论文总字数：32399字
\documentclass[oneside,openany,12pt]{cctbook}
\zihao{3}\ziju{0.15}
\pagestyle{myheadings} \textwidth 16.0cm \textheight 22 truecm
\special{papersize=21.0cm,29.7cm} \headheight=1.5\ccht
\headsep=20pt \footskip=12pt \topmargin=0pt \oddsidemargin=0pt
\setcounter{section}{0}
\frontmatter
\def\nn{\nonumber}
\newcommand{\lbl}[1]{\label{#1}}
\newcommand{\bib}[1]{\bibitem{#1} \qquad\framebox{\scriptsize #1}}
\newtheorem{theo}{Theorem}
\newtheorem{lem}{Lemma}
\newcounter{local}
\newcounter{locallocal}
\newcommand{\scl}{\stepcounter{local}}
\setcounter{local}{0}
\renewcommand{\theequation}{\arabic{chapter}.\arabic{section}.\arabic{local}}
\def\s#1{\setcounter{local}{#1}}
\usepackage{Picinpar}
\usepackage{amsmath,amssymb}
\usepackage{graphicx}
\usepackage{flafter}
\usepackage{fancyhdr}
\DeclareGraphicsExtensions{.pdf,.jpeg,.png}
\usepackage{epstopdf}
\usepackage{chngcntr}
\counterwithout{equation}{chapter} % 解除关联
\newcommand{\makeheadrule}{%
\makebox[0pt][l]{\rule[0.55\baselineskip]{\headwidth}{0.4pt}}%
\rule[0.7\baselineskip]{\headwidth}{0.4pt}}
\renewcommand{\headrule}{%
{\if@fancyplain\let\headrulewidth\plainheadrulewidth\fi
\makeheadrule}}
\makeatother
\pagestyle{fancy}
\renewcommand{\chaptermark}[1]{\markboth{\kaishu{\chaptername}~~~#1~}{}}
\fancyhead[l]{\kaishu{~~~东~南~大~学~本~科~毕~业~论~文}}
\fancyhead[c]{}
\fancyhead[r]{\leftmark}
\fancyfoot[l]{}
\fancyfoot[c]{\thepage}
\fancyfoot[r]{}
\begin{document}
\begin{titlepage}
\end{titlepage}
\frontmatter
\begin{center}{\kaishu \zihao{2}{基于神经网络算法的交通行为网络时空特性分析与预测}}\end{center}
\vskip 0.5cm
\begin{center}{\kaishu\zihao{4} 摘\ \ \ \ 要}
\end{center}
\addcontentsline{toc}{chapter}{摘\ \ \ \ 要}
{\kaishu{\quad 人类行为的时空统计分析和建模是一直以来研究的热点，网约车这种交通行为是近些年来兴起的一种新型的人类行为的表现形式，具有很强的研究价值，由于出现时间较短，
现在还没有体系的建模的研究方法，本文工作旨在提出一种普遍使用网约车行为的研究网络。
\par
本文的工作主要分为两个部分，第一是根据复杂网络和人类行为动力学的相关理论对滴滴出行这一交通行为进行了时空建模处理，分析了网约车数据的时
空分布特性，从交通流动规律中建立了网约车群体的运动网络，这一网络不依赖数据个体的相关性，从总体角度出发，利用数据的空间分布建模，揭示了网约车数据的指
数截断幂律分布的时空特性，并根据构建的网约车行为网络，提出了一种普遍适用的熵与可预测性的分析方法。同时也分析了网约车数据的空间和时间特性，发
现了数据中对数正态分布这一普遍存在的统计规律。本文工作的第二个部分是利用神经网络算法，对网约车的订单时间进行时间预测，结合网约车数据的时空规
律，引入了热度变量，提出了一种新的训练输入方法，对传统的前馈神经网络进行改进，使预测的误差降到20\%以下。
}}
\vskip 1cm \noindent{\kaishu 关键词: \ \ 复杂网络,\ 人类动力学,\ 前馈神经网络,\ 网约车}
\newpage
\thispagestyle{plain}
\begin{center}{\heiti \large Analysis and Prediction of Spatiotemporal Characteristics of Traffic Behavior Network Based on Neural Network Algorithm}\end{center}
\vskip 0.5cm
\begin{center}{\rm\zihao{4} Abstract}
\end{center}
\addcontentsline{toc}{chapter}{Abstract}
\par
The spatiotemporal statistical analysis and modeling of human behavior has always been a hot topic. The ride-hailing cars is a new form of human behavior that has emerged in recent years. It has strong research value and is still without the research method of modeling of the system short due to its short time.The work of this paper aims to propose a research network that generally uses the behavior of the ride-hailing cars.
\par
The work of this paper is mainly divided into two parts. The first is to study the spatiotemporal modeling of the big data of the drip travel according to the relevant theories of complex networks and human behavior dynamics, and analyze the spatiotemporal of the data of the ride-hailing cars.
This paper establishes the motion network of the ride-hailing cars group from the traffic behavior. This network does not depend on the correlation of data individuals. From the overall perspective, using the spatial distribution modeling of data, reveals the exponential truncation power law distribution of the Ride-hailing Cars data.
Based on the spatiotemporal behavior network model, a general analysis method of entropy and predictability is proposed.
At the same time, the spatial and temporal characteristics of the Ride-hailing Cars data are also analyzed, and the ubiquitous statistical law of the lognormal distribution in the data is found.
