基于浮动车轨迹的数据挖掘及其在现代物流中的应用分析

摘要

随着我国的城市化规模扩大及人口数量增多，居民的物资需求也越来越多，但目前城市道路的交通拥堵造成了物流时耗长、消费者体验差等现象，现代物流的高速发展已经对城市交通系统提出越来越高的要求，可见解决城市交通问题的必然性和紧迫性。
　　基于此，考虑到交通流量的主要来源是居民出行，对于居民出行特性的分析结果可以反映一个地区的基本交通状况。本文以北京市28000辆浮动车一个月采集的轨迹数据为对象，通过对居民出行行为特性的挖掘，分析了北京市城市交通的时空分布特性及其在现代物流中的应用，具体内容包含：
　　（l）Hadoop生态系统相关技术研究，研究了分布式文件系统的架构和Spark数据处理的原理，搭建了包含3个节点的分布式集群，提高了数据处理的效率；
　　（2）浮动车轨迹数据的预处理，提出了数据滤波和概率统计结合的重复数据清洗方法，引入改进的Douglas-Peucker算法有效的识别浮动车漂移数据；并提出了一套完整的浮动车轨迹数据预处理框架；
　　（3）道路交通时间特性分析及其可视化和应用分析，实现了交通出行量、高峰时段等特性的统计分析，对比了节假日、工作日和周末的差异并结合可视化将其生动直观的呈现出来，同时分析了其在现代物流中的应用；
　　（4）城市交通空间热点区域分布研究，通过比较多种聚类算法，利用DBSCAN算法发现城市交通的热点区域；对比分析了不同时段热点的数量、地域分布、热度大小及其应用；并结合地图从语义层面上验证了聚类结果的正确性。
　　论文研究成果不仅加深了我们对于交通路网的理解；还从运输管理层面解释了不同地区和时段的交通需求，为现代物流的智能决策提供了一定的参考；也为解决城市拥堵提供了新的视角，对交通规划和现代物流发展有着重要的意义。

目录

声明

1 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3主要研究内容

1.4论文组织结构

2 理论及算法研究

2.1浮动车轨迹特点及误差处理

2.2数据预处理相关理论及算法

2.3数据可视化方法

2.4聚类分析理论及算法

2.5本章小结

3.1课题数据来源

3.2 Hadoop平台及其生态系统

3.3 Hadoop+Spark集群环境搭建

3.4数据预处理流程及方法

3.5处理结果与分析

3.6本章小结

4 道路交通时间特性及其可视化和应用分析

4.1浮动车轨迹数据的整体分析

4.2日出行总量特性

4.3出行高峰时段分布

4.4浮动车辆空驶率特性

4.5本章小结

5 城市交通空间热点区域分布

5.1聚类算法

5.2交通热点区域分布

5.3交通热点及其在现代物流中的应用分析

5.4本章小结

6.1框架设计

6.2实现步骤

6.3本章小结

7 总结与展望

7.1总结

7.2展望

致谢

参考文献

硕士学位期间取得的科研成果