论文部分内容阅读
城市的快速发展使得交通拥堵和资源配置不合理现象越来越突出,如何有效解决城市发展中面临的交通问题是城市规划过程中的重点问题。对人类移动行为的研究可以揭示人类流动性的内在规律,也可以协助交通管理者更好地推动智慧城市的建设。个体移动行为的预测也有很多关键应用,比如车流量预测,站点客流预测和城市发展规划等。本文建立了个体马尔可夫出行预测模型,来预测用户的出行状态,同时建立了长短时记忆网络和起讫点时空图卷积网络模型来预测地铁站点的客流量。本文的研究内容主要包括以下几个方面:1、为了更好的理解个体出行行为,本文从原始数据挖掘用户属性和出行特点。通过统计地铁用户的出行分布,发现大部分用户偏向于某种固定的出行模式。根据用户的不同出行习惯,将所有用户合理分为通勤者、非通勤者和无住宅者三类,并定义其住宅、公司和其他类型站点。将用户出行记录添加标签后,进一步分析了不同属性用户间出行分布的差异。2、从群体层面了解用户的出行习惯后,为用户建立个体出行预测模型可以研究不同个体间的出行差异性。根据用户的历史出行状态,为每个用户分别建立了一阶和二阶马尔可夫出行预测模型。使用马尔可夫模型对用户未来的出行状态分别进行了单步和多步的预测,预测准确率达到了85.82%。预测完每个用户的出行状态后,也对各个地铁站点未来的流量进行了预测,预测结果较为准确的反映了真实流量。3、精确的站点客流量预测对于缓解交通拥堵起着关键作用。地铁流量数据是一种时间序列数据,递归神经网络可以有效地捕捉数据的时间相关性,同时克服个体马尔可夫模型计算成本高、时间分辨率低的问题。为了进一步提高站点流量预测的准确率,分别建立了地铁站点通用和独立长短时记忆网络流量预测模型。该模型将数据按短时、中时和长时历史客流级联后输入模型,可以合理的处理地铁站点流量的时间相关性。通过对每个站点未来一个月内的客流量预测,长短时记忆网络流量预测模型准确率达到了91.2%。4、长短时记忆网络虽然可以很好地捕捉地铁客流的时间依赖性,但其无法有效捕捉地铁客流的空间依赖性。将地铁站点网络转化成邻接矩阵后,图卷积网络可以用来处理地铁站点的空间相关性。通过结合图卷积神经网络和门控递归单元网络,建立了地铁站点的起讫点时空图卷积网络流量预测模型,更准确地捕捉了地铁站点流量的时空相关性。起讫点时空图卷积网络流量预测模型在多种误差中均优于传统模型和长短时记忆网络流量预测模型,流量预测准确率达到了92.49%。本文通过建立个体出行状态预测模型和地铁站点流量预测模型,准确的预测了未来城市轨道交通的流量趋势,地铁系统管理者可以依据未来的流量变化调整地铁运行状态,缓解可能面临的交通拥堵问题。由此可见,对于人类移动行为的研究,有助于掌握人类流动性规律,从而更好地配置城市公共资源,合理地规划城市发展。