随着城市的快速发展,城市中人流的管理与移动模式挖掘变得越发重要。同时,随着以群智感知为代表的各种感知技术的发展,提出了智慧城市的概念,智慧城市中的大量感知数据为人流的分析提供了可能性。在智慧城市中,时空数据是最为常见的一种数据。本文基于城市中的时空数据,首先提出一种建模方法,将不同种类的时空数据表示为人流模型;然后基于聚类的思想,通过改进传统的基于密度的聚类算法来对人流的移动模式进行挖掘,提出一种人流的移动模式聚类算法:时空密度聚类(Spatio-Temporal Density-Based Spatial Clustering of Applications with Noise,ST-DBSCAN);接着设计了一个移动模式的交通应用场景,并提出对移动模式的评价方法;最后在中国某城市的真实数据集上进行实验与分析,结果表明本文得到的移动模式结果在统一交通服务的场景下可节省25%的交通成本,验证了本文所提移动模式的有效性。
随着现今各国城市化进程的不断加快和各大城市的快速发展,城市中交通压力过大是各国政府和城市管理者所面临的一大焦点问题。交通系统作为城市经济发展的支柱,关系到社会的平稳发展,一方面适度加大交通基础建设的投入,另一方面准确及时地发现交通需求,从而进行合理的交通规划,才能使城市交通系统顺畅运行。同时随着信息技术的不断发展,城市中感知设备的不断增多,城市中可以获得的各类感知数据的规模变得越来越大,且精度也在不断变高,这些数据为了解城市本身提供了基础。所以如何基于多种多样的感知数据对交通需求进行预测成为了当前研究的热点问题。目前大多数的研究都从城市整体的客流量出发或选择特定出行行为流量进行需求预测,它们都存在考虑影响因素不足,预测区间不能体现真实需求等问题。所以本文基于OD(Origin-Destination)旅程数据集,通过找到城市中的热点移动行为,研究了基于城市居民移动模式的交通需求预测方法。首先,通过提取异构感知数据集中的几个关键时空信息,定义了移动模式的概念,提出了OD旅程数据的转化方法并通过真实数据的转化得到OD旅程数据集。然后设计了一种改进的基于密度思想的时空聚类算法,具体为对传统DBSCAN(Density-Based Spatial Clustering of Applications with Noise)的输入参数进行扩展,并在时空域上重新定义邻域,提出改进的时间和空间的距离计算公式,且定义了结果簇的质心。紧接着通过对OD旅程数据进行聚类,从而得到可以描述居民出行热点需求的移动模式。然后通过在时空域上对居民出行行为进行分析,得到出行需求的时空特征,根据所得特征分析并检验了几种影响居民出行的因素,最后结合历史OD旅程数据和多种影响因素特征,基于LSTM(Long Short-Term Memory)对所得到的热点移动模式所处区间进行了交通需求预测。实验结果表明,本文的基于城市居民移动模式的交通需求预测方法一方面从真实数据本身所反映的热点需求出发,使预测结果更加贴合实际应用场景,另一方面通过结合影响居民出行的多种因素所得特征,在准确率方面也相较传统LSTM提高了8%,证明了预测方法的有效性。
暂无评论