特征相似的路段进行聚集,进而将一个异质性较大的路网划分成多个同质性较强的子区域;针对NCut算法结果对初始聚类中心敏感的问题,提出了一种基于密度峰值优化的NCut算法,该方法通过计算各数据点的局部密度及与高局部密度点之间的距离来确定初始聚类中心及聚类数目。然后,基于平均行程速度和单位时间延误两个交通流参数,利用密度峰值优化的模糊C均值聚类（Fuzzy C-means,FCM）算法实现了交通状态识别。算法的验证结果表明,改进后算法交通状态分类识别效果的提升幅度为15.27%。（4）提出了时间序列分解模型和注意力机制组合优化LSTM的路段平均速度预测算法。首先,该算法模型以预测道路所在子区域内各路段的交通流参数时间序列及子区域交通状态作为输入。针对交通数据的非线性和非平稳性制约预测精度的问题,提出基于时间序列分解方法对时序数据进行分解,从而得到若干波动性较弱、规律性较强的分量,输入至LSTM模型中实现平均行程速度的预测。然后,针对交通流状态演变的局部周期性转移问题,提出采用注意力机制对LSTM模型结构进行优化。多场景下的验证结果表明,所提出的基于注意力机制和时间序列分解组合优化LSTM的预测方法与其他基线方法相比,预测精度提升均在3%以上,且在非常发性交通拥堵发生时,具有较强的鲁棒性。
王璐[2]（2021）在《基于交通知识图谱的轨迹目的地预测》文中研究说明根据行进中车辆的部分轨迹进行最终的目的地预测这一任务,无论在商业广告推荐、公共治安管理还是交通调度中都具有十分重要的意义。而由于交通路网中的路段受到周围兴趣点及所在功能区的影响,目的地预测任务的结果取决于当前轨迹的状态和时间等多种因素,并且轨迹数据所具有的稀疏性特征可能会影响预测的准确率。这些因素都导致了从已知的轨迹中学习到车辆的出行意图并准确地对目的地进行预测是一项十分具有挑战的任务。为了解决上述问题,本文提出了一种基于交通知识图谱的轨迹目的地预测模型。这一模型首先通过自底向上构建多层交通知识图谱对复杂的交通路网进行建模并对相关算法进行了优化,其中路网层通过位置关系关联路网中的各个路段实体和兴趣点实体,融合路网中的多源信息,实现路网中节点之间的相互感知。轨迹层可以作为路网层的补充,为路网层中路段实体之间的关系补充上下游的方向和路段实体之间游走的概率,在实体间建立轨迹数据中包含的路段实体之间的关系,并学习路段实体在现实轨迹中的定位。功能层通过Mean-Shift算法对轨迹的起点和终点进行聚类以获得路网中各实体功能区域,为后续的目的地预测任务挖掘轨迹背后的出行动机。为了将多层知识图谱中的信息嵌入到多维空间,本文根据多层知识图谱的特性,提出了Traffic Graph-Bert算法,通过随机游走算法加权对每一层中节点关联度进行求和,从而将知识图谱划分为多个子图并通过Transformer学习节点在子图和全图中的特征。在获得路段实体的表示向量后,本文通过自注意力机制模型学习轨迹序列中节点信息及其时序信息,在保留长轨迹序列中信息的同时,学习轨迹中不同区域对于预测结果的贡献程度,使预测结果有更加直观的表现形式。并将时间信息和起始点所在功能区作为元数据加入到模型之中,提升模型预测准确率。同时为了解决轨迹稀疏所导致的标签分布不均的问题,本文还对路网建立二叉搜索树并基于目的地密度对区域进行划分。本文使用滴滴公开的成都出租车轨迹数据作为数据集,对模型之中的各模块进行了消融实验证明了各模块的有效性,且与基于马尔可夫链的模型和其他基于神经网络的方法进行了对比并取得了最好的结果,最后还通过改变数据分布证实了模型在应对轨迹稀疏性时模型的鲁棒性。
王鑫[3]（2021）在《基于大规模GPS数据的城市出租车运营服务关键问题研究》文中认为出租车是城市交通运输系统的重要组成部分。自19世纪以来,出租车一直以其不可替代的舒适性和便利性受到人们的青睐,成为传统公共出行方式的重要补充。随着经济社会和城市建设的发展,交通出行需求量大幅增长,出租车市场的供需矛盾日益突出。交通高峰期,出租车供不应求,乘客打车难的现象非常普遍,特别是在城市热点区域;非高峰时段,出租车供过于求,较高的空载率不仅增加了司机的运营成本,还给道路交通带来额外的负担,加剧空气污染。此外,市场监管缺失、外部竞争激烈、运营成本飙升、停靠站形同虚设等问题更加重了出租车司机对行业低收入现状的担忧。如何提高驾驶员运营效率,维持出租车市场供需平衡已成为城市出租车司机和客运监管部门重点关注的问题。从内部提高从业者自身的运营能力和从外部完善出租车运作的服务系统是解决当前行业热点问题的主要手段。了解出租车出行及运营行为特征,分析高收入群体的智慧运营策略,规划高效的空载出租车巡航路线,优化出租车服务设施建设及布局等具体措施不仅能够帮助驾驶员个体增加运营收入,还能够为改善出租车市场整体运营效率、提升行业服务水平提供理论支持,在城市交通规划与管理中发挥关键作用。早期的出租车出行信息主要通过问卷调查、电话访谈、网络抽样等传统数据采集方式获取,工作量大、样本量低、受访者覆盖面窄以及报告准确性低等局限为相关领域的研究带来挑战。近年来,随着全球定位系统（GPS）设备在城市出租车中的快速普及,海量个人轨迹数据的获取变得越来越容易,挖掘高分辨率出租车GPS数据中包含的潜在信息为出租车运营及服务领域的研究提供了新的视角。本文以大规模出租车GPS数据为研究基础,分析出租车出行及运营行为特征,从内部学习、外部引导以及环境优化的角度,设计了出租车运营策略分析方法、出租车巡航路径推荐方法以及出租车停靠站空间布局优化方法,对城市出租车运营服务中的关键问题展开研究。本文的研究主要包括以下几个方面:（1）基于大规模GPS数据对出租车出行特征进行分析。从出租车轨迹数据中挖掘分析出租车出行特征是出租车运营服务及其相关研究中的基础工作。本文提出了基于出租车GPS数据的出租车出行特征分析方法框架,结合交通供需关系构建了出租车出行特征分析指标体系,提取能够有效服务于出租车运营服务关键问题研究的各项共性及个性指标,识别出租车驾驶员换班事件,并对出租车出行及运营行为等重要特征进行系统分析。（2）研究了基于结构方程模型的出租车运营策略分析方法。了解出租车出行的基本特征是基于大规模出租车GPS数据进行出租车运营效率改善研究的必要前提,而揭示出租车驾驶员的运营策略差异则是帮助行业低收入群体提高运营能力的有效措施。本文针对出租车运营过程中的服务及巡航行为展开分析和建模,提取并验证巡航策略与服务策略的表征因素,利用结构方程模型探索出租车驾驶员的运营表现与其服务策略、巡航策略及各自观测变量的相关性,对比发现高收入群体的智慧运营模式,据此提出有利于提高驾驶员运营效率的可行性建议。（3）研究了考虑网约车竞争力的出租车巡航路径组合推荐方法。高效运营策略的吸收和运用在一定程度上能够帮助驾驶员提高自身的运营能力,然而出租车司机间的个体差异较大,对于学习能力较差的群体来说,更直接的手段是为其提供巡航路线规划方案,以有效降低空载时间。本文在出租车运营策略分析的基础上,探讨了驾驶员巡航决策的影响因素,据此对城市交通库仑定律进行扩展与改进,将网约车的竞争力纳入巡航推荐策略中。基于扩展定律构建以交通场力最大为建议原则的最佳巡航区域推荐方法和以行程时间最短、载客概率最高为规划目标的最优巡航路径推荐方法,并利用高效司机和普通司机的空载轨迹对组合推荐方案进行实例验证。（4）研究了城市热点区域出租车停靠站双目标布局优化方法。出租车停靠站作为一种交通服务设施,能够为司机和乘客提供双向的候客候车互动环境,降低出租车空载里程,减少燃油成本消耗。考虑到驾驶员及乘客对出租车站点的选择和使用偏好也会影响出租车司机的巡航决策,在巡航路径规划前有必要对出租车停靠站的空间布局进行优化,以避免推荐策略的失效。本文探讨了出租车停靠站的可行设置区选择问题,结合站点实际布设原则,划分出行发生子区并生成候选站点,构建双目标选址模型优化城市出租车停靠站的空间布局,并通过与实际站点布设方案的对比进行实证分析。本研究旨在通过挖掘大规模出租车GPS数据中包含的潜在信息解决城市出租车运营服务中的关键问题。出租车出行特征分析、驾驶员运营策略对比、巡航路径推荐、站点布局优化等研究成果在帮助出租车司机降低空载率,提高运营效率和服务水平的同时,还能够改善居民的出行体验,缓解城市出租车供需矛盾问题,方便交通规划人员和政策制定者更好地了解出租车市场需求,据此加强辅助设施建设并提供相应的政策支持。
