一种城市交通轨迹数据挖掘方法的研究与实现

摘要

随着物联网技术的发展和信息智能化程度的不断提高，获取由空间地理位置信息构成的交通轨迹数据变得越来越便捷。轨迹数据中蕴含着丰富的知识，对轨迹数据的挖掘成为研究的热点问题。挖掘城市交通轨迹数据，对优化城市决策，建设智慧城市和缓解交通拥堵等方面都有着深刻意义。
　　本文的研究来源于作者在研究生期间参与开发的城市电动车智能防控系统的项目，该系统通过射频信号技术收集了大量城市中电动车的交通轨迹数据，形成了历史数据库。本文以该项目为背景展开研究，针对射频识别技术采集的城市交通轨迹数据，通过分析国内外研究现状和大量的实验探究，对现有方法进行改进，提出一套轨迹数据挖掘方法来实现对城市交通轨迹数据的深入挖掘，对原始城市交通轨迹数据完成了包括轨迹预处理、轨迹驻足点识别、轨迹聚类、发现城市交通热点路段、预测轨迹下一位置和目的地、预测热点路段交通流量等一系列的轨迹数据挖掘工作。
　　本文回顾了目前轨迹数据挖掘领域的研究进展，介绍了现有的轨迹数据挖掘和预测的方法，围绕轨迹聚类和轨迹预测展开研究，最终确定了轨迹数据挖掘的整体模型，采用轨迹聚类和人工神经网络技术相结合的方法来对轨迹数据进行聚类和预测，然后运用真实的数据进行实验并对实验结果进行了分析。主要的工作有如下几个方面：
　　（1）本文结合轨迹数据的特点，针对TRACLUS子轨迹聚类算法没有考虑轨迹时间因素的问题，对轨迹分段算法进行了改进。首先寻找出轨迹中停留时间较长的驻足点，再将识别出的驻足点引入轨迹分段的判定过程中，得到了更为细致合理的轨迹划分，最终使轨迹聚类的结果更加准确，提高了聚类效率。
　　（2）本文针对BP神经网络预测结果的特性和研究所采用的轨迹数据的特点，提出一套轨迹预测的误差校准方法，用于检测由于缺乏神经网络训练数据导致的偏差较大的结果，并根据轨迹聚类的结果，尝试对可能存在较大偏差的预测结果进行校准。通过寻找出相似轨迹的移动趋势，来作为预测结果，以此来实现对预测误差的校准。
　　（3）基于上述提出的技术方法，本文以真实的轨迹历史数据为样本，通过完成对单源轨迹下一位置与目的地的预测，以及多源轨迹热点路段流量的预测来验证轨迹预测方法的有效性。在下一位置预测过程中对比引入预测误差校准机制前后的预测准确率，通过实验表明，该方法能够在一定程度上减小预测误差，提高预测准确性；基于驻足点信息的轨迹目的地预测取得了良好效果，有较高的预测准确率；热点路段流量的预测结果与实际车流量偏差较小。通过实验表明，本文的轨迹预测方法是可行的。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1课题研究背景与研究意义

1.2国内外研究现状

1.3论文工作内容

1.4论文组织结构

1.5本章小结

第二章 相关理论与技术

2.1轨迹数据基础理论

2.2射频识别技术

2.3轨迹聚类

2.4人工神经网络

2.5本章小结

第三章 城市交通轨迹数据挖掘概述

3.1 城市交通轨迹数据挖掘背景与目标

3.2 问题描述

3.3 城市交通轨迹数据挖掘整体模型

3.4 本章小结

第四章 基于聚类算法的轨迹数据处理

4.1轨迹数据预处理

4.2轨迹驻足点识别

4.3基于TRACLUS算法的子轨迹聚类

4.4本章小结

第五章 基于BP神经网络的轨迹预测

5.1 基于驻足点信息的单源轨迹预测

5.2 基于热点路段信息的多源轨迹热点预测

5.3 本章小结

第六章 实验结果与分析

6.1 实验配置与过程

6.2实验结果与分析

6.3本章小结

第七章 总结与展望

参考文献

致谢

作者简介