城市交通出行时空分布模式挖掘与个性化路径规划

路径规划是出行信息服务研究领域的一个基本问题。当前的路径规划方法普遍缺乏对出行者认知心理的考虑，实用价值不高。本项目以历史速度数据和移动对象轨迹数据为研究对象，将数据挖掘的技术手段引入到路径规划问题的研究中，探讨基于时空聚类分析的行车速度模式挖掘方法，以及基于轨迹关联分析的路网热点路径挖掘方法，发现路网中行车速度的时空分布规律，提取出路网中有经验出行群体频繁访问、便于行驶的热点路径，实现基于知识的路网数据层次表达，以及基于动态层次路网的自适应出行路径规划。项目的实施对于促进出行信息服务乃至地理信息服务的个性化、智能化发展，以及推动交通地理信息系统与智能交通相关领域的学科进步具有重要的意义。

本课题围绕交通数据挖掘、路网数据建模与路径规划算法开展研究工作，形成了如下研究成果：.1、.提出了一种基于转换节点与转换边的多模式交通网络建模方法，实现了个体机动车、公共汽车、轻轨/地铁、步行与个体非机动车四种交通模式的一体化综合表达。该模型在物理上独立存储各种模式的逻辑网络连通信息，而在逻辑上统一多模式交通逻辑网络的整体关系，在保证各自模式表达模型独立的基础上，构建了统一的连接关系。.2、.提出了一种动态道路网分层方法，通过引入城市道路实时交通状态信息，结合图论中的中介中心性评价方法，得到与时间相关的城市路网动态中介中心性层级结构。该方法考虑了不同时间段城市交通状态的差异，实现了城市路网层次的动态合理划分，在一定程度上缓解了由于数据空间范围限制引起的路网层级静态划分方法的局限性，为多用户并发环境下的实时出行路径搜索提供更合理的数据基础。.3、.借鉴复杂网络分析方法，定量化分析了城市路网的模块化与层次性特征，利用城市路段在空间上的聚集特征和路段在网络中拓扑角色的差异，提出了一种新的交通状态自相关路段邻近性判别规则，即空间邻近且拓扑等价规则，以此规则实现交通状态空间相关路段聚类过程，更好地揭示城市路段之间的交通状态空间相关性。.4、.提出了基于浮动车轨迹的交叉口通行耗时估计方法，采用基于非参数回归的主曲线模型从浮动车历史轨迹数据中获取交叉口通行耗时的基准值，并结合当前的实时交通信息进行修正，结合路段出行耗时计算结果，得到较为准确和可靠的城市交通出行时间估计结果。.5、.提出了一种时间依赖A*算法。首先建立基于弧段的时间依赖网络模型，将转向延误时间引入到FIFO条件的定义中。然后，将时间因子引入到启发式评价函数中，发展基于弧段标号的时间依赖A*最短路径算法，即TDA*算法。.6、.提出了一种适应多模式交通网络环境的多标准路径规划方法，结合遗传算法与最优化理论，采用不定长表现型基因编码，使用模式标识表示不同模式下的路径。为了适应多模式交通网络环境，定义模式内交叉与变异算子和模式间交叉与变异算子，使遗传进化能够同时兼顾模式内与模式间不同的进化方向。采用多维权值向量表示多种评价标准，涉及时间最短、换乘最少和费用最低等标准。通过应用Pareto排序方法进行适应度值的分配。