軌跡大數(shù)據(jù)驅(qū)動的乘客預(yù)測應(yīng)用研究.pdf

1、隨著國民經(jīng)濟的發(fā)展，浮動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，在實際環(huán)境中，乘客分布具有較高隨機性和波動性，駕駛員往往很難預(yù)測不同區(qū)域內(nèi)的乘客數(shù)量，從而導(dǎo)致浮動車供需失衡的現(xiàn)象，極大的浪費了社會資源和用戶的時間。通過預(yù)測乘客分布，可以引導(dǎo)駕駛員到達乘客較多的區(qū)域，從而解決浮動車供需不平衡的矛盾，對提高浮動車運營效率和構(gòu)建智慧城市具有重要的意義。
　　首先，本文基于Spark平臺設(shè)計并實現(xiàn)了乘客

2、分布估計并行算法，提高獲取乘客分布信息的效率。該算法利用分布式計算框架Spark降低獲取乘客分布信息的時間，通過網(wǎng)格劃分和分布估計兩個步驟，實現(xiàn)了不同時段和不同區(qū)域乘客分布信息的提取?；谠摮丝头植夹畔ⅲ疚囊圆煌耐恋乩妙愋蜑閰^(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，分別對不同條件下的乘客分布特征進行了分析，為預(yù)測乘客分布提供了依據(jù)。
　　其次，針對非齊次泊松模型存乘客分布預(yù)測方面的缺陷，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)法對歷史數(shù)據(jù)進行篩選，剔除與目標(biāo)時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)法對歷史數(shù)據(jù)進行加權(quán)，實現(xiàn)了數(shù)據(jù)之間的平滑過渡。在此基礎(chǔ)上，進一步建立了基于優(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)測優(yōu)勢，綜合考慮實時乘客分布和天氣狀況，進一步提高了乘客分布的預(yù)測精度。
　　最后，本文基于真實數(shù)據(jù)集，從多個方面對組合模型的預(yù)測效果進行