本文選題：K-Means算法 + 交通流量預(yù)測(cè)��； 參考：《浙江工業(yè)大學(xué)》2015年碩士論文

【摘要】：隨著城市汽車保有量的不斷增長(zhǎng),車輛尾氣污染和道路交通擁堵問(wèn)題愈發(fā)嚴(yán)重。交通誘導(dǎo)系統(tǒng)可以有效地減少車輛污染和緩解交通擁堵。準(zhǔn)確預(yù)測(cè)城市道路交通流量對(duì)交通誘導(dǎo)起到非常關(guān)鍵的作用,合理地路徑優(yōu)化可以為交通誘導(dǎo)提供方案,從而達(dá)到解決交通問(wèn)題的目的。為了提高交通流量預(yù)測(cè)的準(zhǔn)確率,本文提出了在交通流數(shù)據(jù)聚類分析之后,再采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的方法。本文的主要研究?jī)?nèi)容和成果如下:(1)分析了交通流量預(yù)測(cè)技術(shù)和路徑選擇技術(shù)的原理、研究現(xiàn)狀與應(yīng)用。(2)針對(duì)交通流數(shù)據(jù)的特性和影響因素,提出了一種基于K-Means算法和遺傳算法(GA)優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)(WNN)的交通流量預(yù)測(cè)方法。鑒于K-Means算法能夠快速高效地處理大規(guī)模數(shù)值型數(shù)據(jù)的特點(diǎn),采用該算法以一天的交通流量、天氣和天的特征(普通工作日、普通假期或者特長(zhǎng)假期)為指標(biāo),將歷史數(shù)據(jù)分類成若干個(gè)類。(3)針對(duì)分類完成的每一個(gè)類,采用GA-WNN方法建立相應(yīng)的預(yù)測(cè)模型,對(duì)實(shí)際數(shù)據(jù)進(jìn)行預(yù)測(cè),仿真結(jié)果表明:該方法不僅對(duì)工作日的交通流量預(yù)測(cè)精度好于只采用GA-WNN,而且對(duì)普通假期、特長(zhǎng)假期或者不同天氣狀況的交通流量預(yù)測(cè)精度也較好。(4)分析了交通路網(wǎng)的路徑選擇,基于流量預(yù)測(cè)設(shè)計(jì)了路徑選擇系統(tǒng),該系統(tǒng)將Dijkstra最短路徑算法應(yīng)用于交通中路徑選擇為用戶提供出行路徑方案,并進(jìn)行了仿真實(shí)驗(yàn),結(jié)果表明該系統(tǒng)符合設(shè)計(jì)需求。
[Abstract]:With the increasing of urban vehicle ownership, vehicle exhaust pollution and road traffic congestion become more and more serious. Traffic guidance system can effectively reduce vehicle pollution and alleviate traffic congestion. Accurate prediction of urban road traffic flow plays a very important role in traffic guidance, and reasonable route optimization can provide a scheme for traffic guidance, thus achieving the purpose of solving traffic problems. In order to improve the accuracy of traffic flow prediction, this paper proposes a neural network method to predict traffic flow data after clustering analysis. The main contents and results of this paper are as follows: (1) analyzing the principle of traffic flow forecasting technology and route selection technology, the research status and application.) aiming at the characteristics and influencing factors of traffic flow data, A traffic flow prediction method based on K-Means algorithm and genetic algorithm (GA) optimization based on wavelet neural network (WNN) is proposed. Because the K-Means algorithm can deal with large scale numerical data quickly and efficiently, the algorithm is based on the characteristics of traffic flow, weather and day (ordinary working day, ordinary holiday or extra long holiday). Classification of historical data into several classes. (3) for each class completed by the classification, the GA-WNN method is used to establish the corresponding prediction model to predict the actual data. The simulation results show that not only the precision of traffic flow prediction is better than that of GA-WNN only, but also the traffic flow prediction accuracy of ordinary vacation, special vacation or different weather conditions is better than that of GA-WNN.) the route selection of traffic network is analyzed. A path selection system based on flow prediction is designed. The Dijkstra shortest path algorithm is applied to provide the route scheme for users in traffic. The simulation results show that the system meets the design requirements.
【學(xué)位授予單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：U491

