- 文献综述（或调研报告）：
- 研究目的
路段行驶时间是反映道路拥挤程度最为直观的参数，是构建交通信息服务系统、交通流诱导系统等ITS子系统的重要基础。从道路管理者和出行者的角度来看,了解道路交通状况并对其进行短时预测，不仅可以辅助管理者应对交通拥堵和实施应急策略，还可以帮助出行者规划自己的行程和路线，以避开拥挤的路段，避免旅行延误。时间尺度越小，实时性越好，越能真实反映路段的交通状态;但正是如此，路段行驶时间常呈现出强烈的波动，而这些快速变化往往是复杂且难以预测的。因此，基于交通信息建立算法模型，精准预测各路段在某个时段的通行时间，对交通状态波动进行预测，有助于城市交通智能管控和社会智慧出行，是现在交通发展的大势所趋。
本文旨在通过对海量的出租车GPS轨迹数据进行挖掘，探讨城市道路网内旅行时间的预测可能性，利用多种机器学习算法，结合城市的交通环境及路网结构，构建合理有效的城市道路网内旅行时间的预测模型。
-
国内外研究现状
- 车辆轨迹数据的匹配与管理
车辆行程是道路交通领域重要的研究对象，经过地图匹配后的行程轨迹能详细描述车辆的出现目的和出行经历，进而表达道路的交通状态。高性能的地图匹配算法将给车辆行程的研究提供可靠的基础数据。
已有的地图匹配算法大多依据路段的几何特征、拓扑关系化及轨迹点的特征来实现匹配，主要包括何学地图匹配法、拓扑学地图匹配法和高级地图匹配算法。
几何学地图匹配算法[1]通过路网形状等几何信息来实现独立GPS采样点的地图匹配，这类算法大多针对GPS采样点而设计，根据最短距离原则进行采样点到路段端点匹配、采样点路段匹配、采样点序列到路段匹配等。但面对并行路段的情况，匹配精度急剧下降，容易造成误判。
拓扑学地图匹配算法[2]根据路网的拓扑关系（路段的关联性、路段的方向、路段宽度、交叉口转向限制等）是实现GPS采样点序列的地图匹配。该类算法利用路网的连通性来拟合GPS采样点序列的坐标位置、方向、速度等属性的变化特征，实现地图匹配。几何学地图匹配算法更适用于高频GPS采样点的匹配，因为匹配低频GPS数据时，路段的连通性常常是不能保证的[3].
高级地图匹配算法使用人工智能技术或高级数理统计方法来实现GPS采样点序列的地图匹配，例如：模糊逻辑[4]、隐马尔科夫链[5]、贝叶斯分析等。这类算法通常会考虑车辆速度、车辆方向、采样点数量等额外信息来参与地图匹配，一般具有较好的匹配效果。
目前来看，复杂道路网络的精确的地图匹配并没有得到很好地解决。为此，本文希望能结合几何学地图匹配算法和几何学地图匹配算法的优势，设计综合性的地图匹配算法,以此来提高匹配精度。
-
- 旅行时间预测模型
当前，有关旅行时间预测的大多数研究都集中在数据驱动的方法上，现有的数据驱动方法可以分为两大类，即参数方法和非参数方法[6]。参数方法需要依赖于已有的理论进行预测，主要包括线性回归模型[7]，时间序列模型如卡尔曼滤波[8]和自回归整合移动平均[9]（ARIMA）。非参数方法包括神经网络[10]，支持向量集[11]（SVM）和K-最近邻[12]，融合或集成技术（Bagging and Boosting）[13]。这些方法主要包括直接预测和间接预测两种，直接预测为直接利用过去的旅行时间作为状态变量来预测未来的旅行时间；间接预测为利用其他变量（如速度、密度、流量和占有率）作为状态变量来预测将来的状态，并根据公式转换来计算未来的出行时间。
（1）参数化方法
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
