论文部分内容阅读
随着我国城镇化进程的不断加快,城市常住人口与流动人口逐年增长,出行交通需求与日俱增,然而城镇路网建设周期较长,交通供需矛盾日益突出。与此同时,随着智能交通系统(Intelligent Transportation Systems,ITS)的广泛部署,多种感知设备实时测量行人、车辆和路网数据,尤其是便携式GPS设备的普及,给交通管理和居民出行带来诸多便利。海量的GPS轨迹数据蕴含丰富的时空信息,为分析城市主干道拥堵问题,研究居民出行规律和合理规划出行提供了数据保障。本文采用机器学习中的聚类分析和深度神经网络的最新研究成果,充分学习和挖掘轨迹数据的深层非线性特征,主要从以下三个方面展开研究:第一:研究城市主干道拥堵问题。首先,利用热点聚类方法判别城市拥堵热点区域,实验结果表明西安二环是最为拥堵的路段。其次,从城市车辆增长和私家车尾号限行政策两个方面,分析二环道路拥堵的时空分布特征,为判别交通拥堵提供新的视角。第二:研究居民出行的出租车需求问题。首先,利用西安市出租车GPS轨迹数据,并结合节假日,天气条件和空气质量等外部数据,采用基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的模型以及残差网络(Resnet)的混合深度学习模型(CNN-LSTM-ResNet,CLR),预测居民出行的出租车服务需求。混合模型首先使用CNN提取城市范围的交通流量的空间特征,其次引入残差单元加深网络层数,然后利用LSTM提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上三个分量,再与外部数据进一步融合,从而预测城市特定区域的出租车需求量。与传统的预测模型比较,实验结果表明混合模型有更高的预测精度,因此该研究结果可用于交通管理部门平衡供需。第三:研究在已知出发终点(Origin Destination,OD)位置,和相应出发时间,预测出租车乘客出行所需时间。首先,针对网格方法不能区分多层立交桥区域不同高度道路的交通流问题,本文提出一种基于交通分析小区和路网嵌套的OD流细粒度表示方法,将OD流的表达细化到路网级别。然后,验证了居民的出行时间与出行频次呈正相关,并设计了一种混合深度网络的模型(convLSTM-Conv2DTranpose-SeparableConv-2D,CLTS)来预测城市范围出租车乘客的出行时间。模型先采用convLSTM模型学习OD流的时空特征,然后针对细粒度OD流的稀疏性问题,使用转置卷积网络(Conv2DTranspose)捕获数据的稀疏特征。最后,使用可分离卷积网络(SeparableConv-2D)逐点卷积出行时间OD矩阵和出行次数OD矩阵的空间位置关系。本章采用西安市出租车数据进行分析,实验表明与传统预测模型和现有的深度学习模型相比,该模型具有更小的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)。