基于多源交通数据的城市拥堵预测

报告人：李孜

   交通拥堵影响着城市生活的正常运转，相关的研究一直很活跃。大数据时代，深度学习为我们提供了解决问题新思路。

引言

   在北京，每年大约有2亿人次乘坐出租车出行。如果能够预测出租车乘客数量变化的趋势，就可以为城市规划者提供帮助，从而减轻交通压力。

Input:

Data, one-hour time window, and location

Output:

Predicted number of taxi pickups at the input time and location

项目进展情况

• 数据预处理（Pandas）
• 建模
• 模型训练

• 数据预处理

    数据来源于纽约出租车和豪华轿车委员会(TLC)以及北京市交管局，包括出租车运营商的相关信息。这些信息包括所有出租车每次行程的日期、时间、上车地点和下车地点、路程距离、支付类型、小费数目、总费用。同时我们也爬取了相应的每小时的天气数据。

    我们采用Python的Geopy库确定经纬度信息对应地区的邮政编码。我们把原始数据按时间、邮政编码、气温分组，统计每一组对应的乘车次数，把这些聚合后的数据作为可视化的数据集。例如，“2016-04- 01 00:00:00, 49.0, 0, 10001, 375”

         利用 python 的 pandas 库进行特征提取，结果如下：

• 天气气温
• 编码 区域
• 时间
• 星期
• 乘车次数

阶段性研究成果

• 以 keras 框架为基础，初步构建简单的 3 层神经网络架构，对十 万级数据进行训练。

• 建模

Data sets

Pre-processing

samples

learning algorithm

optimization

model evaluation

Final model

Prediction

simple neural network

Gradient Descent

MSE   RMSE  

下一阶段工作计划

• 模型训练，提高泛化能力
• 结果可视化（Tableau）

• 结果可视化

      在动态地图中进行数据的可视化，更直观的看到每小时的变化情况。

总结

       我们预计用这个模型做到，利用共享数据，对道路交通状态进行预测，并通过交通信息发布方式对外发布。帮助城市策划者和出租车调度者将交通资源合理配置，以及减少拥堵。