本文關(guān)鍵詞：基于物流數(shù)據(jù)的流預(yù)測算法研究與實(shí)現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯(lián)網(wǎng)的快速發(fā)展,大數(shù)據(jù)和互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等相互交融,這也影響著物流行業(yè)的發(fā)展。物流企業(yè)產(chǎn)生的物流大數(shù)據(jù)范圍較廣,其中物流交通大數(shù)據(jù)是重要組成部分。交通大數(shù)據(jù)的有效處理為物流公司基于時(shí)間、成本、路線等車輛調(diào)度的應(yīng)用服務(wù)提供了可靠的理論依據(jù)和技術(shù)支持。實(shí)時(shí)準(zhǔn)確的交通大數(shù)據(jù)流預(yù)測是實(shí)現(xiàn)數(shù)據(jù)有效處理的前提和基礎(chǔ),這也給交通大數(shù)據(jù)的預(yù)測帶來了新的問題,值得深入研究。時(shí)間序列模型僅需歷史時(shí)間序列即可對交通流進(jìn)行有效預(yù)測。因此,本文首先分析交通流數(shù)據(jù)的特征并進(jìn)行LMD(Local Mean Decomposition)分解,并證明了分解后的流量序列具有短相關(guān)特征,提出了一種基于LMD和GARCH(Generalized AutoRegressive Conditional Heteroskedasticity)交通流量時(shí)間序列預(yù)測算法,預(yù)測精度顯著高于傳統(tǒng)的時(shí)間序列模型。但是,時(shí)間序列模型只能實(shí)現(xiàn)離線預(yù)測,為了適用于流數(shù)據(jù)的預(yù)測,本文又提出了一種基于SKmeans和SGD的RBFNN在線預(yù)測算法。該算法主要對RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),首先對訓(xùn)練數(shù)據(jù)進(jìn)行在線聚類,然后通過改進(jìn)的SGD算法來訓(xùn)練參數(shù),實(shí)驗(yàn)結(jié)果表明,該算法的預(yù)測精度和訓(xùn)練效率明顯高于最近鄰聚類在線訓(xùn)練算法,并對交通流量實(shí)現(xiàn)了有效的在線預(yù)測。隨著訓(xùn)練樣本的不斷增大,雖然RBF改進(jìn)算法可以實(shí)現(xiàn)在線預(yù)測,但是時(shí)間和空間復(fù)雜度急劇增加,不能滿足實(shí)際的應(yīng)用需求。因此,本文將采用Storm實(shí)時(shí)流處理平臺,將基于SKmeans和SGD的RBFNN在線預(yù)測算法在Storm平臺上進(jìn)行實(shí)現(xiàn)。為了實(shí)現(xiàn)有效的預(yù)測,對該算法并行化實(shí)現(xiàn)進(jìn)行了設(shè)計(jì),然后結(jié)合垂直并行化和水平化給出了該算法總體實(shí)現(xiàn)。最后搭建Storm集群環(huán)境,通過實(shí)驗(yàn)表明,交通大數(shù)據(jù)的預(yù)測中,集群模式相比于單機(jī)模式具有更快的訓(xùn)練速度,加速效果明顯。
【關(guān)鍵詞】：大數(shù)據(jù) 流計(jì)算 物流數(shù)據(jù) 預(yù)測算法 Storm RBFNN GARCH
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：F259.2;TP183
【目錄】：