王启燕[4]（2020）在《基于时间序列关联规则挖掘的交通拥堵预测研究》文中指出城市化水平的不断提高,带来交通拥堵问题的频繁发生。如果能够通过一定的手段,对交通流情况进行预测,则可以缓解城市交通压力。在城市道路网中,交通拥堵呈现出向四周辐射的特性。本研究以交通拥堵预测和挖掘拥堵传导规律为目的,从时空两个维度对拥堵传导进行建模,提出一种基于遗传网络规划算法（GNP）的时间序列关联规则挖掘模型,通过挖掘城市路网之间的拥堵传导规则,对未来道路的交通状态进行预测。本研究首先介绍了关联规则挖掘算法的相关理论,分类依据以及经典的关联规则挖掘算法,同时对时间序列关联规则及在交通领域中的应用进行了阐述。接下来,文章介绍了遗传网络规划（GNP）算法的相关概念,对基本结构,进化流程以及涉及的遗传算子进行了详细的分析,并将GNP算法与经典关联规则挖掘算法进行比较说明,为数据建模提供了方法支持。然后,文章建立了基于GNP的关联规则挖掘模型,详细说明了关联规则的挖掘形式,规则提取原理,适应度函数的表达式。另外,本章介绍了一种交通状态数据获取方法,通过爬虫手段采集高德地图开放平台提供的交通态势数据,为实证分析提供数据支持。接下来,通过获取北京市三环内的道路交通态势数据,进行模型验证,从广域和局部两个角度,分析模型预测效果和拥堵传导规律。通过与基于神经网络的拥堵预测模型进行比较,本研究所建立的模型不仅能够较好的预测未来交通拥堵情况,相比于神经网络的黑箱预测过程,本研究能够基于挖掘的道路拥堵传导信息,较好的解释模型的预测结果。本研究通过提取交通拥堵传导规律,不但能够对未来的交通状态进行预测,建立拥堵预警防治机制,以降低道路拥堵发生率,提高交通出行的效率;而且,本研究通过对局部区域的拥堵传导规律进行直观展示,以国贸桥、玉泉营桥和北京西站为例,分析不同道路结构,道路所处环境对交通拥堵传导速度,反应时间的影响。通过分析发现道路规划中不完善的部分,提出相关改进规划意见,帮助交通管理者和城市建设者更好的规划设计交通路网,从而推动智能交通领域服务技术向智能化、多样化和专业化发展。
刘力源[5]（2020）在《考虑时空相关的路段平均速度预测研究》文中指出经济快速发展诱发了更多出行需求,城市内交通拥堵问题日益严重。智能交通系统被认为是缓解拥堵提高效率的有效方法之一。交通预测技术能够为智能交通系统实现交通信息发布与诱导功能提供数据基础,帮助出行者提前规划路径,在一定程度上缓解拥堵。出租车GPS数据提供了海量乘客上下车地点、速度、运行方向等城市交通动态变化信息,为挖掘路网内路段间的时空相关性,提高交通参数和状态预测准确率提供了有力的数据支持。已有研究主要集中在短时交通流预测及拥堵状态预测,而速度是反映道路状态的核心指标,速度预测也是交通参数预测研究的重要内容。论文基于出租车GPS数据对城市路段平均速度进行预测,首先提出了利用关系型数据库MySQL的GPS数据处理流程,包括时间坐标转化、路段划分、地图匹配、路段平均速度估算和数值插补。在进行地图匹配时,本文基于已有算法的优点和本文数据集的特征,充分利用路网拓扑结构、几何因素和车辆轨迹等信息对GPS轨迹点进行匹配以及偏移点修正。随后,基于特征选择和深度学习知识,引入基于自适应遗传算法的两阶段特征选择方法和门限循环单元神经网络,建立考虑多路段时空相关的路段平均速度预测模型。最后,利用基于济南市GPS轨迹数据得到的路段平均速度进行数据实验,在对速度数据集进行规律分析后,实现路段平均速度的预测,并从特征选择、空间相关以及预测模型角度出发多维对比各种算法的预测效果。本文研究能够从空间相关性和预测模型上丰富交通参数预测领域的研究,由于模型的预测结果较好,在实际应用中可以为交通管理和居民出行提供理论支持。
臧金蕊[6]（2020）在《面向排放测算的城市路网全样流量测算方法研究》文中认为机动车等移动源的动态排放测算一直是我国进行空气质量模拟工作的瓶颈问题。基于各污染源动态排放量的空气质量模拟,是空气污染物治理中制定决策的重要依据。目前工业源等固定源已实现在线实时监测,可获取连续动态排放数据,而机动车为主的移动源多为一年一度的静态排放总量测算,难以支撑大气污染物的实时动态测算和空气质量模拟分析。机动车移动源动态排放测算难以实现的重要原因之一是缺乏有效的路网全样动态流量测算方法。机动车路网动态排放量基于路网动态流量、道路长度和排放因子进行测算。其中,单车排放因子测算方法得到国内外大量学者的深入研究,已具备有效测算方法;而路网全样流量受监测技术限制,难以通过实际采集的方式获取,也缺乏有效测算方法,导致路网动态排放测算难以实现。因此,有必要开展路网全样动态流量测算方法的研究。目前路网全样动态速度采集技术较为成熟,基于流量-速度基本图模型,通过速度数据推算流量,是获取路网全样流量数据的重要手段。基于交通流基本图的流量测算研究开展较早,但由于其难以对面向交通管理与控制的短时间粒度（5min）流量进行准确测算,在交通管理与控制领域并未得到广泛的实际应用。对于路网机动车动态排放测算,小时粒度流量已满足需求,同时基于交通流模型的小时粒度流量测算精度较高,适应于路网机动车排放测算领域。因此,本文将基于交通流基本图模型研究面向排放测算的路网全样动态流量测算方法。道路交通流特征是人的出行规律在路网上的表达。受出行目的和道路功能影响,交通流表现出不同形态,例如,以通勤出行为主的工作日交通流和以娱乐活动出行为主的周末/节假日交通流具有不同形态;放射线潮汐流和环路交通流具有不同单双峰形态。出行的规律性及道路的分类分级特征,使交通流可被聚类为有限模式。由于不同模式交通流存在明显差异,针对不同模式分别进行流量预测,有助于提高流量预测精度。因此,研究交通流模式的划分和识别方法是十分必要的。基于以上背景,本文基于多源速度、流量和排放实测数据,研究交通流模式划分和识别方法,对交通流基本图影响因素进行定量分析,建立各等级道路不同交通流模式、不同时段下的交通流基本图模型,实现路网全样动态流量测算,并进行路网动态排放测算的案例应用。本文的主要研究内容和发现总结如下:（1）提出了基于速度时变差异直接指标的交通流自组织映射（Self-organizing Maps,SOM）算法神经网络聚类方法,可以实现对城市交通流的高效聚类。构建了周一到周四工作日、周五工作日、周六、周日、雨天、节假日、晚高峰突出、早高峰突出8类交通流模式,可以有效刻画城市道路90%以上交通流模式。（2）提出了各等级道路不同时段速度指标的交通流模式快速识别算法。本文提出的基于24小时、早晚高峰、0:00-12:00和早高峰速度指标的模式识别方法精度均较高,各等级道路平均正确识别率分别为94.87%、93.64%、82.45%和80.96%。深度置信网络能高效实现大规模速度数据的模式识别,对全天、早晚高峰、0:00-12:00速度指标的平均正确识别率分别为93.02%、90.98%、82.45%;经过遗传算法和模拟退火遗传算法优化的BP网络模式识别精度提高,对全天速度指标的识别精度分别提高7.38%和7.96%。（3）基于交通流基本图模型构建了各等级道路不同交通流模式、不同时段下的路网全样动态流量测算方法。通过对特定道路流-速-密基本图模型影响因素的定量分析,发现除已被既有研究识别出的大型车比例、天气条件外,早/晚高峰、工作日/节假日等不同出行目的引起的驾驶行为差异会显着影响交通流基本图。同一路段早高峰通行能力比晚高峰高3.47%,节假日通行能力比工作日高4.73%。综合考虑道路等级、早/晚高峰、工作日/节假日等因素比只考虑道路等级构建的交通流模型对流量测算的精度提高6.51%。（4）进行了基于路网全样动态流量对机动车路网动态排放量进行测算的案例应用,验证了本文提出的面向排放测算的路网全样流量测算方法的可靠性,可对节能减排政策进行快速评估。
