论文总字数：69148字

摘 要

目前城市交通拥堵问题日益严峻，交通问题已成为城市发展的瓶颈之一。为了缓解城市的拥堵问题，首先要对路网中拥堵发生的热点地区进行识别，从而进行宏观和长期的交通治理；其次，研究拥堵产生-发展-消散的全过程，对拥堵进行短时预测，对于管理部门对拥堵的提前干预、疏导有重要意义。

本研究基于成都市2016年11月1日至2016年11月30日的网约车轨迹数据（共98GB），对多个交通流参数进行了提取，识别了不同的拥堵状态，搭建了基于卷积神经网络的拥堵状态短时预测模型，分析了拥堵状态的演变规律。主要工作包括：

——首先，对网约车轨迹数据进行了坐标转换，网格划分，数据清洗等与处理工作；并提取了网格平均速度、平均停车次数等交通流参数；

——其次，对提取的交通流参数进行了不同尺度的集计，建立了基于5类交通流参数的交通状态表征模型；基于核主成分分析，对数据进行降维；利用kmeans算法，将交通状态进行聚类，得到三类交通状态（畅行、稳定、拥堵）；对聚类中心的单日及逐日的演变进行了分析；建立了聚类效果评价指标。

——最后，建立了基于卷积神经网络的短时交通状态预测模型，对模型关键超参数进行了优选，引入了预测结果降噪的概念，速度预测模型平均绝对百分误差达到15%，显著优于基准模型；标签预测模型准确度也优于基准模型；对典型网格进行了拥堵演变分析。

关键词：拥堵识别，拥堵预测，聚类分析，卷积神经网络

Abstract

At present, traffic congestion is increasingly severe in urban areas. And it has become one of the bottlenecks in urban development. In order to alleviate the congestion problem, we must first identify the hot spots where congestion frequently occurs, which will be beneficial for the government to carry out macro and long-term traffic management measures; secondly, it’s important to depict the whole process of congestion generation-development-dissipation, and build short-term congestion prediction models. It is of great significance to the management department's early intervention of congestion.

This study is based on the floating car data from Chengdu from November 1, 2016 to November 30, 2016 (a total of 98 GB). Different traffic states are classified based on the traffic parameters extracted from the data. This study develops a short-term traffic prediction model based on convolutional neural network, and analyzes the evolution law of the congestion state. The main tasks include:

--Firstly, data cleaning and coordinate transformation are performed on the raw data, besides, the trajectories are aggregated into different grid; different traffic parameters such as grid average speed, average parking times are calculated.

--Then, the extracted traffic parameters are aggregated based on different scales, a description model consists of five traffic parameters are built; dimensionality reduction is performed based on kernel principle components analysis; three traffic states (free flow, stable, congestion) are clustered using k-means algorithm. The single-day and day-to-day trends of cluster center are depicted; metrics are established to evaluate the performance of clustering.

--Finally, a short-term traffic states prediction model based on convolutional neural network is developed. Some key hyper-parameters are refined and the concept of de-noising is introduced. The accuracy of the final speed prediction model and label prediction model are significantly better than the baseline model. Congestion evolution analysis is performed on typical grids.

KEY WORDS: congestion recognition, congestion prediction, cluster analysis, convolutional neural network

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.2.1 拥堵识别 1

1.2.2 拥堵预测 3

1.3 总结 4

1.3.1 拥堵识别 4

1.3.2 拥堵预测 4

1.3.3 现有研究存在的问题 5

第二章 网约车数据预处理 6

2.1 网约车数据集介绍 6

2.2 网格化处理方法介绍 6

2.3 研究区域选取 7

2.4 网格划分 8

2.5 轨迹投影 9

2.6 数据清洗及交通参数获取 9

2.6.1 交通参数获取 9

2.6.2 数据清洗 11

2.6.3 零值数据的分析 11

2.7 本章小结 12

第三章 基于聚类算法的拥堵识别 13

3.1 k-means聚类算法 13

3.1.1 k-means算法介绍 13

3.1.2 k-means 算法介绍 14

3.2 基于主成分分析的降维算法 14

3.2.1 主成分分析思路介绍 14

3.2.2 主成分分析方法算法介绍 15

3.2.3 主成分分析的拓展 — 核主成分分析 15

3.3 基于聚类算法的拥堵识别模型的建立 16

3.3.1 原始特征的选取 16

3.3.2 交通状态数据的统计与集计 17

3.3.3 基于主成分分析的特征降维 17

3.3.4 基于k-means的单日交通状态聚类分析 18

3.3.5 基于k-means的逐日交通状态聚类分析 20

3.3.6 聚类分析结果评估 21

3.4 本章小结 23

第四章 基于深度学习算法的拥堵演变分析 24

4.1 人工神经网络 24

4.1.1 人工神经网络简介 24

4.1.2 人工神经网络的结构 24

4.1.3 人工神经网络的训练 26

4.2 卷积神经网络 26

4.2.1 卷积神经网络简介 26

4.2.2 卷积层 26

4.2.3 池化层 27

4.2.4 全连接层 28

4.2.5 激活函数 28

4.2.6 卷积神经网络的训练 29

4.3 基于卷积神经网络的拥堵预测 29

4.3.1 典型日的网约车流量分析 29

4.3.2 单日交通流时间相关性分析 30

4.3.3 长时交通流时间相关性分析 31

4.3.4 卷积神经网络框架搭建及参数选择 32

4.3.5 基于交通参数的预测结果 34

4.3.6 基于拥堵识别标签的预测结果 35

4.3.7 典型网格拥堵演变分析 37

4.4 本章小结 38

第五章 总结与展望 40

5.1 总结 40

5.2 展望 40

致 谢 42

参考文献 43

附录 46

附录A 46

轨迹坐标转换及网格划分代码traj_transform.py 46

剩余内容已隐藏，请支付后下载全文，论文总字数：69148字