軌跡大數(shù)據(jù)驅(qū)動(dòng)的乘客預(yù)測(cè)應(yīng)用研究.pdf

1、隨著國(guó)民經(jīng)濟(jì)的發(fā)展，浮動(dòng)車逐漸成為交通系統(tǒng)中不可分割的一部分，為居民提供了方便快捷的出行方式。然而，在實(shí)際環(huán)境中，乘客分布具有較高隨機(jī)性和波動(dòng)性，駕駛員往往很難預(yù)測(cè)不同區(qū)域內(nèi)的乘客數(shù)量，從而導(dǎo)致浮動(dòng)車供需失衡的現(xiàn)象，極大的浪費(fèi)了社會(huì)資源和用戶的時(shí)間。通過(guò)預(yù)測(cè)乘客分布，可以引導(dǎo)駕駛員到達(dá)乘客較多的區(qū)域，從而解決浮動(dòng)車供需不平衡的矛盾，對(duì)提高浮動(dòng)車運(yùn)營(yíng)效率和構(gòu)建智慧城市具有重要的意義。
　　首先，本文基于Spark平臺(tái)設(shè)計(jì)并實(shí)現(xiàn)了乘客

2、分布估計(jì)并行算法，提高獲取乘客分布信息的效率。該算法利用分布式計(jì)算框架Spark降低獲取乘客分布信息的時(shí)間，通過(guò)網(wǎng)格劃分和分布估計(jì)兩個(gè)步驟，實(shí)現(xiàn)了不同時(shí)段和不同區(qū)域乘客分布信息的提取?；谠摮丝头植夹畔?，本文以不同的土地利用類型為區(qū)分方式，選取了交通樞紐區(qū)，核心商業(yè)區(qū)和住宅周邊區(qū)域等三種不同類型區(qū)域，分別對(duì)不同條件下的乘客分布特征進(jìn)行了分析，為預(yù)測(cè)乘客分布提供了依據(jù)。
　　其次，針對(duì)非齊次泊松模型存乘客分布預(yù)測(cè)方面的缺陷，提出了優(yōu)

3、化非齊次泊松模型。該模型利用相關(guān)系數(shù)法對(duì)歷史數(shù)據(jù)進(jìn)行篩選，剔除與目標(biāo)時(shí)段乘客分布相差較大的數(shù)據(jù);按照數(shù)據(jù)之間的相關(guān)程度，采用平滑指數(shù)法對(duì)歷史數(shù)據(jù)進(jìn)行加權(quán)，實(shí)現(xiàn)了數(shù)據(jù)之間的平滑過(guò)渡。在此基礎(chǔ)上，進(jìn)一步建立了基于優(yōu)化非齊次泊松模型和卡爾曼濾波模型的組合模型。組合模型充分發(fā)揮優(yōu)化非齊次泊松模型具備的預(yù)測(cè)優(yōu)勢(shì)，綜合考慮實(shí)時(shí)乘客分布和天氣狀況，進(jìn)一步提高了乘客分布的預(yù)測(cè)精度。
　　最后，本文基于真實(shí)數(shù)據(jù)集，從多個(gè)方面對(duì)組合模型的預(yù)測(cè)效果進(jìn)行