毕 业 设 计（论 文）任 务 书
一、学生姓名： 学号：
二、题目:基于车辆轨迹时空数据的城市热点预测模型研究
三、题目来源：真实 、 自拟
四、结业方式：设计 、 论文五、主要内容：
基于城市出租车的时空轨迹数据，利用核密度估计算法分析和呈现城市不同位置的车辆密度及交通热点。进一步，分别考虑支持向量回归和不同结构的神经网络模型在时空轨迹数据的基础上预测交通热点随时间的变化，并对算法性能进行评估，为智能交通系统和城市车流管理提供数据支撑。课题的目的在于培养学生基本的科研文献查找阅读能力、英文文献翻译理解能力，以及综合建模设计开发、解决复杂工程问题的能力。
六、主要（技术）要求：
1） 基于核密度估计算法评估城市区域的实时车流密度；
2） 基于支撑向量机回归，依据历史车流密度预测未来车流密度；
3） 基于不同层级和神经元数量的神经网络依据历史车流密度预测未来车流密度；
4） 评估模型在未来不同时间尺度上的预测精度。七、日程安排：
第 1 周：确定毕业设计概要技术思路，了解车联轨迹大数据格式及机器学习相关技术；
第 2-4 周：进一步细化课题方案，掌握时空数据挖掘、核密度估计的基本方法，翻译一篇英文文献，完成选题报告；
第 5-8 周：利用核密度方法确定城市区域的车辆分布热点，并根据热点转换的时空特征进行机器学习，对上述算法进行 Python 实现，准备中期答辩； 第 9-12 周：进一步补充后续代码，改进机器学习算法性能并评估效果；
第 13-15 周：课题经验总结，按照规范撰写毕业论文并准备进行答辩。八、主要参考文献和书目：
[1] X. Zhan, Y. Zheng, X. Yi and S. V. Ukkusuri. Citywide Traffic Volume Estimation Using Trajectory Data [J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 29(2):272-285.
[2] T. Kyaw, N. N. Oo and W. Zaw. Estimating Travel Speed of Yangon Road Network Using GPS Data and Machine Learning Techniques[C]. 15th International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology (ECTI-CON). 2018, Chiang Rai, Thailand.
[3] L. Huang and L. Xu. Research on Taxi Travel Time Prediction Based on GBDT Machine Learning Method[C]. 2018 Eighth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC), Harbin, China, 2018.
[4] W. Liu, Y. Watanabe and Y. Shoji. Vehicle-Assisted Data Delivery in Smart City: A Deep Learning Approach [J]. IEEE Transactions on Vehicular Technology, 2020, 69(11):13849-13860.
[5] 羊琰琰. 基于出租车 GPS 数据的热点区域识别及寻客推荐模型研究[D]. 北京交通大学,2020.
|
指导教师签字：
|
年
|
月
|
日
|
|
学 生 签 字：
|
年
|
月
|
日
|
|
系（所）负责人章：
|
年
|
月
|
日
|
