摘要
近年来，随着定位技术的普及以及对海量数据的高效存储，交通领域向数据化、智能化迈进，基于数据驱动的智能交通系统正以一种高效的方式出现在居民出行、城市规划、节约能源等方面。利用采集到的海量时空轨迹数据可以进行城市交通流量分析、城市交通治理、城市功能区的探索、居民出行需求分析等一系列研究。在这些研究当中，出行需求分析与城市居民日常生活息息相关，高质量的出行需求预测能够节约出行时间，理解居民流动，优化城市结构。但是，由于城市环境的多变性、时空数据的强相关性，目前的居民出行需求预测算法的精确度较低。因此，基于海量时空车辆轨迹数据，挖掘其内在的复杂模式，精准高效地预测居民出行需求，对于节约居民出行时间，提高出行效率，优化城市结构具有重要的意义和实用价值。本文主要基于车辆轨迹数据对城市居民出行需求预测中涉及的相关技术进行了研究。主要的研究内容如下：（1）面对复杂的城市交通路网结构，引入方向角这一元信息，将采集到的海量车辆轨迹匹配到城市路网中，探索城市路网当中的热点路段。实验表明，相比于现有的路网算法，基于方向角的路网匹配算法具有较高的准确率和较低的时间代价。同时，搭建大数据平台来处理大规模车辆轨迹数据的匹配。（2）由于车辆轨迹数据具有很强的非线性和复杂的时空依赖关系，现有算法很难捕获这种时空依赖关系、对居民出行需求做出精准的预测。本文研究并设计了基于门控扩散单元的居民出行需求预测算法。为了提高该算法的实用性，设计了基于Seq2Seq结构的多步预测模型，同时也可以将该算法泛化到其他基于时空数据的预测问题上。（3）在上述研究基础上，编码实现了核心功能模块，设计并初步实现了居民出行需求预测系统。使用真实车辆轨迹数据集对该系统进行测试实验，实验结果表明，本文设计的居民出行需求预测算法能够捕获车辆轨迹数据中复杂的时空依赖关系，挖掘其内在模式，精准预测居民出行需求。
NETL