• 摘要4-5
• Abstract5-8
• 第一章 緒論8-13
• 1.1 課題背景8
• 1.2 國內(nèi)外研究現(xiàn)狀8-11
• 1.2.1 物流數(shù)據(jù)和交通數(shù)據(jù)國內(nèi)外研究現(xiàn)狀8-9
• 1.2.2 流計(jì)算平臺國內(nèi)外發(fā)展現(xiàn)狀9-10
• 1.2.3 交通流預(yù)測算法國內(nèi)外研究現(xiàn)狀10-11
• 1.3 主要研究內(nèi)容11
• 1.4 論文結(jié)構(gòu)11-13
• 第二章 物流大數(shù)據(jù)及相關(guān)技術(shù)13-22
• 2.1 物流大數(shù)據(jù)13-15
• 2.1.1 大數(shù)據(jù)定義13-14
• 2.1.2 交通大數(shù)據(jù)14
• 2.1.3 交通流及特征14-15
• 2.2 時(shí)間序列相關(guān)理論15-16
• 2.2.1 時(shí)間序列概念15-16
• 2.2.2 時(shí)間序列自相似特征16
• 2.3 交通流量預(yù)測模型16-20
• 2.3.1 時(shí)間序列預(yù)測模型17-18
• 2.3.2 RBF神經(jīng)網(wǎng)絡(luò)18-19
• 2.3.3 交通流智能預(yù)測方法19-20
• 2.4 本章小結(jié)20-22
• 第三章 基于LMD和GARCH的交通流量預(yù)測算法22-33
• 3.1 交通流量分析和LMD分解22-26
• 3.2 基于LMD和GARCH交通流量預(yù)測算法26-28
• 3.2.1 預(yù)測算法26-27
• 3.2.2 算法性能分析27-28
• 3.3 仿真實(shí)驗(yàn)分析28-32
• 3.3.1 PF分量和余量預(yù)測28-31
• 3.3.2 流量合成及實(shí)驗(yàn)結(jié)果比較31-32
• 3.4 本章小結(jié)32-33
• 第四章 RBF神經(jīng)網(wǎng)絡(luò)及其Online訓(xùn)練算法改進(jìn)33-46
• 4.1 RBF神經(jīng)網(wǎng)絡(luò)及其存在問題33
• 4.2 基于SKmeans和SGD的改進(jìn)Online RBFNN算法33-42
• 4.2.1 基于SKmeans在線聚類中心選擇34-38
• 4.2.1.1 算法框架設(shè)計(jì)34-36
• 4.2.1.2 離線層算法36-37
• 4.2.1.3 在線層算法37-38
• 4.2.1.4 算法性能分析38
• 4.2.2 RBFNN參數(shù)在線訓(xùn)練算法38-42
• 4.2.2.1 基于SGD的在線訓(xùn)練算法39-41
• 4.2.2.2 基于動(dòng)態(tài)學(xué)習(xí)系數(shù)的SGD改進(jìn)在線訓(xùn)練算法41-42
• 4.3 仿真實(shí)驗(yàn)和算法評估42-45
• 4.4 本章小結(jié)45-46
• 第五章 基于Storm Online RBFNN預(yù)測算法并行化研究46-61
• 5.1 實(shí)時(shí)流處理系統(tǒng)Storm46-48
• 5.1.1 Storm基本原理46
• 5.1.2 Storm并行化機(jī)制46-47
• 5.1.3 Storm拓?fù)浣Y(jié)構(gòu)47-48
• 5.2 基于Storm平臺的RBF神經(jīng)網(wǎng)絡(luò)并行化設(shè)計(jì)48-53
• 5.2.1 RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)過程48-49
• 5.2.2 任務(wù)并行化49-52
• 5.2.2.1 水平并行化51
• 5.2.2.2 垂直并行化51-52
• 5.2.3 RBFNN并行化執(zhí)行總體設(shè)計(jì)52-53
• 5.3 基于Storm平臺的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法并行化實(shí)現(xiàn)53-60
• 5.3.1 SKmeans聚類Storm并行化實(shí)現(xiàn)53-56
• 5.3.2 SGD算法Storm并行化實(shí)現(xiàn)56-59
• 5.3.3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測算法Storm并行化總體實(shí)現(xiàn)59-60
• 5.4 本章小結(jié)60-61
• 第六章 RBF神經(jīng)網(wǎng)絡(luò)在物流大數(shù)據(jù)預(yù)測中的應(yīng)用61-75
• 6.1 Storm測試環(huán)境的搭建61-64
• 6.1.1 硬件環(huán)境61
• 6.1.2 軟件環(huán)境61-62
• 6.1.3 CentOS平臺Storm集群搭建62-64
• 6.1.3.1 CentOS6.4 部署Storm單機(jī)模式62-63
• 6.1.3.2 CentOS6.4 部署Storm集群模式63-64
• 6.2 實(shí)驗(yàn)數(shù)據(jù)集和評價(jià)指標(biāo)64-66
• 6.2.1 實(shí)驗(yàn)數(shù)據(jù)集64-65
• 6.2.2 數(shù)據(jù)預(yù)處理65-66
• 6.2.3 評價(jià)指標(biāo)66
• 6.3 實(shí)驗(yàn)結(jié)果分析和比較66-74
• 6.3.1 單機(jī)和集群模式下高效性對比分析66-70
• 6.3.2 預(yù)測準(zhǔn)確性對比分析70-74
• 6.3.2.1 參數(shù)影響分析70-72
• 6.3.2.2 單機(jī)和集群模式下預(yù)測準(zhǔn)確性對比分析72-74
• 6.4 本章小結(jié)74-75
• 第七章 總結(jié)與展望75-77
• 7.1 總結(jié)75
• 7.2 工作展望75-77
• 參考文獻(xiàn)77-82
• 附錄1 攻讀碩士學(xué)位期間撰寫的論文82-83
• 附錄2 攻讀碩士學(xué)位期間申請的專利83-84
• 附錄3 攻讀碩士學(xué)位期間參加的科研項(xiàng)目84-85
• 致謝85

