乘客出行热点区域分布预测与可视化研究

摘要

随着城市规模扩大和城市人口密度的快速增长，人们对交通服务的需求日益增高。传统的客运服务方式主要是固定站点的公共汽车载客以及马路边挥手叫车模式，由于客运双方信息不对称，因此很难满足出行者日益增长的即时出行需求。近年来，互联网技术的快速发展以及广泛应用促进了客运服务模式的多样化发展。与之同时，通过移动手机进行网约车，也越来越受到出行者的喜爱。客户通过移动手机进行叫车，服务器根据即时采集的GPS信息，向在线司机进行派单。由于网约车具有高效、便捷等优势，因此逐渐成为城市客运交通系统的重要组成部分。
　　本文通过分析网约车历史订单数据，对乘客出行热点区域分布进行预测并进行可视化展示。首先，对原始订单数据进行分析及处理，过滤掉冗余与异常数据。其次，分析高峰期、天气状况、活动情况以及是否节假日因素的影响，对历史订单进行筛选，构造出所需的样本空间。之后，提取筛选后订单的实际开始经纬度，通过DBSCAN算法过滤干扰噪声点，采用Canopy和K-Means++算法获取最终聚类。最后，将聚类按密度大小排序，通过热力图的方式进行扩展，由暖色到冷色热度逐渐递减，绘制出热点，以热点为中心，以热点到聚类最边缘点为半径，绘制出热点辐射区域，并将经纬度逆解析，标注出实际地理信息、POI点信息、商圈信息以及交通流量等。
　　本文构建了一个可交互的预测与可视化系统。该系统可以快速预测并浏览指定城市不同区域的乘客出行热点分布情况，为司机调整接单线路提供有效引导，促使运力分布与乘客出行需求尽可能趋于平衡，从而提高派单成功率以及实际运载率。

目录

声明

摘要

第1章 绪论

1．1 课题背景及研究的目的和意义

1．2 国内外研究现状

1．2．1 应用研究现状

1．2．2 理论研究现状

1．3 论文的研究内容与章节安排

2．1．1 算法概述

2．1．2 参数分析

2．2 Canopy算法

2．2．1 算法概述

2．2．2 参数分析

2．3 K-Means++算法

2．3．1 算法概述

2．3．2 参数分析

2．4 算法对比分析

2．5 本章小结

第3章 数据分析与数据预处理

3．1 数据准备与数据分析

3．1．1 数据源

3．1．2 下单时段分布特征

3．1．3 出行影响因素分析

3．2 数据预处理

3．2．1 数据采样

3．2．2 提取有效数据

3．2．3 过滤异常数据

3．2．4 构造样本空间

3．3 本章小结

第4章 乘客出行热点区域预测与可视化

4．1 乘客出行热点区域预测

4．1．1 乘客出行热点区域的定义

4．1．2 乘客出行热点区域预测

4．1．3 预测值与真实值的对比分析

4．2 乘客出行热点区域可视化

4．2．1 乘客出行热点区域可视化描述

4．2．2 乘客出行热点区域可视化信息

4．2．3 热力图展示热点出行区域

4．2．4 标注热点中心与热点辐射区域

4．2．5 热点附近POI点信息展示

4．2．6 热点附近商圈信息展示

4．2．7 城市交通路况展示

4．3 本章小结

第5章 乘客出行热点区域分布预测与可视化系统

5．1 平台构建环境

5．2 技术组件描述

5．2．1 Apache Commons Math描述

5．2．2 Apache Mahout描述

5．2．3 SpringMVC以及MyBatis后台接口描述

5．2．4 Smarty前端模板引擎描述

5．3 数据处理模块

5．3．1 过滤异常经纬度数据功能

5．3．2 影响因素采集功能

5．3．3 经纬度检索服务功能

5．4 数据分析模块

5．4．1 下单分布预测

5．4．2 出行热点商圈预测

5．4．3 出行热点POI预测

5．5 预测与可视化模块

5．5．1 样本数据获取

5．5．2 参数输入

5．5．3 空间聚类算法

5．5．4 预测结果可视化服务

5．6 本章小结

6．1 总结

6．2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