论文总字数：32666字

摘 要

在交通日益发展的今天，交通系统的完善与否直接影响了一个城市的经济发展与居民生活。城市交通的健康发展有赖于城市的交通规划，随着数据时代各种信息化手段的发展，交通规划的方法日益丰富。如何利用交通活动衍生出的数据信息探究城市居民的出行规律，预测区域之间的出行需求也成为了当今交通数据领域的热点问题。为适应现代城市交通规划的发展需要，本文提出了一种基于地铁刷卡数据、卡口数据和GPS数据的多模式交通需求预测方法。

论文首先根据地铁IC卡、GPS数据、卡口数据的不同数据特征，对数据进行处理，统计出深圳市辖区内的地铁出行、出租车出行及私家车出行记录。利用Python语言对出行记录进行筛选，提取各种交通模式的起讫点。基于已处理的出行起讫点记录，对不同交通模式的出行特征进行分析和比较。

选取出行更为随机的出租车GPS数据作为聚类数据，采用K-means算法对深圳市进行交通小区划分，利用轮廓系数法和肘部法则选择聚类效果较好的聚类K值作为交通小区数量。借助凸包的原理勾勒小区的边界。将不同交通模式的出行起讫点位置信息与小区范围相匹配，分别提取地铁出行OD矩阵、私家车出行OD矩阵及出租车出行OD矩阵。

借鉴传统“四阶段法”预测思路，利用深度学习算法构建单模式的交通需求预测模型。在此基础上，进一步改进模型，将多种交通模式之间的关联关系融入模型中进行预测，建立多模式交通预测模型，并将其与单模式需求预测模型相比较。结果显示，多模式需求预测模型具有更高的精度，展现出了更好的预测效果。

关键词：多模式交通，K-means算法，深度学习，交通需求预测

Abstract

Nowadays, the transportation system directly affects the economic development of a city and the life of its residents. With the rapid development of information technology in the data era, the methods of traffic planning are increasingly abundant. How to use the data information derived from traffic activities to predict the travel demands between different zones has become a hot issue in the field of traffic research. This paper proposes a multi-mode traffic demand forecasting method based on IC-card data, plate-scanning data and GPS data.

Firstly, according to the characteristics of different data, this paper processes the data and obtain the travel records of the subway, taxi and private car in Shenzhen. Then, Python language is used to filter travel records and extract the starting and ending points of different modes of transport. By using the travel records, the characteristics of different traffic modes are analyzed and compared.

Then, for travels of the taxi are random, they are selected as data for clustering. K-means algorithm is adopted to divide traffic Zones in Shenzhen. Silhouette Method and Elbow Method are used to select best K value, which means the number of traffic zones.

Then, the boundary of the traffic zone is drawn by the use of convex hull. By matching the location of travels with the scope of different zones, OD matrix of subway, private car and taxi are extracted respectively.

Based on the ideas of the traditional "Four-Step Method", a single-mode model to predict travel demands between zones is constructed by using the deep learning algorithm. On this basis, the model is further improved, and the correlation between different traffic modes are integrated into the model for prediction, so as to realize the establishment of complex multi-mode prediction model, which is compared with the single-mode prediction model. The result shows the superiority of the multi-mode traffic demand prediction model.

KEY WORDS: Multi-mode Traffic, K-means algorithm, Deep Learning, Traffic Demand Prediction

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 交通数据的挖掘和应用 2

1.2.2 交通小区划分及OD矩阵提取方法研究 2

1.2.3 交通需求预测方法 3

1.3 论文研究的主要内容 3

1.4 研究技术路线 4

1.5 本章小结 4

第二章 数据处理与数据分析 5

2.1 出租车GPS数据 5

2.1.1 出租车GPS数据简介 5

2.1.2 基于载客信息的出租车轨迹起终点提取 6

2.2 地铁刷卡数据 9

2.2.1 地铁刷卡数据格式 9

2.2.2 地铁刷卡数据上下客信息提取 10

2.3 卡口数据 12

2.3.1 卡口数据信息 12

2.3.2 基于卡口行驶时间的出行终点判别 12

2.4 多模式交通出行特征分析 14

2.5 本章小结 17

第三章 交通小区划分及优化方法研究 19

3.1 交通小区的概念 19

3.2 K-means聚类方法介绍 19

3.3 交通小区划分 20

3.3.1 基于肘部法则的小区数量范围界定 20

3.3.2 基于轮廓系数法的聚类K值选取 21

3.3.3 基于出租车数据的小区聚类划分 23

3.3.4 凸包的概念及小区边界的确定 24

3.4 OD矩阵提取 25

3.5 本章小结 27

第四章 区间出行需求预测模型 28

4.1 传统区间出行需求预测模型简介 28

4.2 深度学习概念简介 29

4.3 单模式需求预测模型研究 30

4.3.1 模型结构 30

4.3.2 模型优化与测试 31

4.4 多模式需求预测模型研究 33

4.4.1 模型建立 33

4.4.2 模型评价与比较 35

4.5 本章小结 36

第五章 总结与展望 38

5.1 论文总结 38

5.2 未来展望 39

参考文献 40

致 谢 42

绪论

研究背景及意义

在交通日益发达的今天，交通系统的完善与否直接影响到了一个城市的生产活动和居民的工作生活。交通与工作、居住、休憩共同构成了代表城市功能的四大活动，交通的发展也直接影响了城市经济社会的发展和现代化的建设。

与此同时，交通的飞速发展也给社会带来了一系列的困扰，如交通拥堵、交通安全、交通污染等问题，这些问题是国家城市化进程中不可避免的难题。交通的健康发展直接影响到人民的生活质量和城市的可持续发展，交通问题解决的核心是加强交通的规划与管理。分析预测作为规划工作中的重要一环，直接影响了交通规划与管理工作的科学性和有效性，如何借助城市社会经济资料等各项基础信息数据对交通需求进行合理、准确的预测，已经成为交通工程领域研究的一大重点问题。

剩余内容已隐藏，请支付后下载全文，论文总字数：32666字