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王萬良;正交逼近預(yù)測算法及其在電腦充絨機(jī)中的應(yīng)用[J];信息與控制;1994年04期

2 李文澤;盛光磊;;一種基于粒子群的實(shí)際業(yè)務(wù)流預(yù)測算法[J];微電子學(xué)與計(jì)算機(jī);2014年01期

3 楊斷利;張立梅;籍穎;呂晶;;河北省風(fēng)能特征及其對風(fēng)速預(yù)測算法的改進(jìn)[J];科技傳播;2013年06期

4 朱斌;樊祥;馬東輝;程正東;;窗口大小和權(quán)值模板對固定權(quán)值背景預(yù)測算法的影響[J];紅外與激光工程;2006年S4期

5 王祖儷;程小平;;入侵響應(yīng)中基于事件相關(guān)性的攻擊預(yù)測算法[J];計(jì)算機(jī)科學(xué);2005年04期

6 徐慶飛;張新;李衛(wèi)民;;二維空間中目標(biāo)軌跡預(yù)測算法研究與分析[J];航空電子技術(shù);2012年01期

7 楊雙懋;郭偉;唐偉;;基于FARIMA-GARCH模型的網(wǎng)絡(luò)業(yè)務(wù)預(yù)測算法[J];通信學(xué)報(bào);2013年03期

8 李楚斐;譚長庚;韓宇;;車輛網(wǎng)絡(luò)單跳鏈路斷開時(shí)間預(yù)測算法[J];計(jì)算機(jī)工程;2012年02期

9 周璇;楊建成;;基于支持向量回歸機(jī)的空調(diào)逐時(shí)負(fù)荷滾動(dòng)預(yù)測算法[J];中南大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

10 孫道清;分?jǐn)?shù)線快速預(yù)測系統(tǒng)在普通高校招生工作中的應(yīng)用[J];微型機(jī)與應(yīng)用;2004年06期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前10條

1 朱斌;樊祥;馬東輝;程正東;;窗口大小和權(quán)值模板對固定權(quán)值背景預(yù)測算法的影響[A];2006年全國光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)議文集（D 光電信息處理技術(shù)專題）[C];2006年

