论文部分内容阅读
智慧城市作为一种先进的城市发展理念受到了广泛的关注。智慧出行作为智慧城市的重要组成,不仅能够优化城市交通规划,还可以提高人们出行效率。智慧出行的兴起,改变了传统的出行方式,促进了交通出行的智能化,达到了缓解交通拥挤、优化出行时空分布的目的。在智慧出行领域,GPS的广泛应用,使得我们能够廉价地获得大量的出行轨迹数据。这些轨迹数据蕴含了丰富的语义信息,如路网拓扑结构、人们出行意图等。进一步地,路网拓扑结构可以用来构建城市数字地图。轨迹数据背后包含丰富的语义信息使其具有深度挖掘和增强的意义。为了深入挖掘与增强轨迹数据所包含的语义信息,本文主要做了以下几项工作:(1)为了获得最新的准确的数字地图,本文提出了一个包含三部分的城市数字地图挖掘框架。该框架首先基于出行轨迹在道路上的分布提取道路;其次,基于提取出的道路,该框架借鉴SIFT算法来确定路口位置以及其类型;最后,该框架将轨迹数据中发现的路口与道路,结合先验知识,融合为数字地图。在实验部分,本文使用来自滴滴出行的轨迹数据,验证与评估本文框架的有效性。(2)为了充分理解人们出行意图,本文提出了一个包含两部分的出租车乘客出行意图实时推测模型。该模型首先利用DBSCAN聚类算法来识别乘客候选活动区域。基于乘客候选活动区域,该模型利用贝叶斯定理来推测乘客出行意图;最后,该模型通过降低推测意图过程中的时耗,达到实时推测乘客出行意图的效果。在实验部分,本文使用来自纽约的多源数据,如出行轨迹、签到记录等,验证本文模型的准确性和实时性。(3)为了准确地进行出行轨迹语义标定,本文提出了一种包含两部分的出行轨迹语义标定模型。该模型首先将出行轨迹“图化”,构建出行轨迹图。该图不仅包含了出行的起始时间、起始地点等,还包含了出行周围的物理空间如兴趣点等;其次,该模型将“图化”的出行轨迹,作为图卷积神经网络的输入,通过图卷积网络学习出行特征,最终将学习到的特征输入到全连接网络,从而进行语义的标定。在实验部分,本文使用来自纽约的多源数据,如出行轨迹、签到记录,进行本文图卷积神经网络模型框架设计与调优。文章的末尾对全文的主要工作进行了总结和展望,并提出了工作中的一些不足之处。