基于浮动车GPS数据的城市热点区域划分与路径引导研究

论文摘要

随着智能交通系统（ITS）的不断发展,人们出行更加便捷高效,并通过浮动车获取的海量动态实时GPS数据运用数据挖掘技术研究居民出行时空特征,分析其出行的移动模式、时空分布等。居民出行时空分析对于缓解城市交通拥堵、进行更加合理的城市规划、制定有效的交通管制措施都有重要的研究价值。本文以浮动车GPS数据为研究对象,在进行数据挖掘处理的基础上,设计了城市的热点区域划分算法,在此基础上对出租车寻客路径引导算法进行了研究和验证。全文研究内容如下:1、本文首先对获取的浮动车GPS数据进行数据预处理,包括去除噪声数据、冗余数据、弥补历史缺失数据,提取乘客的上下车点数据,并采用基于ST-Matching算法进行地图匹配,提高了地图匹配精度,减少了计算复杂度,为后文研究提供了数据基础。2、提出一种基于核密度估计的K-Means聚类算法对城市热点区域进行划分。首先基于高斯核函数对空间数据进行计算得到其密度分布,设置密度阂值进行密度估计,将城市划分为高密度区与低密度区,进而提取高密度区的极大密度点作为K-Means聚类的初始质心,并根据低密度区密度极值点与高密度区极值点距离进行判断是否单独聚为一类,进行迭代计算划分出青岛市的热点区域,最后基于空间相似度（ARI）的轮廓系数和聚类时间效率进行算法评价。3、在以上研究的基础上,将热点区域中的轨迹数据根据基于LCS（最长空间公共子序列）的相似度聚类提取出热点路径,并提出热点路径密集度函数概念。以巡航目的地拥挤度和出租车供需比作为前提条件,设计一种以出租车到达巡航目的地行程时间最短为优化目标的路径引导模型,并以空载出租车载客率为评价指标对该算法进行了数据验证。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 热点区域划分
•     1.2.2 路径引导算法
•     1.2.3 问题提出
•   1.3 研究内容
• 第二章 浮动车数据预处理
•   2.1 数据源简介
•   2.2 GPS数据预处理
•     2.2.1 浮动车数据清洗
•     2.2.2 浮动车数据修补
•     2.2.3 上下车点提取与格式转换
•   2.3 地图匹配
•   2.4 本章小结
• 第三章 城市热点区域划分研究
•   3.1 基于核密度估计的K-Means聚类算法
•     3.1.1 K-Means聚类
•     3.1.2 核密度估计算法研究
•     3.1.3 基于核密度估计的K-Means聚类算法
•   3.2 聚类算法评价指标
•   3.3 实例验证
•     3.3.1 平台搭建
•     3.3.2 数据预处理
•     3.3.3 城市热点区域划分评价
•   3.4 本章小结
• 第四章 基于城市热点区域划分的路径引导研究
•   4.1 热点路径聚类研究
•     4.1.1 LCS相似性度量
•     4.1.2 基于LCS（最长公共子序列）相似度的DBSCAN聚类
•     4.1.3 热点路径提取
•   4.2 空载出租车路径引导研究
•     4.2.1 行程时间估计模型
•     4.2.2 出租车寻客路径引导模型研究
•   4.3 实例验证
•   4.4 本章小结
• 第五章 结论与展望
•   5.1 主要结论
•   5.2 研究展望
• 参考文献
• 附录A
• 在学期间的研究成果
• 致谢

文章来源

类型: 硕士论文

作者: 朱睿智

导师: 王志建,汪健

关键词: 热点区域划分,路径引导,数据挖掘,空间聚类

来源: 北方工业大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 自然地理学和测绘学,公路与水路运输

单位: 北方工业大学

分类号: U491;P228.4

总页数: 60

文件大小: 4390K

下载量: 226