The second part of the work of this paper is to use the neural network algorithm to predict the order time of the ride-hailing cars, combined with the space-time law of the ride-hailing cars data, introduces the heat variable, and proposes a new training input method.
The traditional feedforward neural network is improved to achieve the mre of less than 20\%.
\vskip 0.8cm \noindent{\rm Key Words:\ \ Complex network, \ Human dynamics, \ Feedforward neural network, \ Ride-hailing cars}
\tableofcontents
\newpage
\mainmatter
\chapter{引言 }
\s0 \vskip 3mm
\section{研究背景及意义}
自从2009年Uber推出以来，在过去的十年中，乘车服务在世界范围内取得了显着的增长。到目前为止，Uber，Lyft和Didi这样的乘车巨头已经大幅增加，为数千个城市的数亿用户提供服务。
这些服务为用户注册自己作为司机和/或乘客提供了极大的便利，服务提供商可以将司机与乘客通过程序相互匹配。更重要的是，通过依靠智能手机和移动应用程序，它通过支付和评级等措
施来促进服务，带来了大量的乘车体验改善，同时它提供广泛的就业机会，极大地促进了一个国家的经济发展。但是，仍然存在许多亟待解决的安全问题，不断被有关新闻报道。
\par
网约车的快速发展似乎是一把双刃剑，这对交通研究人员构成了重大挑战，因为有关交通决策和旅行模型的数据有限。因此，迫切需要收集交通数据，并且来分析城市交通行为的时空特性和可预测性。以便跟好的解决相关的问题。尽管乘车服务的快速增长，但人们一直在争论政策和这些服务平台能
够在多大程度上保证安全。争论的一个突出部分是对司机选择程序和服务平台的安全性、隐私等问题。这些平台是否总是增加乘客的便利性和运输系统的效率也存在疑问。其他问
题仍然自然而然地出现，例如，这些平台对运输系统的效率提高了多少;平台是否可以减少乘客在需要乘坐时的平均等待时间，以及平台是否对运输系统产生负面影响。了解这些问
题给运输研究领域的科学家带来了巨大的挑战。
\par
本文针对已有的滴滴打车的数据，首先对大数据进行数学建模分析，寻找数据之间的规律与内在联系，反应出租车司机这一智能群体的运动趋势与行为特性，对交通运行管控，
合理的出租车资源调配，解决城市拥堵，减少乘客候车时间具有显著的实际价值。同时根据已有的滴滴打车数据，对数据进行逐一分析建模，构建出租车旅行时间模型，准确估
计出租车运行时间，对出租车的调配以及乘客的满意度的提升以及乘客安全的保障都有着很强的实际应用价值。
\section{国内外研究现状}
人们对于复杂网络的研究由来已久，但是由于受到计算条件的限制一直没有受到重视。随着1999年Barabási提出BA模型\cite{barabasi1999emergence}，重新引起了复杂网络研究的热潮。时至今日，基于复杂网络理论
的人类行为的动力学分析已经成为分析人类或其他智能群体行为的主流，在相关研究的影响下，人类行为的复杂网络分析有着巨大的应用价值。举例而言，在文献\cite{vazquez2007impact}中提出了一种
新的非泊松模型来刻画人类的电子邮件阅读习惯，解释了电子邮件病毒长期以低概率存在的问题。而且随着对于人类行为的复杂网络模型的进一步研究，提出了许多新的研究方向，
文献\cite{ding2008stochastic}中显示，随着人类行为的研究，对随机过程和排队论的研究也提供了新的思路。就具体而言，人类行为，特别是人类的出行的研究有着巨大的实际意义，在文献\cite{hufnagel2004forecast}\cite{han2009scaling}中，通过对于
人类长途旅行的研究，解释了传染病的扩散规律，有助于控制预测流行病的发生，在文献\cite{zhang2018spatiotemporal}\cite{zhao2014scaling}中，利用手机基站研究了人类活动与上网的规律，在文献\cite{barabasi2010bursts}中，通过对交通行为的阵发性，记忆性的研究，可以用做检验异常的人群，有助于全球防恐事业，
有效甄别犯罪人员的旅行，在文献\cite{mokhtarian2001derived}中，分析了人类群体的出行规律，可以有效地帮助解决出行的拥堵问题，为路政部门提供了道路规划可靠参考。在文献\cite{shang2010empirical}中，对于人群上网活动的研究，可以更好地提供网络信息服务。
\par
网约车是一种特殊的人类行为，自然也可以利用复杂网络的相关理论进行研究在文献\cite{rambaldi2007mobility}中，利用GPS数据研究了出租车乘客的出行模式，在文献\cite{jiang2009characterizing}中对比了瑞典的50辆出租车的轨迹
认为出租车每个订单的行驶距离服从双段幂律分布，在文献\cite{liang2012scaling}中，研究了北京市万余辆出租车的订单运行距离，发现距离的分布呈现指数的分布，在文献\cite{peng2012collective}中对上海出租车的轨迹也
做了相似的研究。
\par
对于人群的行为预测，神经网络算法具有广泛的应用，结合神经网络算法的行为预测，时间预测正是时下的热门研究方向。本课题主要研究出租车的旅行时间的预测，
旅行时间信息在运输和物流中发挥着重要作用，并已应用于各种智能交通系统（ITS），如车载路线引导（RGS）和先进的交通管理系统（ATMS）。在传统的时间预测中，旅行时间受
剩余内容已隐藏，请支付后下载全文，论文总字数：32399字
该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找;