张东冉[7]（2020）在《融合多源数据的城市快速路交通状态识别及预测研究》文中认为城市快速路是城市交通的重要组成部分,影响着城市交通系统的运行效率。随着多源交通数据采集技术的完善,融合多源数据的城市快速路交通状态划分识别和预测是进行交通管理控制的基础,不仅有助于交通管理部门精准掌握城市交通运行情况,而且有助于出行者合理选择出行路线,提高城市交通运行效率。然而,国内外学者在研究中还存在不足之处,主要为:一是通常采用模糊均值聚类算法对交通状态进行划分,而模糊均值聚类效果受初始值选取影响较大;二是对多源交通数据融合的研究主要是在数据层和决策层,对特征层融合的研究较少;三是采用深度学习算法对交通状态识别和预测时,因为算法参数较多,难以寻找到最优的参数组合。基于此,本文通过提取多源交通数据的特征获得交通流量和行程速度,引入模拟退火粒子群算法对模糊均值聚类初始值选取进行优化,采用贝叶斯算法对Xgboost交通识别算法超参数进行优化,利用遗传算法对Bi LSTM交通数据预测算法超参数进行优化,将预测的交通流量和行程速度输入到交通状态识别模型中获得预测交通状态。本文的主要研究内容如下:（1）对交通卡口数据提取交通特征获得交通流量,对浮动车轨迹数据提取交通特征获得行程速度。进行异常数据识别与修复,利用时空相关性理论筛选出相关路段,作为数据融合研究的基础。（2）采用模拟退火粒子群优化模糊均值聚类（SAPSO-FCM）初始聚类中心,建立交通状态划分模型,实现交通状态科学划分。（3）采用贝叶斯优化Xgboost算法的超参数,形成BO-Xgboost交通状态识别模型,实现Xgboost超参数快速寻优,建立交通状态识别模型。（4）采用遗传算法对Bi LSTM超参数组合进行优化,应用于交通流量和行程时间的预测,实现交通数据高精度预测,将预测值输入到BOXgboost模型中获得预测交通状态。实例表明:SAPSO-FCM算法目标函数终值始终相同,且低于FCM算法目标函数终值,具有更好的收敛性和稳定性。相比对照模型,BO-Xgboost模型平均准确率为99.65%,平均准确率最高。GA-Bi LSTM模型在交通流量和行程时间预测中均表现出更高的预测精度,交通状态预测准确率达到90.97%。本文针对多源数据下城市快速路交通状态划分、识别和预测展开了研究,形成一套融合交通流量和行程速度的技术方案,丰富了交通状态领域的研究成果。
杨洋[8]（2020）在《面向城市交通需求分析的多源数据分析及应用研究》文中提出交通需求分析是交通规划的核心工作,旨在以量化分析手段为规划提供科学、客观的决策依据,而能否准确把握交通发展规律取决于对现状相关资料的了解程度和分析方法的合理性。随着信息化深入发展和数据采集技术加速迭代,大样本、细粒度、多维度、快速更新的新数据极大地拓展了以规划文本、交通调查等为主的传统数据集,为充分认识人口、土地利用、交通网络等因素在内的城市空间结构对城市交通源流的影响机理以及合理把握交通发展趋势提供更完备的数据支持。本文以移动定位数据和互联网地理信息开放数据为主要分析对象,围绕数据适用性和模型普适性探讨上述数据在用地、职住分布、出行生成和分布等交通需求分析基础数据挖掘中的应用价值。移动定位数据方面,对应用场景重叠度高但数据采集机制和原理存在差异的移动通讯和移动地图定位数据进行空间适用性分析。从人口统计数据中提取人口结构,为职住人口和基于出行链的出行数据扩样提供基准,针对职住人口和OD扩样结果,分别对行政区、街道和交通小区3个典型分析尺度进行全量职住人口、OD稳定性和一致性分析。分析结果表明,采用基站定位技术的移动通讯数据适用于中宏观尺度的分析,采用综合定位技术的移动地图定位数据在微观尺度比移动通讯数据更有优势,移动通讯数据增加了位置切换和固定时间间隔等被动事件触发数据采集的机制,对个体持续观测能力强,分析结果稳定性优于后者。互联网地理信息开放数据方面,探讨了兴趣点和兴趣面数据在用地功能识别、职住分布和交通需求预测中的应用。对于用地功能识别而言,基于逆地理解析接口获取的带有面积、权重属性的兴趣点和高德地图、Open Street Map互补的兴趣面均能够支持交通小区尺度的分析,前者在建设用地功能识别效果较好,后者能够补充非建设用地识别结果。对于职住人口分布和交通需求预测而言,首先构建以分类兴趣点构成为输入的BP神经网络,该模型在交通中区尺度对职住人口和交通生成量的预测结果与移动定位数据基本一致且具备空间移植性,然后对比双约束重力模型与无可调参数的人口权重机会模型和辐射模型,人口权重机会模型和辐射模型基于人口分布的自然衰减机制也能得到与标定最优参数的双约束重力模型一致的分析结果。基于兴趣点的职住人口和交通需求预测在中宏观尺度是可行的,相对移动定位数据具有无数据成本的优势,为无充足现状数据支持下的分析提供新思路。论文研究成果为特定交通需求分析场景下的数据选择提供理论依据,以兴趣点和兴趣面为主的开放数据在用地功能识别、职住人口分布和交通需求预测的成功应用为交通规划拓展了数据获取渠道。
肖捡花[9]（2020）在《交通领域下在线集成时间序列预测方法及应用研究》文中研究表明交通领域下的时间序列数据（time series data）是指某一时间段下顺序采集到的数据,它通常用于客观地描述和记录车辆行驶过程中的某一事物或现象随时间变化的发展规律。通过对该领域下的时间序列数据进行分析,可以很大程度地挖掘数据中所隐藏的变化规律,从而对构建和谐交通、拥堵避免以及安全行驶做出重大贡献。而时间序列预测是分析时间序列数据的主要方式,它可以通过挖掘数据中所隐藏的变化规律,构建其预测模型来预测某一现象或事物的发展趋势。因此,如何构建交通领域下的时间序列预测模型具有重要的现实意义和研究价值。在构建时间序列预测模型时,通常需要考虑以下两个方面。首先,时间序列数据是一种数据体量大、种类繁多且可真实反映事物或现象变化的大规模数据,因此预测模型通常必须具备训练大规模数据集的能力,而在线学习（online learning）是实现大规模数据学习的技术手段之一;其次,在非平稳环境中采集数据时会受到外部环境的影响,使得数据原本的分布情况随时间的推移发生改变,即存在概念漂移（concept drift）的现象,而集成学习（ensemble learning）作为一种辅助框架为解决概念漂移问题提供了重要的突破口。针对时间序列预测中存在的待处理数据庞大和概念漂移的问题,本文以交通领域中采集到的时间序列数据为基础,结合在线学习和集成学习,对如何构建基于在线集成学习的时间序列预测模型展开研究。本文主要的工作和贡献如下:1.提出一种基于非参数核平滑的在线集成回归模型在线学习是一种有效提高机器学习算法空间效率的技术,而集成学习作为实现组合算法的技术之一被广泛地应用于模型的性能优化领域。针对在线学习不允许再训练导致的参数选取困难的问题,提出一种基于非参数核平滑的在线集成回归模型。该模型首先引入拓扑学习神经网络,通过改进核密度回归方法将拓扑学习神经网络转换成一种前馈神经网络,并推导出相应的回归表达式;然后,设计最大似然估计用于回归模型的自适应参数选取;最后,通过结合集成学习的加权训练策略,提高拓扑学习回归预测模型的性能。所提出的方法在UCI数据集和交通流数据集上的对比实验结果表明,该方法的预测精度最高可分别提升45.27%和54.29%。2.提出一种基于分类型损失函数的增量回归预测模型在非平稳环境下所收集到的数据会受到外界环境影响而发生分布上的变化,即概念漂移的发生。