2 王峰;姬冰輝;李斗;;一種基于混沌理論的自相似業(yè)務(wù)流預(yù)測算法研究[A];2006北京地區(qū)高校研究生學(xué)術(shù)交流會(huì)——通信與信息技術(shù)會(huì)議論文集（上）[C];2006年

3 錢正祥;徐華;張申浩;;數(shù)字信號序列的向量預(yù)測算法[A];第三屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2005年

4 郭景峰;代軍麗;馬鑫;王娟;;針對通信社會(huì)網(wǎng)絡(luò)的時(shí)間序列鏈接預(yù)測算法[A];第26屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（A輯）[C];2009年

5 張利萍;李宏光;;改進(jìn)的灰色預(yù)測算法在工業(yè)應(yīng)用中的評價(jià)[A];第二屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

6 崔冬;;一種改進(jìn)的LRP信道預(yù)測算法[A];2006通信理論與技術(shù)新進(jìn)展——第十一屆全國青年通信學(xué)術(shù)會(huì)議論文集[C];2006年

7 王佳;殷海兵;周冰倩;;一種適合硬件實(shí)現(xiàn)的低復(fù)雜度MAD預(yù)測算法[A];浙江省電子學(xué)會(huì)2011學(xué)術(shù)年會(huì)論文集[C];2011年

8 鄭銘浩;劉志紅;巫瑞波;徐峻;;P450各亞型代謝調(diào)控劑預(yù)測算法[A];中國化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第14分會(huì)場摘要集[C];2012年

9 張曉丹;王萍;;一種基于特征的H.264的子塊快速幀內(nèi)預(yù)測算法[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2011)論文集【oral】[C];2011年

10 劉志紅;鄭銘浩;嚴(yán)鑫;巫瑞波;徐峻;;基于結(jié)構(gòu)的化合物穩(wěn)定性預(yù)測算法[A];中國化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第14分會(huì)場摘要集[C];2012年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 馬玉韜;基于濾波理論和特征統(tǒng)計(jì)的蛋白質(zhì)編碼區(qū)預(yù)測算法研究[D];天津大學(xué);2013年

2 玄萍;MicroRNA識別及其與疾病關(guān)聯(lián)的預(yù)測算法研究[D];哈爾濱工業(yè)大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 閆青;基于預(yù)測算法的快速多尺度金字塔時(shí)空特征點(diǎn)計(jì)算算法研究[D];青島科技大學(xué);2016年

2 錢呂見;復(fù)雜網(wǎng)絡(luò)中基于角色傳遞性和對稱性的鏈接預(yù)測算法研究[D];蘭州大學(xué);2016年

3 李小科;無模型自適應(yīng)預(yù)測算法及其在非線性過程控制中的應(yīng)用[D];蘭州大學(xué);2016年

4 周攀;基于姿態(tài)傳感器的人體步態(tài)預(yù)測算法設(shè)計(jì)與實(shí)現(xiàn)[D];西南交通大學(xué);2016年

5 周真爭;基于社團(tuán)綜合屬性的鏈路預(yù)測算法研究[D];南京信息工程大學(xué);2016年

6 任程;DSP+FPGA平臺功耗管理的研究與實(shí)現(xiàn)[D];哈爾濱工業(yè)大學(xué);2016年

7 陳威;在線社會(huì)媒體的流行性預(yù)測研究[D];電子科技大學(xué);2016年

8 戴維夫;衛(wèi)星在軌狀態(tài)異變的演變趨勢分析與預(yù)測算法研究[D];電子科技大學(xué);2016年

9 呂仁俊;LBSN中基于行為分析的用戶位置預(yù)測[D];東南大學(xué);2015年

10 孫延;混合結(jié)構(gòu)機(jī)會(huì)網(wǎng)絡(luò)鏈路預(yù)測技術(shù)研究[D];東南大學(xué);2015年

  本文關(guān)鍵詞：基于物流數(shù)據(jù)的流預(yù)測算法研究與實(shí)現(xiàn)，由筆耕文化傳播整理發(fā)布。

，

本文編號：487510