面向交通量过载预测的移动轨迹数据分析方法研究

摘要

随着经济的快速发展，城市交通拥堵成了我国亟待解决的问题，通过交通量过载预测可以有效解决该问题。人们出行时一般倾向于找到便捷的路径，以便顺利到达目的地。通常，人们对其生活的固定区域的交通情况较为熟悉，可以在初步预测交通量后规律性地选择交通良好的路径出行，避免拥堵。本文针对交通量过载问题展开研究，收集交通移动对象产生的轨迹数据，研究轨迹分析的方法，进行交通量过载预测。有助于人们了解城市交通情况，有效避免城市交通拥堵。
　　首先，对海量的用户轨迹数据进行分析，提出一种动态分析移动对象轨迹模式、预测轨迹位置的方法（PRED）。使用改进的模式挖掘模型，提取轨迹频繁模式（简称T-模式），然后提出DPTConstruct_Update算法，设计快捷数据结构DPT(Dynamic ParternTree)。DPT蕴含时空信息，用来存储和查询移动物体的T-模式，并提出Prediction算法计算最佳匹配度，得到移动对象轨迹的预测位置。
　　其次，提出一种基于HMM模型的轨迹聚类方法(HMM-Cluster)。提取时空轨迹的特征点，减少轨迹数据量，节约存储成本。为轨迹拟合HMM模型，提出Sim-HMM算法，计算得到轨迹相似度矩阵。提出HMM-Cluster算法，有效地聚合相似性轨迹，发现交通量过载情况。
　　最后，本文使用真实轨迹数据集进行对比实验。实验结果表明:本文提出的PRED方法和HMM-Cluster方法具有良好的效果，可方便、有效地挖掘移动对象运动模式，预测交通量，在实际的生活中具有较大的应用意义。