不同的非平稳环境会发生不同的概念漂移,其中包括突然地、快速地、渐进地或周期性地甚至是变化率不同的概念漂移。因而导致具有固定的模型类型和参数设置的传统时间序列预测方法的性能逐渐下降。针对概念漂移带来的预测困难,提出一种概念漂移环境下的增量回归模型,以解决在非平稳环境下的数据分布变化问题。该模型首先通过将时间序列预测的回归任务转换为二元分类任务;其次,基于此变换构造出用于增量学习和集成学习的分类型损失函数;最后,通过将逐步更新的分离超平面进行公式推导得到最终的增量回归模型。在交通流预测应用上的实验结果表明,该方法的表现相较于现有的增量回归和集成回归方法更具稳定性,其预测精度最高可提升53.41%。3.提出一种基于在线迁移回归的集成位置预测模型时间序列数据通常存在前后点不一定是相邻时刻,即可能发生数据缺失的问题。尤其是在基于GPS设备的采集过程中,由于采集频率、设备精度、以及基站和GPS信号强弱等不同层次的原因,造成所采集到的位置时序数据在时间刻度上的观测值是不准确的甚至是缺失的。针对因GPS信号中断所带来的位置时序数据丢失的问题,提出一种在线迁移回归模型。该模型首先将GPS数据和辅助车辆行驶数据进行融合再进行训练;然后,在数据缺失期间,利用迁移学习来降低不利于当前情况下的训练样本的权重;最后,通过建立分类类型损失函数以进行集成回归学习,从而获得在线迁移回归模型。实验采用了真实的车辆位置数据集来验证,其结果表明所提出的方法相比现有的方法的预测精度提高了13.47%—61.51%。4.提出一种基于自适应分类型加权策略的在线集成LSTM预测模型单个长短期记忆神经网络（long short-term memory,LSTM）因其特殊的网络结构导致其训练时会产生大量的网络参数。且在每一个时间步长内会快速修改和更新LSTM记忆单元,从而对网络内部进行动态调整。针对单个LSTM的参数优化工程量大和内部变化难以捕捉的问题,提出一种基于自适应加权策略的在线集成LSTM预测模型。该模型首先基于虚拟二分类思想构造出用于回归任务的分类类型损失函数;然后,为了捕获基础LSTM模型在每一个时间步长下的变化,设计出一种自适应分类型加权策略,从而得到基于LSTM的在线集成预测模型。在交通速度预测应用上的实验结果表明,所提出的预测模型在性能上比单个LSTM模型提升了35.13%—48.02%,且比现有的集成LSTM方法提高了14.5%—28.45%。
梁治斌[10]（2020）在《考虑车辆动力学信息的电动汽车微观交通流建模研究》文中提出随着社会经济的发展,电动汽车（Electric Vehicle,EV）逐渐成为了人们的代步工具。电动汽车在一定程度上缓解了能源消耗和环境污染问题,但是提高交通效率避免交通拥堵仍然是交通管理的关键。因此,如何针对电动汽车交通流进行理论和实践方面的深入认知,以科学的方法为指导有效缓解甚至避免交通拥堵是亟待解决的问题。在此背景下,本文利用车车/车路（Vehicle-to-Vehicle/Vehicle-to-Infrastructure,V2V/V2I）通信等先进技术手段,实现互联车辆环境下交通流的建模研究,分析模型的稳态和动态特性,进而为缓解交通拥堵和提高交通效率提供理论依据。论文主要工作包括:（1）针对网联环境下电动汽车微观交通流建模问题,提出考虑车辆动力学信息的电动汽车交通流跟驰模型首先,通过分析优化速度（Optimal Velocity,OV）模型和全速度差（Full Velocity Difference,FVD）模型,剖析建模思路和影响交通流特性的潜在因素。其次,基于微小扰动法和约化摄动法阐述了模型的线性稳定性和非线性稳定性的分析方法,得到模型的稳定性区域和不稳定状态下模型的扭结波。最后,综合考虑电动汽车动力学特性,建立电动汽车交通流模型。（2）针对本文所提出的电动汽车交通流跟驰模型,基于微小扰动法和约化摄动法分析模型的稳定性首先,采用微小扰动法分析本文所提出的电动汽车交通流跟驰模型的线性稳定性,获得模型的稳定性条件和稳定性区域。基于MATLAB的数值仿真实验结果表明本文所提出的电动汽车交通流跟驰模型的稳定性区域相比FVD模型更大,稳定性更好。其次,采用约化摄动法分析所提出的电动汽车交通流跟驰模型的非线性稳定性,获得交通流在不稳定状态下的扭结-反扭结密度波以阐释交通拥堵现象。最后,采用MATLAB在车辆启动过程、停止过程和演化过程进行动态性能数值仿真。结果表明本文所提出的跟驰模型的动态性能相比FVD模型更优。（3）针对本文所提出的电动汽车交通流跟驰模型,搭建一套互联环境下的真车实验平台以验证交通流特性为了进一步验证电动汽车交通流特性,采用V2V/V2I通信技术、差分全球定位系统（Global Positioning System,GPS）技术和嵌入式Linux技术搭建了由车载设备（On-Board Unit,OBU）和路侧设备（Roadside Unit,RSU）组成的真车实验平台,实现了真实道路环境下车辆互联、算法加载和建议信息推送等功能。在选取的实验道路上通过搭载车载设备的电动汽车实施模型的真车实验,以验证电动汽车交通流模型的特性。
二、GPS在交通领域的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、GPS在交通领域的应用（论文提纲范文）
（1）基于稀疏数据的区域路网交通状态识别与预测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于缺失或稀疏数据重建交通流参数的研究现状 |
| 1.3.2 交通子区域划分算法研究现状 |
| 1.3.3 交通状态识别算法研究现状 |
| 1.3.4 交通状态预测算法研究现状 |
| 1.4 论文研究内容及技术路线 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文研究技术路线 |
| 2 路网浮动车数据的采集与处理分析 |
| 2.1 浮动车数据采集 |
| 2.2 路网浮动车数据描述 |
| 2.3 浮动车异常数据预处理 |
| 2.4 路网浮动车数据地图匹配方法 |
| 2.4.1 地图匹配算法 |
| 2.4.2 地图匹配结果 |
| 2.5 基于路网覆盖能力的浮动车数据最小样本需求量分析 |
| 2.5.1 浮动车数据路网覆盖强度和覆盖率分析方法 |
| 2.5.2 浮动车数据最小样本需求量算例分析 |
| 2.6 浮动车数据的稀疏特性分析 |
| 2.7 本章小结 |
| 3 基于张量分解的路网内路段行程速度稀疏张量重建算法 |
| 3.1 张量理论基础 |
| 3.1.1 张量相关定义 |
| 3.1.2 基本符号 |
| 3.2 基于相关性分析和低秩假设的路网内路段行程速度稀疏张量建模 |
| 3.2.1 交通数据的相关性分析 |
| 3.2.2 路网内路段行程速度稀疏张量模型 |
| 3.2.3 交通数据的低秩性分析 |
| 3.3 基于截断核范数的低秩张量分解填充算法 |
| 3.4 路网内路段行程速度稀疏张量重建算例分析 |
| 3.4.1 实验数据 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 4 基于密度峰值优化的路网子区划分及交通状态识别算法 |
| 4.1 路网交通子区划分算法研究 |
| 4.1.1 路网子区划分的原则 |
| 4.1.2 基于NCut的路网子区划分方法 |
| 4.1.3 基于密度峰值聚类改进NCut的路网子区划分方法 |
| 4.2 路网子区内路段交通状态识别算法 |
| 4.2.1 交通流参数的选择 |
| 4.2.2 基于FCM算法的交通状态识别 |
| 4.2.3 基于密度峰值聚类和FCM算法的交通状态识别 |
| 4.3 路网子区域划分与交通状态识别算例分析 |
| 4.3.1 路网交通子区划分算例分析 |
