论文部分内容阅读
公共交通乘客作为现代城市居民出行的重要群体,提前掌握公交乘客出行情况,不仅可以使决策者在交通运输规划时根据乘客出行需求的变化及时做出动态调整,而且能够为车辆广告定向投放、传染病防治、城市规划等方案提供决策依据。本文的研究对象为城市公交刷卡乘客出行时空行为,研究目的为根据公交乘客历史出行规律结合公交出行特征,应用深度学习预测公交乘客未来出行时空行为,提出一套完整的公交乘客出行时空行为预测方法。本文将公交乘客出行时空行为通过公交出行链来表达,详细介绍了公交乘客未来出行链的预测思路,将公交出行链预测研究拆分成六个子问题依次为:乘客是否会出行、出行次数、上车站点、上车时间、下车站点和下车时间,根据深度学习模型原理,将各个子问题的分析过程进行参数化,按照子问题筛选对应的输入特征集合,采用人工神经网络(Artificial Neural Network,ANN)构建公交乘客未来出行时空行为预测模型。本文使用Python编程语言以及Pytorch深度学习开源框架作为开发环境,应用中国渭南市连续2周的智能公交(Advanced Public Transportation Systems,APTS)数据、站点附近兴趣点(Point Of Interest,POI)分布数据和历史天气记录,对所构建的全连接预测模型进行训练及验证,实现了预测城市公交乘客未来出行时空行为的目标,并掌握了各个公交出行特征对最终出行预测结果的具体影响程度。通过理论研究和实例对照,发现本文提出的公交乘客出行时空行为预测方法效果良好且实用性强,能够应用于其它同类型研究。