基于交通大数据的KPI关联关系发现方法研究

摘要

随着我国城镇化进程的快速推进和经济的迅速增长，城市中涌现大量的人流和车流，产生大规模实时、高密度的数据。这些数据蕴含丰富的城市信息和巨大的经济价值。基于城市数据中关键性能指标（KPI）的分析，有助于从数据中挖掘有价值的信息，为城市管理和规划提供可靠参考依据。借助城市出租车GPS数据、城市公共汽车GPS数据、公共汽车IC卡数据、路网数据、城市POI数据和气象数据等交通大数据和数据间的关联关系分析，对交通碳排放和居民出行量两个关键性能指标进行深入研究。其中，提出一个基于三层感知神经网络的预测模型（3-layerPNN）预测未来某段时间城市各区域的交通碳排放，和一种通过堆叠四层去噪自动编码器预先训练的深层神经网络（SDAE-4）预测未来某段时间每条道路上居民的公共汽车出行量，同时根据全市各区域的交通碳排放和每条道路上的公共汽车出行量等信息，设计一种贪心策略来为每辆电动公共汽车推荐合适的线路。
　　基于珠海市现实世界中的数据源，我们对所提出的3-layerPNN和SDAE-4两种模型进行了大量实验和评估。实验结果显示，对未来某段时间城市各区域交通碳排放的预测，3-layerPNN的预测精度优于高斯朴素贝叶斯、线性回归、逻辑回归、堆栈去噪自动编码器、深信度神经网络等著名机器学习方法；对于未来每条公交线路上居民的公共汽车出行量的预测，SDAE-4的预测精度优于逻辑回归、基于径向基核函数的支持向量积、限制玻尔兹曼机、人工神经网络和深信度神经网络。

目录

声明

1 绪论

1.1 研究背景

1.2 国内外研究现状

1.3 研究内容与目的

1.4 文章组织结构

2 城市交通碳排放量预测

2.1 基本概念

2.2 城市网格区间特征提取

2.3 感知神经网络特征学习和推理

2.4 城市交通碳排放预测性能评估

2.5 本章小结

3 公共汽车出行量预测

3.1 基本概念

3.2 城市道路特征提取

3.3 深度神经网络特征学习和推理

3.4 城市道路居民出行量预测性能评估

3.5 本章小结

4 城市电动公共汽车线路优化

4.1 联合预测训练和学习方法设计

4.2 线路推荐及方法评估

4.3 本章小结

5 总结

致谢

参考文献

附录1(攻读学位期间发表论文和专利)