基于时空数据挖掘的城市路网交通态势分析及应用研究.pdfVIP

摘要 摘要 城市路网交通系统是一个高度复杂的非线性系统，准确评估路网时空交通态 势，深入挖掘其复杂的运行规律，对于提高城市交通运行效率和智能化管理水平具 有重要的理论意义和实用价值。随着感知、通信及智能计算技术的快速发展，如何 从海量、高维、多样化的交通时空数据中挖掘潜在的交通状态变化模式和特征，为 交通管理部门和公众出行提供高效准确的信息服务，是智能交通领域面临的重要 挑战。本研究从数据驱动的角度，采用先进的机器学习、信息论等数据挖掘和分析 方法，结合交通流理论和网络理论，提出了基于时空数据挖掘的城市道路网络交通 态势分析及应用的研究框架。本文按“时空特征提取—因果关系挖掘—频繁模式识 别—未来状态预测”的逻辑主线展开研究。 首先，提出一种基于非负张量分解考虑路网交通状态多维度特征的同质时空 模式提取方法。在时间维度上提取了长期和短期变化特征，在空间维度上定义空间 邻近系数，修正高斯相似度矩阵。基于改进的谱聚类算法将城市大范围路网分割为 具备同质交通时空状态模式的子路网。其次，构建考虑信息传递方向性的路网时空 状态因果关系挖掘方法。引入传递熵算法量化交通状态时空因果关系，利用滑动窗 口技术和高斯核密度估计的方法计算传递熵矩阵，表征各路段之间的动态信息传 递量。提出被影响系数、影响系数、输入度及输出度指标，识别路网上的关键路段。 随后，提出基于时空因果关系挖掘的交通拥堵传播模式识别模型。利用传递熵计算 交通状态信息传递量以及拥堵事件之间的因果关联性强度。考虑拥堵事件发生时 间的连续性和空间拓扑的连通性约束条件，基于因果关系显著性检验去除冗余的 关联关系，建立路网交通拥堵状态时空传播有向图集。采用频繁子图挖掘算法，识 别频繁拥堵状态时空传播模式。最后，构建考虑时空信息的城市路网交通状态预测 模型。选择历史上下游交通流量作为特征变量，利用梯度提升决策树集成学习算法， 预测短时交通流量，并识别变量的重要性。基于传递熵的变量选择方法提取贡献度 高的时空特征变量，显著降低了模型的特征维度和复杂度，提高了预测精度和效率。 本研究为交通时空数据挖掘和分析提供了系统性的研究思路和方法，促进了 交通态势建模与时空数据挖掘的交叉融合，为城市交通拥堵治理、路网规划等提供 决策支持，为数据驱动下的智能交通系统提供基础技术支撑。 关键词：时空数据挖掘；多维特征提取；时空因果关系；拥堵传播；交通流预测 I 目录 目 录 第1 章 绪论 1 1.1 研究背景 1 1.2 研究问题、目的及意义 3 1.3 国内外研究现状 6 1.3.1 交通状态时空变化规律研究 6 1.3.2 交通状态时空特征提取方法 7 1.3.3 交通时空状态因果关系挖掘 9 1.3.4 交通拥堵状态传播模型研究 10 1.3.5 短时交通流状态预测研究 12 1.4 研究内容与技术路线 15 第2 章 城市路网交通时空数据特征及处理技术 19 2.1 交通数据时空特性分析 19 2.1.1 时间维特性 19 2.1.2 空间维特性 20 2.1.3 时空相关性 21 2.2 路网属性 22 2.3 实验数据介绍 22 2.4 数据预处理过程 25 2.4.1 异常数据检测 26 2.4.2 数据融合及修复 27 2.4.3 数据滤波处理 28 2.4.4 数据预处理实例 29 2.5 本章小结 31 第3 章 考虑时空多维度特征的同质交通状态变化模式提取 32 3.1 本章引言 32 3.2 基于张量分解的多维度特征提取 34 3.2.1 NNCP 算法 34 3.2.2 分解技术 35 3.3 考虑空间邻近性的谱聚类算法 3