| 4.3.2 子区域交通状态识别算例分析 |
| 4.4 本章小结 |
| 5 基于组合优化深度学习算法的路网内路段行程速度预测 |
| 5.1 LSTM理论基础 |
| 5.2 基于STL的 LSTM模型输入向量优化 |
| 5.3 基于注意力机制的LSTM模型结构优化 |
| 5.4 基于注意力机制和LSTM的交通流参数预测模型 |
| 5.5 交通流参数预测算例分析 |
| 5.5.1 数据准备 |
| 5.5.2 模型构建与参数设置 |
| 5.5.3 误差评价指标 |
| 5.5.4 预测结果对比分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 论文主要工作 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于交通知识图谱的轨迹目的地预测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究问题及相关定义 |
| 1.4 本文主要贡献与创新 |
| 1.5 本论文结构安排 |
| 2 相关理论基础 |
| 2.1 深度学习 |
| 2.2 目的地预测 |
| 2.3 知识图谱概述 |
| 2.3.1 知识图谱简介及应用 |
| 2.3.2 领域知识图谱 |
| 2.4 图表示学习 |
| 2.4.1 图表示学习简述及应用 |
| 2.5 注意力机制 |
| 2.5.1 注意力机制简介及应用 |
| 2.5.2 自注意力机制 |
| 2.6 本章小结 |
| 3 基于多层知识图谱和自注意力机制的目的地预测模型 |
| 3.1 模型简介 |
| 3.2 交通知识图谱概述 |
| 3.2.1 交通知识图谱相关概念及公式表示 |
| 3.2.2 交通知识图谱构建思路 |
| 3.3 数据预处理 |
| 3.3.1 路网数据爬虫 |
| 3.3.2 数据清洗 |
| 3.3.3 轨迹数据预处理 |
| 3.4 多层知识图谱构建 |
| 3.4.1 路网层构建 |
| 3.4.2 轨迹层构建 |
| 3.4.3 功能层构建 |
| 3.5 交通知识图谱预训练 |
| 3.5.1 交通知识图谱的表示学习 |
| 3.5.2 基于Traffic Graph-Bert的多层知识图谱预训练 |
| 3.6 基于自注意力机制的目的地预测模型 |
| 3.6.1 模型构建思路 |
| 3.6.2 目的地预测模块 |
| 3.7 本章小结 |
| 4 实验与验证分析 |
| 4.1 实验设计 |
| 4.1.1 实验数据集 |
| 4.1.2 模型输入输出 |
| 4.2 对比方法分析 |
| 4.3 实验对比结果及分析 |
| 4.3.1 数据处理优化对比实验 |
| 4.3.2 消融实验 |
| 4.3.3 对比实验 |
| 4.3.4 模型鲁棒性实验 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）基于大规模GPS数据的城市出租车运营服务关键问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究目的及意义 |
| 1.3 研究现状综述 |
| 1.3.1 出租车行业运营问题 |
| 1.3.2 出租车运营策略分析 |
| 1.3.3 出租车巡航路径推荐 |
| 1.3.4 出租车站点选址布局 |
| 1.4 研究内容与组织结构 |
| 第2章 基于大规模GPS数据的出租车出行特征分析 |
| 2.1 概述 |
| 2.2 出租车出行特征分析方法 |
| 2.2.1 出租车出行特征分析框架 |
| 2.2.2 出租车出行表征指标体系 |
| 2.2.3 出租车运营常规特征 |
| 2.2.4 出租车供给行为特征 |
| 2.3 出租车GPS数据与预处理 |
| 2.3.1 出租车GPS数据来源 |
| 2.3.2 出租车GPS数据预处理 |
| 2.3.3 出租车个体轨迹提取 |
| 2.4 出租车运营行为特征分析 |
| 2.4.1 出租车供给行为特征分析 |
| 2.4.2 出租车出行特征时间分布 |
| 2.4.3 出租车出行特征空间分布 |
| 2.5 出租车换班行为特征分析 |
| 2.5.1 出租车换班模式分析 |
| 2.5.2 驾驶员换班事件识别 |
| 2.5.3 出租车换班行为时间分布 |
| 2.6 本章小结 |
| 第3章 基于结构方程模型的出租车运营策略分析 |
| 3.1 概述 |
| 3.2 出租车运营策略解析 |
| 3.2.1 出租车运营过程分解 |
| 3.2.2 驾驶员运营能力量化 |
| 3.3 出租车巡航策略构建 |
| 3.3.1 出租车巡航策略概述 |
| 3.3.2 落客点出租车需求强度计算 |
| 3.3.3 驾驶员巡航时间提取 |
| 3.3.4 出租车巡航终止状态识别 |
| 3.4 出租车服务策略构建 |
| 3.4.1 出租车服务策略概述 |
| 3.4.2 服务策略表征因素提取 |
| 3.5 出租车运营策略分析模型 |
| 3.5.1 结构方程模型基本原理 |
| 3.5.2 结构方程模型结构 |
| 3.5.3 出租车运营策略分析模型 |
| 3.5.4 运营策略表征因素验证 |
| 3.6 实证分析 |
| 3.6.1 时空约束条件 |
| 3.6.2 出租车司机运营效率分布 |
| 3.6.3 运营策略因素与观测变量转化 |
| 3.6.4 信度与效度检验 |
| 3.6.5 模型拟合情况与结果分析 |
| 3.6.6 出租车高效运营策略对比分析 |
| 3.7 本章小结 |
| 第4章 考虑网约车竞争力的出租车巡航路径组合推荐 |
| 4.1 概述 |
| 4.2 出租车最优巡航路径推荐问题 |
| 4.2.1 最优巡航路径推荐框架 |
| 4.2.2 推荐策略影响因素分析 |
| 4.2.3 路径推荐问题数据支持 |
| 4.3 考虑网约车竞争力的城市交通库伦定律 |
| 4.3.1 库仑定律 |
| 4.3.2 城市交通库伦定律 |
| 4.3.3 城市交通库伦定律扩展 |
| 4.4 基于交通吸引力的备选巡航区域选择 |
| 4.4.1 时空背景分割与元数据提取 |
| 4.4.2 最大巡航区域判定 |
| 4.4.3 区域加权净电荷计算 |
| 4.4.4 出租车备选巡航区域确定 |
| 4.5 出租车巡航路径组合推荐策略 |
| 4.5.1 区域电荷存储模型构建 |
| 4.5.2 出租车最佳巡航区域推荐 |
| 4.5.3 出租车巡航路径规划区设置 |
| 4.5.4 路径规划区路段权重函数构造 |
| 4.5.5 出租车最优巡航路径组合推荐 |
| 4.6 实例验证与分析 |
| 4.6.1 出租车时空竞争性分析 |
| 4.6.2 时空条件设置 |
| 4.6.3 高收入群体最大巡航距离对比 |
| 4.6.4 巡航区域推荐方案评价 |
| 4.6.5 最优巡航路径准确度分析 |
| 4.7 本章小结 |
| 第5章 城市热点区域出租车停靠站双目标布局优化方法 |
| 5.1 概述 |
| 5.2 出租车停靠站可行设置区分析 |
| 5.2.1 出租车停靠站定义及分类 |
| 5.2.2 出租车出行热点识别 |
| 5.2.3 出租车停靠站可行设置区选择 |
| 5.3 直列式出租车停靠站候选点位设置 |
| 5.3.1 出行子区划分与出行需求提取 |
| 5.3.2 出租车停靠站候选点位生成 |
| 5.4 出租车停靠站双目标布局优化模型 |
| 5.4.1 出租车停靠站布局优化目标 |
| 5.4.2 站点选址影响因素及约束条件 |
| 5.4.3 双目标优化模型构建 |
| 5.4.4 模型求解算法 |
| 5.5 实例验证与分析 |