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 潘昱,張晶;基于城市路口相關(guān)性的交通流量預(yù)測(cè)[J];交通與計(jì)算機(jī);2005年01期

2 劉世超;基于極大似然估計(jì)的路段交通流量預(yù)測(cè)[J];西南交通大學(xué)學(xué)報(bào);2005年02期

3 劉長(zhǎng)虹;陳志恒;黃虎;;城市短期交通流量預(yù)測(cè)方法的探討[J];現(xiàn)代交通技術(shù);2006年01期

4 侯明善;蘭云;;基于自適應(yīng)模糊神經(jīng)推理網(wǎng)絡(luò)的交通流量預(yù)測(cè)研究[J];機(jī)械科學(xué)與技術(shù);2006年10期

5 胡丹;肖建;車暢;;提升小波支持向量機(jī)在交通流量預(yù)測(cè)中的應(yīng)用[J];計(jì)算機(jī)應(yīng)用研究;2007年08期

6 姚亞夫;劉侃;;基于遺傳神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)研究[J];公路與汽運(yùn);2007年06期

7 范魯明;賀國(guó)光;;改進(jìn)非參數(shù)回歸在交通流量預(yù)測(cè)中的應(yīng)用[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年01期

8 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預(yù)測(cè)方法[J];華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

9 劉長(zhǎng)虹;黃虎;陳力華;吳偉蔚;;基于隨機(jī)過(guò)程下的交通流量預(yù)測(cè)方法[J];上海工程技術(shù)大學(xué)學(xué)報(bào);2006年02期

10 猶勇;;組合預(yù)測(cè)方法在城市交通流量預(yù)測(cè)中的運(yùn)用[J];重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

相關(guān)會(huì)議論文 前7條

1 龐清樂(lè);;基于蟻群算法的交通流量預(yù)測(cè)[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

2 張勇;關(guān)偉;;基于多變量序列重構(gòu)的交通流量預(yù)測(cè)[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

3 劉強(qiáng);朱敏;王小維;邱震宇;;灰色神經(jīng)模型在空中交通流量預(yù)測(cè)中的應(yīng)用[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 劉智勇;徐今強(qiáng);李水友;;城市交通流量的混沌時(shí)間序列預(yù)測(cè)[A];04'中國(guó)企業(yè)自動(dòng)化和信息化建設(shè)論壇暨中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì)專輯[C];2004年

5 周申培;嚴(yán)新平;;信息融合技術(shù)在交通流量預(yù)測(cè)中的應(yīng)用[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 于江波;陳后金;;基于分段學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

7 蔣海峰;魏學(xué)業(yè);張屹;;基于加權(quán)一階局域法的短時(shí)交通流量預(yù)測(cè)的研究[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

相關(guān)碩士學(xué)位論文 前10條

1 胡孟杰;基于流量預(yù)測(cè)的交通信號(hào)控制技術(shù)研究[D];浙江工業(yè)大學(xué);2014年

2 慕偉;城市道路交通流預(yù)測(cè)與路徑選擇研究[D];浙江工業(yè)大學(xué);2015年

3 張仁初;寧波港船舶交通流量預(yù)測(cè)研究[D];大連海事大學(xué);2008年

4 朱文姍;擬建高速公路交通流量預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];中國(guó)科學(xué)院大學(xué)（工程管理與信息技術(shù)學(xué)院）;2014年

5 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡(luò)的短時(shí)城市交通流量預(yù)測(cè)研究[D];北京交通大學(xué);2012年

6 何偉;模糊神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測(cè)中的應(yīng)用研究[D];蘭州交通大學(xué);2012年

7 吳凱;基于神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)研究[D];南京郵電大學(xué);2013年

8 范魯明;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)[D];天津大學(xué);2007年

9 吳杰;支持短時(shí)交通流量預(yù)測(cè)的概率圖模型構(gòu)建與推理[D];云南大學(xué);2012年

10 蘭云;短時(shí)交通流量預(yù)測(cè)研究[D];西北工業(yè)大學(xué);2002年

，

本文編號(hào)：1777613