论文部分内容阅读
道路导航是人们出行的重要工具,选择合适的导航路线决定于该路线的行程时间,以及在该时间内顺利到达目的地的可靠性。由于出租车运行轨迹覆盖范围广、运行时间长、数据量大的特点,利用出租车时空轨迹预测城市道路行程时间已经是国内外智慧城市智能交通系统的重要研究内容,但现有行程时间预测方法却缺乏足够的预测精度和可靠性。针对上述问题,本文采用深度神经网络对出租车轨迹进行学习预测行程时间,开展了以下工作:(1)研究了数据预处理和地图匹配方法,采用坐标转换和隐马尔科夫模型完成出租车GPS轨迹点与电子地图道路网的地图匹配过程;(2)研究了成都市出租车的运营和居民出行情况,对载客次数、载客时长、出行量、出行距离等指标进行了分析,通过出租车出行指标的时空聚类研究了成都市交通状态的时空变化规律;(3)提出了以双向长短时记忆(Long Short-Term Memory,LSTM)和残差网络为主要结构的时空轨迹模型(Spatio-Temproal Trajectory Model,STTM),测试数据集上的多个精度评价指标证实了STTM的可靠性和泛化能力;(4)利用Geohash编码和DBSCAN(Density-Based Spatial Clustering of Applications with Noise)空间聚类处理时空轨迹点间存在的空间相关性,应用词嵌入方法为STTM增添了有价值的特征,并改善了出租车样本轨迹数据抽取方法;(5)对比了样本轨迹数据中不同因子对行程时间预测结果的影响,证实出租车ID和匹配道路ID两个特征相比于其他特征更为重要;对比了模型循环结构体对行程时间预测结果的影响,证实双向LSTM相比于门控循环单元(Gated Recurrent Unit,GRU)对行程时间预测精度提升效果更高。实验表明:本文所提出的深度时空轨迹模型能够从出租车轨迹中学习到城市道路交通状况,预测值的平均绝对百分比误差达到6.126%,平均绝对误差达到72.416秒,实验结果优于其他行程时间预测方法。本文的研究成果实现了城市任意两点之间全路径的行程时间预测,对人们选择合适出行路线有较高参考价值。