| 5.5.1 出租车停靠站可行设置区选取 |
| 5.5.2 双目标布局优化模型参数设定 |
| 5.5.3 选址方案对比与分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 工作总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）基于时间序列关联规则挖掘的交通拥堵预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通拥堵预测方法 |
| 1.2.2 遗传网络规划算法研究现状 |
| 1.2.3 时间序列关联规则挖掘模型 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构与技术路线图 |
| 2 关联规则挖掘概述及在交通领域的应用 |
| 2.1 关联规则挖掘的基本概念 |
| 2.2 关联规则挖掘方法分类 |
| 2.3 关联规则挖掘的经典算法 |
| 2.3.1 Apriori算法 |
| 2.3.2 FP-growth算法 |
| 2.4 时间序列关联规则的定义 |
| 2.5 时间序列关联规则在交通领域的应用 |
| 2.5.1 时间序列关联规则的优势 |
| 2.5.2 基于交通拥堵的时间序列关联规则 |
| 2.6 本章小结 |
| 3 GNP算法相关理论 |
| 3.1 GNP算法的概念介绍 |
| 3.2 GNP算法的基本结构 |
| 3.2.1 GNP算法的表现型结构 |
| 3.2.2 GNP算法的基因型结构 |
| 3.3 GNP算法的进化流程 |
| 3.4 GNP算法的遗传算子 |
| 3.4.1 选择算子 |
| 3.4.2 交叉算子 |
| 3.4.3 变异算子 |
| 3.5 GNP与关联规则挖掘经典算法的比较 |
| 3.6 本章小结 |
| 4 基于GNP的时间序列关联规则挖掘模型 |
| 4.1 数据获取方法与预处理 |
| 4.1.1 数据获取方法 |
| 4.1.2 数据预处理 |
| 4.2 基于GNP的时间序列关联规则挖掘形式 |
| 4.3 交通拥堵关联规则的提取过程 |
| 4.4 规则池的更新与适应度函数 |
| 4.5 本章小结 |
| 5 基于GNP的关联规则挖掘算法的应用 |
| 5.1 实验数据说明 |
| 5.2 预测实验结果与分析 |
| 5.3 局部区域拥堵传导分析 |
| 5.3.1 不同立交桥结构对于交通状态的传导影响 |
| 5.3.2 北京西站对于交通状态的辐射影响 |
| 5.4 交通拥堵预测算法性能的比较分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 主要工作及结论 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）考虑时空相关的路段平均速度预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 研究内容及技术路线 |
| 1.4 本章小结 |
| 第2章 文献综述 |
| 2.1 出租车GPS数据在交通研究中的应用现状 |
| 2.2 交通预测模型研究现状 |
| 2.3 考虑时空相关的交通预测研究现状 |
| 2.4 本章小结 |
| 第3章 出租车GPS数据处理及速度获取 |
| 3.1 数据描述 |
| 3.2 数据预处理 |
| 3.3 地图匹配 |
| 3.3.1 路段划分 |
| 3.3.2 地图匹配的原理与算法 |
| 3.3.3 基于多信息的地图匹配 |
| 3.4 路段平均行程车速估算 |
| 3.4.1 单车行程车速估算 |
| 3.4.2 路段平均速度估算 |
| 3.4.3 速度数据插补 |
| 3.5 本章小结 |
| 第4章 考虑时空相关的路段平均速度预测模型 |
| 4.1 特征选择算法介绍 |
| 4.1.1 特征子集搜索策略 |
| 4.1.2 特征选择方法 |
| 4.2 基于自适应遗传算法的两阶段特征选择 |
| 4.2.1 基于最大信息系数的第一阶段特征选择 |
| 4.2.2 基于自适应遗传算法的两阶段特征选择 |
| 4.3 考虑时空相关的路段平均速度预测模型 |
| 4.3.1 门限循环单元 |
| 4.3.2 基于门限循环单元的速度预测模型 |
| 4.3.3 考虑时空相关的路段平均速度预测模型 |
| 4.4 本章小结 |
| 第5章 数据实验与结果分析 |
| 5.1 路段平均速度统计分析 |
| 5.2 路段平均速度时空规律分析 |
| 5.2.1 时间相关性 |
| 5.2.2 空间相关性 |
| 5.3 模型训练 |
| 5.4 模型预测结果及分析 |
| 5.5 模型对比与分析 |
| 5.5.1 特征选择方法对比 |
| 5.5.2 空间相关性对比 |
| 5.5.3 预测模型对比 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（6）面向排放测算的城市路网全样流量测算方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究目标与内容 |
| 1.3 研究方法与技术路线 |
| 1.4 论文框架与结构 |
| 2 国内外研究综述 |
| 2.1 污染物排放量测算方法 |
| 2.1.1 大气污染物排放测算方法 |
| 2.1.2 机动车排放测算方法 |
| 2.2 交通流量测算模型 |
| 2.2.1 交通流参数 |
| 2.2.2 经典交通流模型及其适应性 |
| 2.2.3 宏观交通流基本图模型 |
| 2.3 交通流模式聚类方法 |
| 2.3.1 聚类分析方法及其在交通流聚类中的应用 |
| 2.3.2 交通流时间序列模式划分 |
| 2.4 模式识别算法及其在交通领域中的应用 |
| 2.4.1 模式识别算法 |
| 2.4.2 模式识别算法在交通领域的应用 |
| 2.5 国内外相关研究存在问题总结 |
| 3 数据收集及特征分析 |
| 3.1 浮动车速度数据 |
| 3.1.1 路段行程速度 |
| 3.1.2 路网/多断面平均速度数据 |
| 3.2 流量数据 |
| 3.2.1 RTMS数据 |
| 3.2.2 流量调查数据 |
| 3.3 排放数据 |
| 3.4 多源数据集成与匹配方法 |
| 3.4.1 数据集成方法 |
| 3.4.2 多源数据匹配方法 |
| 3.5 本章小结 |
| 4 面向路网全样流量测算的交通流模式聚类方法研究 |
| 4.1 交通流模式定义及其影响因素分析 |
| 4.1.1 交通流模式定义 |
| 4.1.2 交通流模式影响因素及其影响机理分析 |
| 4.2 交通流模式聚类分析方法研究 |
| 4.2.1 交通流模式聚类分析算法研究 |
| 4.2.2 交通流模式聚类分析特征指标研究 |
| 4.2.3 交通流模式最佳聚类数确定方法 |
| 4.2.4 交通流模式聚类分析效果评价指标研究 |
| 4.3 快速路交通流模式图谱库构建 |
| 4.3.1 层次聚类法各指标下交通流模式聚类分析 |
| 4.3.2 K-means聚类法各指标下交通流模式聚类分析 |
| 4.3.3 SOM神经网络聚类法各指标下交通流模式聚类分析 |
| 4.3.4 各聚类算法不同指标下的交通流模式聚类效果评价 |
| 4.4 本章小结 |
| 5 面向路网全样流量测算的交通流模式识别方法研究 |
| 5.1 交通流模式识别方法研究 |
| 5.1.1 交通流模式识别步骤 |
| 5.1.2 交通流模式快速识别算法研究 |
| 5.1.3 交通流模式识别特征指标研究 |
| 5.1.4 交通流模式识别效果评价指标研究 |
| 5.2 各等级道路不同场景下的交通流模式识别 |
