本科毕设PPT.ppt

我们毕业啦 其实是答辩的标题地方 基于浮动车数据的哈尔滨市 市区居民出行OD分析 答辩人 指导老师 日期 我做的是什么？ 利用出租车作为浮动车，通过出租车运行过程中所收集到的数据信息，获取居民的OD矩阵，分析居民出行规律。 国内外研究现状 浮动车数据处理 交通分区 哈尔滨市居民出行特征分析 汇报内容 问题讨论 国外研究现状 提出浮动车技术 2000年 利用移动手机网络数据 2007年 分解复杂路网， 分别估计 2011年 国外研究现状 利用迭代，建立动态OD 矩阵估计算法 2003年 利用浮动车检测OD矩阵 2005年 利用移动定位获取OD矩阵 2014年 研究现状 数据处理 交通分区 出行特征分析 原始数据 研究现状 数据处理 交通分区 出行特征分析 1 数据的预处理 数据的处理 2 研究现状 数据处理 交通分区 出行特征分析 研究现状 数据处理 交通分区 出行特征分析 数据预处理 create table taxi7 as select GPSDATA_ID,DEVID,STIME,STATE,LONGTITUDE, LATITUDE,SPEED from GPSHIS_DAY_140107 where devid between 0100300717 and 0100300884 and longtitude between 126.478385 and 126.842994 and latitude between 45.635406 and 45.861084 order by DEVID asc, STIME asc 研究现状 数据处理 交通分区 出行特征分析 数据处理 研究现状 数据处理 交通分区 出行特征分析 数据异常值处理 研究现状 数据处理 交通分区 出行特征分析 序号 车辆编号 时间 状态值 经度 纬度 速度 二进制状态值 十七位二进制状态值 空重载状态 上下车点 1 100300116 2014/1/7 0:10 768 126.661 45.74332 0 1100000000 1100000000 1 1 2 100300116 2014/1/7 0:15 256 126.6687 45.75366 0 100000000 100000000 0 -1 3 100300116 2014/1/7 0:24 768 126.6679 45.74016 58 1100000000 1100000000 1 1 4 100300116 2014/1/7 0:35 256 126.6725 45.73067 212 100000000 100000000 0 -1 数据处理结果 交通分区概述 采用聚类分析来进行交通分区 1.利用k-均值聚类进行OD点分类 2.利用系统聚类进行交通中区的调整。 研究现状 数据处理 交通分区 出行特征分析 研究现状 数据处理 交通分区 出行特征分析 由于聚类分析是以距离最小为原则，所以应将经纬度坐标点转换到平面坐标系中，本文将数据由WGS-84系转换到54系的高斯平面坐标系中。 聚类之前的准备工作： 研究现状 数据处理 交通分区 出行特征分析 K-均值聚类 聚类 案例个数 聚类 案例个数 聚类 案例个数 1 705.000 12 368.000 22 25.000 2 134.000 13 374.000 23 175.000 3 528.000 14 84.000 24 693.000 4 248.000 15 4.000 25 359.000 5 15.000 16 94.000 26 7.000 6 820.000 17 162.000 27 377.000 7 92.000 18 670.000 28 13.000 8 746.000 19 393.000 29 5.000 9 54.000 20 26.000 有效 8633.000 10 710.000 20 258.000 缺失 0.000 11 494.000 21 258.000 系统聚类分析 研究现状 数据处理 交通分区 出行特征分析 获取各个聚类中心之间的距离，为交通中区的合并调整提供依据。 最终的交通分区示意图 研究现状 数据处理 交通分区 出行特征分析 OD矩阵 研究现状 数据处理 交通分区 出行特征分析 OD origen1 origen2 origen3 origen4 origen5 origen1 4700 100 0 100 800 origen2 0 800 500 100 700 origen3 0 800 1400 1200 800 origen4 200 1000 1900 380