基于深度学习分位数回归的行程时间概率分布预测研究.pdfVIP

摘要

准确地预测未来的行程时间对于出行者和交通管理者都十分重要。对于出

行者，准确的行程时间预测可以帮助选择合适的出行方式和出行路线；对于交

通管理者，准确的行程时间预测可以帮助制定交通管理策略。行程时间由于受

到天气、交通拥堵等因素的影响，具有一定的波动性，导致出行者在到达目的

地的时间是不固定的，因此人们对出行的时间及时间的可靠性越来越重视。因

此有必要构建一种能够预测行程时间并提供行程时间可靠性的预测模型。本文

基于分位数回归理论，利用Transformer模型和时域卷积网络（Temporal

ConvolutionalNetwork，TCN）预测未来行程时间的多个分位数点，从而近似地

预测行程时间的经验累积分布函数。

首先，本文对哈尔滨出租车全球导航卫星系统（GlobalNavigationSatellite

Systems，GNSS）数据进行了预处理。本文首先去除了出租车GNSS数据中的

异常数据，然后使用基于隐马尔可夫模型的地图匹配算法进行地图匹配，将

GNSS数据匹配在路网上。基于匹配好的GNSS数据估计车辆的行程时间。最

后，提出了一种基于行程时间分位数的模型输入特征构造方法，该方法能够保

留更多行程时间的分布信息。

其次，本文构建了基于深度学习分位数回归的行程时间概率分布预测模型。

本文基于TCN模型和Transformer模型，结合分位数回归理论，提出了分位数

回归TCN模型和分位数回归Transformer模型。通过预测行程时间的多个分位

数点来近似预测行程时间的累积概率分布函数曲线。在分析TCN模型和

Transformer模型结构的基础上，本文对TCN模型和Transformer模型进行了改

进，提出了三角形TCN（TriangularTCN，TTCN）模型和Transformer+TCN的

组合模型。

最后，对本文提出的基于深度学习分位数回归的行程时间概率分布预测模

型进行实验验证。通过将本文提出的四个分位数回归模型与分位数回归LSTM

模型进行比较来验证本文所提出模型的准确性和可靠性。实验结果表明，本文

提出的TTCN模型的预测准确度高于TCN模型，Transformer+TCN的组合模型

的预测准确度高于TCN模型和Transformer模型。说明本文对对TCN模型和

Transformer模型的改进是有效的。另外实验中发现Transformer+TCN的组合模

型预测分位数更加准确，TTCN模型预测平均数更加准确，因此实际使用中可

以用Transformer+TCN预测分位数，用TTCN模型预测平均数。使用分位数预

测结果计算行程时间可靠性评价指标，结果表明分位数回归TTCN模型和分位

数回归Transformer+TCN模型的预测结果能够准确评价行程时间可靠性。

关键词：行程时间预测；分位数回归；概率预测；行程时间可靠性

Keywords：Traveltimeprediction,quantileregression,probabilisticprediction,

traveltimereliability

目录

摘要I

AbstractIII

第1章绪论1

1.2课题研究的背景与意义1

1.2国内外研究现状2

1.2.1行程时间预测国外研究现状2

1.2.2行程时间预测国内研究现状5

1.2.3行程时间预测国内外研究现状简析7

1.3研究内容与技术路线8

第2章模型输入特征构造10

2.1数据概况10

2.2异常数据处理11

2.2.1剔除时间间隔异常的数据11

2.2.2剔除在路边停靠的车辆数据11

2.2.3剔除超速的车辆的数据12

2.3地图匹配12

2.4行程时间估计16

2.5模型输入特征构造19