| 5.2.1 0:00-24:00 速度指标 |
| 5.2.2 凌晨0:00-6:00 速度指标 |
| 5.2.3 0:00-12:00 速度指标 |
| 5.2.4 早高峰6:00-10:00 速度指标 |
| 5.2.5 早高峰 6:00-10:00 和晚高峰 17:00-21:00 速度指标 |
| 5.3 不同等级道路和特征指标下最优模式识别算法研究 |
| 5.4 本章小结 |
| 6 面向排放测算的城市路网全样流量测算方法研究 |
| 6.1 各等级道路交通流基本图模型构建方法 |
| 6.2 交通流基本图模型影响因素分析 |
| 6.2.1 道路属性 |
| 6.2.2 交通构成 |
| 6.2.3 驾驶员驾驶特征 |
| 6.2.4 环境因素 |
| 6.3 基于多源实测数据的交通流基本图模型构建 |
| 6.3.1 基于Van Aerde模型的快速路交通流基本图模型构建 |
| 6.3.2 各等级道路各方案下交通流模型流量测算误差分析 |
| 6.4 基于多源数据的路网全样流量测算方法研究 |
| 6.5 本章小结 |
| 7 案例应用 |
| 7.1 基于路网全样动态流量的机动车排放量测算方法研究 |
| 7.1.1 机动车路网排放动态测算方法研究 |
| 7.1.2 排放测算数据 |
| 7.2 基于路网动态排放测算的限行政策评估 |
| 7.2.1 限行政策实施前后交通流变化 |
| 7.2.2 限行政策实施前后路网机动车排放量动态测算 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论和创新点 |
| 8.2 研究展望 |
| 参考文献 |
| 附录A |
| 作者简历及博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）融合多源数据的城市快速路交通状态识别及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 .绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通状态识别研究 |
| 1.2.2 多源数据融合研究 |
| 1.2.3 交通时序数据预测研究 |
| 1.2.4 研究现状评述 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 .交通参数估计方法概述 |
| 2.1 交通参数及交通状态研究 |
| 2.1.1 交通流参数 |
| 2.1.2 交通状态划分方法 |
| 2.2 交通数据采集与预处理方法 |
| 2.2.1 交通数据采集技术 |
| 2.2.2 卡口数据及预处理方法 |
| 2.2.3 浮动车轨迹数据预处理方法 |
| 2.2.4 浮动车行程车速计算 |
| 2.2.5 交通异常数据识别与修复 |
| 2.3 多源数据融合 |
| 2.3.1 数据融合的定义与层次 |
| 2.3.2 数据融合方式 |
| 2.3.3 交通数据时空特性分析 |
| 2.3.4 交通多源数据融合 |
| 2.4 实例数据分析 |
| 2.4.1 交通数据集描述 |
| 2.4.2 卡口数据预处理 |
| 2.4.3 浮动车数据预处理 |
| 2.4.4 交通数据修复 |
| 2.4.5 交通数据时空特性分析 |
| 2.5 本章小结 |
| 第三章 .基于SAPSO-FCM模型的交通状态划分 |
| 3.1 模糊均值聚类及改进算法介绍 |
| 3.1.1 FCM算法理论 |
| 3.1.2 FCM算法模型参数的确定 |
| 3.1.3 FCM算法存在的问题 |
| 3.1.4 改进算法介绍 |
| 3.2 改进模拟退火粒子群算法理论模型 |
| 3.2.1 SAPSO算法理论介绍 |
| 3.2.2 SAPSO算法的数学表达 |
| 3.2.3 SAPSO算法基本流程 |
| 3.3 基于SAPSO-FCM的交通状态划分模型 |
| 3.3.1 多源数据特征的提取 |
| 3.3.2 数据归一化处理 |
| 3.3.3 确定目标函数 |
| 3.3.4 算法基本流程 |
| 3.4 实例验证 |
| 3.5 本章小结 |
| 第四章 .基于BO-Xgboost模型的交通状态识别 |
| 4.1 Xgboost及贝叶斯优化方法介绍 |
| 4.1.1 Xgboost算法原理 |
| 4.1.2 Xgbosoot算法存在的问题 |
| 4.1.3 贝叶斯优化方法 |
| 4.2 改进BO-Xgboost理论模型 |
| 4.2.1 BO-Xgboost理论 |
| 4.2.2 BO-Xgboost模型基本流程 |
| 4.3 基于BO-Xgboost模型交通状态识别 |
| 4.4 实例验证 |
| 4.5 本章小结 |
| 第五章 .基于GA-BiLSTM模型的交通状态预测 |
| 5.1 BiLSTM及改进算法介绍 |
| 5.1.1 BiLSTM算法介绍 |
| 5.1.2 BiLSTM算法应用与局限性 |
| 5.1.3 遗传算法介绍 |
| 5.2 改进GA-BiLSTM理论模型 |
| 5.2.1 GA-BiLSTM模型 |
| 5.2.2 GA-BiLSTM基本流程 |
| 5.3 基于GA-BiLSTM-BO-Xgboost的交通状态预测模型 |
| 5.4 实例验证 |
| 5.5 本章小结 |
| 总结和展望 |
| 论文主要研究成果 |
| 论文研究特色及创新之处 |
| 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）面向城市交通需求分析的多源数据分析及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状总结 |
| 1.2.1 用地、人口数据获取方法 |
| 1.2.2 基于移动定位数据的交通需求分析 |
| 1.2.3 交通生成与分布模型 |
| 1.3 研究现状不足 |
| 1.4 研究内容与技术路线 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文技术路线 |
| 1.5 本章小结 |
| 第二章 多源数据介绍 |
| 2.1 人口统计数据 |
| 2.1.1 数据内容 |
| 2.1.2 人口数据处理方法 |
| 2.2 移动定位数据 |
| 2.2.1 数据内容 |
| 2.2.2 数据应用存在问题 |
| 2.3 百度/高德地图开放数据 |
| 2.3.1 兴趣点/兴趣面数据获取接口 |
| 2.3.2 兴趣点/兴趣面分类体系整理 |
| 2.4 OpenStreetMap开放街道地图 |
| 2.4.1 数据内容 |
| 2.4.2 兴趣点/兴趣面分类体系整理 |
| 2.4.3 交通网络数据 |
| 2.5 本章小结 |
| 第三章 移动定位数据空间适用性分析 |
| 3.1 移动定位数据扩样 |
| 3.1.1 人口扩样算法 |
| 3.1.2 出行量扩样算法 |
| 3.2 空间适用性分析 |
| 3.2.1 交通大区尺度适用性分析 |
| 3.2.2 交通中区尺度适用性分析 |
| 3.2.3 交通小区尺度适用性分析 |
| 3.3 本章小结 |
| 第四章 地理信息开放数据在用地功能识别中的应用 |
| 4.1 常见的用地识别的方法和数据来源 |
| 4.2 数据获取方法 |
| 4.2.1 POI数据获取方法 |
| 4.2.2 AOI数据获取方法 |
| 4.3 用地功能识别 |
| 4.3.1 POI处理方法 |
| 4.3.2 基于用地功能强度的用地识别方法 |
| 4.4 实例验证 |
| 4.4.1 数据准备 |
| 4.4.2 POI平均规模计算结果 |
