基于無監(jiān)督學習技術(shù)的位置大數(shù)據(jù)分析.pdf

1、隨著社會的發(fā)展和科學技術(shù)的不斷進步，移動通信和傳感設備等位置感知技術(shù)形成了大量的位置數(shù)據(jù)，對這些位置數(shù)據(jù)進行挖掘和分析，從而發(fā)現(xiàn)其潛在的有用信息，合理進行城市建設規(guī)劃和出行路線規(guī)劃，將會大大促進現(xiàn)代社會的智能化、信息化。同時，從人們出行的軌跡數(shù)據(jù)中得到其出行的交通方式，也將有助于研究人員從中推測人們對交通工具擁有情況、收入水平和職業(yè)情況。本文圍繞位置大數(shù)據(jù)進行了一些相關(guān)研究。
　　首先，對出租車GPS軌跡數(shù)據(jù)進行分析，分析了可能產(chǎn)

2、生數(shù)據(jù)誤差的影響因素，并有針對性地對原始數(shù)據(jù)做預處理，包括對數(shù)據(jù)進行誤差分析，數(shù)據(jù)處理依據(jù)和方法，之后對居民出行的起止點進行識別，并利用ArcGIS進行地圖的可視化呈現(xiàn)?；谔幚砗蟮腉PS數(shù)據(jù)，分析了居民出行的時空分布特征，包括工作日和休息日的出行量，日出行的高峰時段，并得到了相關(guān)的結(jié)論。將聚類分析方法應用到出租車GPS數(shù)據(jù)的應用研究中，選取合理的聚類方法對研究區(qū)域進行交通小區(qū)的劃分，并建立出行OD矩陣。
　　其次，采用基于時間空

3、間聚類的K-Means方法，得到乘客上下車的活躍中心點，并結(jié)合ArcGIS空間分析工具，構(gòu)建緩沖區(qū)找到乘客最容易搭乘出租車的路段，解決了活躍中心點偏離道路的問題。此外，利用密度聚類的方法，對城市居民出行熱點區(qū)域的分布規(guī)律進行了研究，并與實際情況相結(jié)合，證明了本文方法的有效性。
　　然后，為提高不同出行方式的識別率，提出了一種基于深度學習的出行方式識別模型，以微軟亞洲研究院收集的用戶GPS軌跡數(shù)據(jù)集為基礎，利用時間特性提取不同出行方