基于多源数据融合的城市路网交通流量估计研究

随着城市化中的交通系统压力日益增大，而智能交通系统的建设可以缓解城市交通系统压力。近年来，随着大数据时代的来临，新兴的多样化交通信息获取可以帮助交通系统的建设。然而，丰富的信息也存在结构异质性的问题，不同的交通检测器都存在各自优势与缺陷。如何能够将各种类型的交通检测信息进行优势整合，是本著作关注的重点问题。基于此，本文基于固定检测器与移动检测器针对交通流量获取的特性进行分析，从点状缺失流量层面，建立了最小支撑树聚类模型；从城市路网流量的线状缺失层面，建立张量分解模型；并从面状缺失流量层面，建立迁移学习模型来估计未知路段流量。上述研究工作丰富了城市路网中多源交通信息融合理论。在工程应用方面，论文的开展有助于提高我国智慧城市中精细化交通信息管理手段。

邢吉平，生于1991年1月，博士，研究方向包括交通大数据、城市计算、数据融合。2012年和2015年毕业于苏州科技大学土木工程学院，分别获学士和硕士学位。2021年毕业于东南大学交通学院，获博士学位。2018年11月至2019年12月在英国利兹大学交通研究所联合博士培养。迄今为止公开发表论文10余篇，其中包括《IEEE Intelligent Transportation Systems Magazine》《Transportmetrica A: Transport Science》等交通领域国际知名期刊，并担任《Journal of Advanced Transportation》《IEEE ACESS》等期刊审稿人。

第一章 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 研究目标与研究内容
1.2.1 研究目标
1.2.2 研究内容
1.3 研究方法和技术路线
1.3.1 研究方法
1.3.2 技术路线
第二章 国内外研究和应用现状评述
2.1 基于不同数据类型的交通信息估计
2.1.1 基于手机数据的交通估计
2.1.2 基于出租车GPS数据的交通估计
2.1.3 基于车牌识别数据的交通估计
2.2 基于不同检测类型的交通信息估计
2.2.1 固定检测器交通估计
2.2.2 移动检测器交通估计
2.2.3 固定检测器与移动检测器融合估计方法
2.3 基于不同理论方法的交通信息估计
2.3.1 基于张量分解算法的交通估计
2.3.2 基于交通流理论的交通量估计
2.3.3 基于数据融合方法的城市路网交通流量估计研究
2.4 研究综述总结
2.5 本章小结
第三章 城市路网的多源数据获取与预处理研究
3.1 研究思路与创新
3.2 交通信息采集技术
3.2.1 交通信息采集技术概述
3.3 手机定位数据的采集与预处理
3.3.1 手机通信定位原理
3.3.2 手机信令数据的产生与采集
3.3.3 手机信令数据类型
3.3.4 手机数据预处理
3.4 出租车GPS数据的采集与预处理
3.4.1 出租车GPS数据定位原理
3.4.2 出租出数据预处理
3.4.3 出租车数据采集
3.5 车牌照片识别数据的采集与预处理
3.5.1 采集原理
3.5.2 数据采集
3.6 本章小结
第四章 基于手机定位数据的出行方式识别与流量估计研究
4.1 研究契机与思路
4.1.1 研究内容总结
4.1.2 问题描述
4.2 理论基础
4.2.1 聚类分析的基本概念
4.2.2 最小支撑树聚类定义
4.3 手机定位数据的时空预处理
4.3.1 手机定位数据空间筛选
4.3.2 手机定位数据时间筛选
4.4 交通出行识别的特征提取
4.4.1 最小支撑树聚类算法步骤
4.4.2 很好聚类数的确定
4.4.3 出行模式方式判定标准
4.5 研究结果及分析
4.5.1 研究数据
4.5.2 手机数据的时空筛选结果
4.5.3 定位间隔与观测长度的确定
4.5.4 最小支撑树模型构建
4.5.5 出行模式识别结果分析
4.5.6 交通流量估计结果分析
4.6 本章小结
第五章 基于张量分解的城市路网连续缺失流量估计研究
5.1 研究契机与思路
5.1.1 研究内容总结
5.1.2 问题描述
5.2 流量缺失数据类型
5.3 相关理论基础
5.3.1 张量基础与表示方法
5.3.2 张量的相关定义与运算
5.3.3 张量分解与重构
5.3.4 张量补全
5.4 模型构建
5.4.1 路网选择与多源数据获取
5.4.2 路网之间相关性分析
5.4.3 张量结构构建
5.4.4 DFCP分解模型
5.4.5 目标函数求解
5.5 模型结果
5.5.1 相关路段提取
5.5.2 LPR数据在不同维度内的相关性分析
5.5.2 手机数据与LPR数据相似性分析
5.5.3 模型参数设置
5.5.4 模型估计评估
5.6 本章小节
第六章 基于迁移学习的城市路网未知流量估计研究
6.1 研究契机与思路
6.1.1 研究内容总结
6.1.2 问题描述
6.1.3 研究步骤
6.2 相关理论基础
6.2.1 迁移学习方法
6.2.2 JS散度分析
6.2.3 支持向量回归
6.3 城市路网未知路段交通特征提取
6.3.1 研究数据与路网选取
6.3.2 出租车数据预处理
6.3.3 出租车流量与LPR流量相关性分析
6.3.4 路段间相似性分析
6.3.5 出租车速度特征划分
6.4 城市路网未知路段流量估计模型构建
6.4.1 基于迁移学习的最小二乘支持向量机
6.4.2 估计模型实验设置
6.5 城市路网未知路段流量估计结果分析
6.5.1 出租车特征提取
6.5.2 模型参数求解
6.5.3 模型不同方法对比
6.5.4 模型不同实验对比
6.5.5 基准模型评价
6.6 本章小节
第七章 研究结论与展望
7.1 主要研究成果与结论
7.2 主要创新点
7.3 研究不足与展望
参考文献
致谢