论文部分内容阅读
近年来随着互联网和计算机技术的飞速发展,智能移动设备大多带有具备定位技术的传感器,从而产生了大量的GPS数据。这些数据包含了海量多样的信息,可以帮助我们更好地理解移动对象和地理位置。而其中及时、准确地推荐最优驾驶路径是交通数据挖掘研究中重要的问题之一。它可以引导交通流走向,方便道路交通管理,也可以更好地为司机提供最优路径规划,为乘客提供合理准确的出行建议,这在城市驾驶规划的设计与实现中起着至关重要的作用。由于传统的路径规划问题只考虑了路网信息,而忽视了用户的需求和时变的外部状况(如天气影响,拥塞情况)。因此本文在融合城市出租车GPS轨迹数据、城市路网结构信息和地理静态信息、交通动态信息的基础上,设计出基于驾驶时长预测的最优路径规划方案。具体本文的主要工作如下:1.候选路径规划,建立基于A*算法的分层路网路径搜索系统。将构建好的路网拓扑结构进行提取,由于道路普遍存在分级的特点,而用户倾向性不明,如出行路线多选主干道或是小巷,因此将层次结构引入到路径搜索中。将区域道路网络按等级分层,并将行驶路线中预选节点与目标节点形成的方向和距离作为估价函数的参数,来减少行程路线中的拐点个数,从而获取多条完整的候选路线数据,是进行后续决策的基础。2.道路路线时长预测,构建了一个端到端的城市路径行驶时间预测模型,这也是本文创新和实现的关键。首先将时空GPS数据序列进行采样,基于卷积神经网络捕捉期间的地理依赖关系,然后考虑到未来影响一段路径时间规划的外部因素:天气、驾驶实况、区域位置等,将元数据进行处理,使用热编码以额外输入特征来探究外部因素的影响。两者拼接后形成双向门控递归层的输入,为获得准确的时间预估,本文提出一种双向GRU循环神经网络,对向量进行正向传递和反向传递的特征融合,以进行全路径建模,且引入注意力机制来提升特殊路段的训练情况,最终得到基于行驶时长的最优候选路线集。结合实时预测数据与用户个人倾向(如偏向路程最短或时间最少),对路线上的限行、封路等要素进行精确判断,从而在候选路线中筛选出符合用户出行的合理路线,也能对城市规划提出近期出行的合理化建议。最后通过实验,与其他的同类模型进行了比较,证实该路径规划模型在多次车辆导航中体现出的优越性。