| 4.4.3 用地功能识别结果评价 |
| 4.5 本章小结 |
| 第五章 地理信息开放数据在职住人口和交通需求预测中的应用 |
| 5.1 基于POI的职住人口、交通出行量预测 |
| 5.1.1 数据准备 |
| 5.1.2 模型构建 |
| 5.1.3 模型适用性分析 |
| 5.2 无可调参数分布模型的适用性分析 |
| 5.2.1 模型介绍 |
| 5.2.2 模型预测结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文研究内容及成果总结 |
| 6.2 论文主要贡献及创新点 |
| 6.3 未来研究展望 |
| 致谢 |
| 附录 |
| 参考文献 |
| 攻读硕士期间学术成果及科研情况 |
（9）交通领域下在线集成时间序列预测方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通领域下的时间序列预测应用的研究现状 |
| 1.2.2 时间序列预测方法的研究现状 |
| 1.2.3 在线集成学习预测方法的研究现状 |
| 1.3 时间序列预测中的关键问题 |
| 1.4 论文的研究内容 |
| 1.4.1 论文的主要创新点 |
| 1.4.2 论文的组织结构 |
| 第2章 时间序列预测及其相关模型 |
| 2.1 时间序列预测问题描述 |
| 2.2 相关模型介绍 |
| 2.2.1 参数模型 |
| 2.2.2 非参数模型 |
| 2.2.3 集成学习算法 |
| 2.2.4 在线集成算法 |
| 2.3 现有在线集成学习方法的不足与发展前景 |
| 2.3.1 现有在线集成学习方法的不足之处 |
| 2.3.2 在线集成学习方法的发展前景 |
| 2.4 本章小结 |
| 第3章 基于非参数核平滑的在线集成回归模型 |
| 3.1 引言 |
| 3.2 基于拓扑学习的核密度回归和Adaboost算法简介 |
| 3.2.1 拓扑学习和核密度回归 |
| 3.2.2 Adaboost |
| 3.3 非参数在线集成核平滑回归框架 |
| 3.3.1 最大似然平滑参数选取 |
| 3.3.2 局部策略 |
| 3.3.3 集成拓扑学习回归框架 |
| 3.4 对比实验 |
| 3.4.1 在UCI数据集上的对比试验 |
| 3.4.2 时间序列预测:交通流预测 |
| 3.5 本章小结 |
| 第4章 基于分类型损失函数的增量回归预测模型 |
| 4.1 引言 |
| 4.2 SVM和 Learn++模型简介 |
| 4.2.1 SVM |
| 4.2.2 Learn++ |
| 4.3 基于SVR和 Learn++的在线集成回归算法框架设计 |
| 4.3.1 R2C集成学习 |
| 4.3.2 适应非线性核的R2C框架 |
| 4.4 基于R2C和 Learn++的回归算法实现 |
| 4.4.1 增量集成算法分析和描述 |
| 4.4.2 R2C-SVR算法实现 |
| 4.5 对比实验研究 |
| 4.5.1 数据集描述 |
| 4.5.2 数据预处理 |
| 4.5.3 参数敏感性分析 |
| 4.5.4 在概念漂移和非平稳环境下的对比实验 |
| 4.5.5 连续预测三周的对比实验 |
| 4.6 本章小结 |
| 第5章 基于在线迁移回归的集成位置预测模型 |
| 5.1 引言 |
| 5.2 问题描述和算法简介 |
| 5.2.1 问题描述 |
| 5.2.2 迁移学习形式化表达 |
| 5.2.3 Tr Adaboost |
| 5.3 基于在线迁移学习的车辆位置预测模型 |
| 5.3.1 线性在线迁移回归模型构建 |
| 5.3.2 非线性在线迁移回归模型设计 |
| 5.4 在线迁移回归算法设计和实现 |
| 5.5 对比实验 |
| 5.5.1 实验设置 |
| 5.5.2 参数选择模型 |
| 5.5.3 对比实验分析和讨论 |
| 5.6 本章小结 |
| 第6章 基于自适应加权策略的在线集成LSTM预测模型 |
| 6.1 引言 |
| 6.2 LSTM神经网络基础简介 |
| 6.3 基于R2C的 LSTM分类类型损失 |
| 6.3.1 在线集成R2C框架 |
| 6.3.2 LSTM的分类类型损失构建 |
| 6.4 在线集成LSTM模型设计 |
| 6.4.1 自适应分类型权值策略 |
| 6.4.2 基于自适应加权的在线集成LSTM模型 |
| 6.5 对比实验研究 |
| 6.5.1 数据集选择和预处理 |
| 6.5.2 时间步长参数分析 |
| 6.5.3 未来5 分钟交通速度预测对比实验 |
| 6.5.4 多种预测时间间隔的对比实验 |
| 6.6 本章小结 |
| 结论 |
| 本文工作总结 |
| 工作展望 |
| 参考文献 |
| 附录 攻读博士期间发表学术论文 |
| 致谢 |
（10）考虑车辆动力学信息的电动汽车微观交通流建模研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状 |
| 1.3 论文主要内容和结构安排 |
| 第2章 电动汽车交通流建模研究 |
| 2.1 引言 |
| 2.2 经典跟驰模型 |
| 2.2.1 OV模型 |
| 2.2.2 FVD模型 |
| 2.3 模型稳定性分析方法 |
| 2.3.1 微小扰动法 |
| 2.3.2 约化摄动法 |
| 2.4 考虑车辆动力学信息的电动汽车交通流模型建立 |
| 2.5 本章小结 |
| 第3章 电动汽车交通流模型的稳定性分析 |
| 3.1 引言 |
| 3.2 模型的线性稳定性分析 |
| 3.3 模型的非线性稳定性分析 |
| 3.4 模型的稳态数值仿真 |
| 3.5 模型的动态数值仿真 |
| 3.5.1 车辆启动过程仿真 |
| 3.5.2 车辆停止过程仿真 |
| 3.5.3 车辆演化过程仿真 |
| 3.6 本章小结 |
| 第4章 电动汽车交通流模型的真车实验 |
| 4.1 引言 |
| 4.2 电动汽车真车实验技术路线 |
| 4.3 电动汽车真车实验平台 |
| 4.3.1 实验平台方案定制 |
| 4.3.2 实验平台硬件开发 |
| 4.3.3 实验平台软件开发 |
| 4.4 电动汽车真车实验与分析 |
| 4.4.1 实验场景 |
| 4.4.2 实验步骤 |
| 4.4.3 实验结果 |
| 4.5 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
四、GPS在交通领域的应用（论文参考文献）
- [1]基于稀疏数据的区域路网交通状态识别与预测技术研究[D]. 高远. 北京交通大学, 2021
- [2]基于交通知识图谱的轨迹目的地预测[D]. 王璐. 大连理工大学, 2021(01)
- [3]基于大规模GPS数据的城市出租车运营服务关键问题研究[D]. 王鑫. 吉林大学, 2021(01)
- [4]基于时间序列关联规则挖掘的交通拥堵预测研究[D]. 王启燕. 北京交通大学, 2020(04)
- [5]考虑时空相关的路段平均速度预测研究[D]. 刘力源. 山东大学, 2020(02)
- [6]面向排放测算的城市路网全样流量测算方法研究[D]. 臧金蕊. 北京交通大学, 2020(02)
- [7]融合多源数据的城市快速路交通状态识别及预测研究[D]. 张东冉. 华南理工大学, 2020(02)
- [8]面向城市交通需求分析的多源数据分析及应用研究[D]. 杨洋. 东南大学, 2020(01)
- [9]交通领域下在线集成时间序列预测方法及应用研究[D]. 肖捡花. 湖南大学, 2020
- [10]考虑车辆动力学信息的电动汽车微观交通流建模研究[D]. 梁治斌. 重庆邮电大学, 2020