《數據稀疏和數據缺失情況下的旅行時間預測研究》是依託清華大學，由李力擔任項目負責人的面上項目。
基本介紹
- 中文名：數據稀疏和數據缺失情況下的旅行時間預測研究
- 依託單位：清華大學
- 項目負責人：李力
- 項目類別：面上項目
項目摘要,結題摘要,
項目摘要
近年來，國內城市道路旅行時間預測研究遇到了許多新的挑戰，其中包括：. 1、數據稀疏的問題。國外已有研究往往假定能夠檢測到一段時間內通過某一路段的大多數車輛的旅行時間。但我國各城市的智慧型交通系統均在完善中，能檢測的車輛比例經常較低。. 2、數據缺失的問題。由於感測器和數據傳輸網路的物理條件所限，目前國內外的智慧型交通系統均存在數據缺失問題。而國內很多城市的數據缺失情況更為嚴重。. 3、歷史數據不足，影響預測模型辨識校正的問題。. 有鑒於此，本項目將城市道路個體車輛旅行時間和整體交通流運動規律研究有機結合在一起，著力發展基於貝葉斯網路的旅行時間預測模型。我們將數據稀疏、數據缺失和小樣本轉化為特定結構的後驗知識，統一考察後驗知識結構和數量的變化對於貝葉斯推理結果的影響，最終改進目前的旅行時間預測算法。相關結果可用於匝道控制等多方面，具有重要的學術意義和廣闊的套用前景。
結題摘要
本項目的資助下，我們收集分析了大量公車、計程車和網約車的旅行時間數據。 首先，我們研究了不同交通狀態下的旅行時間變化規律，研究旅行時間偏峰和多峰分布的成因，建立了交通流時空分布特徵和旅行時間分布模型之間的關係。 其次，我們研究了交通流的波動特性，並揭示了交通數據壓縮、交通異常數據檢測、交通缺失數據補償和交通預測等多個以往獨立研究問題存在著隱含的共性。其中，交通數據壓縮強調長期趨勢，尋求數據的共性。交通異常數據檢測反其道而行之，強調數據的差異。交通缺失數據補償和交通預測則更多的是研究去掉趨勢之後的波動特徵。實踐表明：基於去趨勢方法，可以顯著提高基於數據建模的旅行時間預測精度。 再者，我們對城市道路的旅行時間不確定性和可預測性進行了深入研究，提出了多種預測模型，並在微巴公司計程車旅行時間預測與調度的實際套用中取得了良好效果。 最後，我們還分析了如何通過設定交通信號等方式來最佳化城市道路的旅行時間，以及如何根據具有不確定性的旅行時間時間進行路徑選擇。 部分成果獲得教育部2016年自然科學二等獎（項目負責人為第一完成人）。相關成果幫助項目負責人獲得2017年IEEE Fellow。
