隨著我國交通事業(yè)的發(fā)展,通過物聯(lián)網技術可以更容易地收集實時交通數據,對實時交通數據的利用給交通行業(yè)帶來巨大的變革。大數據環(huán)境下的實時數據不同于傳統(tǒng)的靜態(tài)數據,對數據處理的效率以及準確度提出了更高的要求,如何在大數據環(huán)境下對實時數據合理預測是智能交通系統(tǒng)現(xiàn)階段面臨的主要挑戰(zhàn)。在當前大數據環(huán)境下,面臨更加龐大的數據規(guī)模以及更加復雜的交通情景,基于歷史數據的傳統(tǒng)模型存在效率急劇下降的問題,同時難以很好地應對交通流急劇變化的場景。為解決上述問題,本文提出一種自適應多模型預測方法,對實時交通流序列進行特征提取,在此基礎上,進行樣本構建以減少交通系統(tǒng)中數據存儲壓力問題,并設計交通流量組合預測模型,通過動態(tài)權重實現(xiàn)對多變交通環(huán)境的自適應。本文的主要貢獻包括:（1）提出一種基于數據統(tǒng)計特性的實時交通流特征提取算法。通過在實時狀態(tài)下監(jiān)視時間序列特征來識別時間序列中平穩(wěn)非平穩(wěn)現(xiàn)象的發(fā)生,從而提取交通流序列的非平穩(wěn)特征,用于表示實時交通流隱含趨勢變化信息,實現(xiàn)對于交通場景變化的提前適應。同時,以提取的數據特征為基礎,設計相應交通流特征模型,能夠更好的描述交通流的真實特性。（2）提出一種適用于大數據環(huán)境下樣本... 

【文章來源】：北京工業(yè)大學北京市 211工程院校

【文章頁數】：61 頁

【學位級別】：碩士

【部分圖文】：

警告態(tài)的識別Figure3-4Non-flatsteadyidentification

圖 3-4 警告態(tài)的識別 Figure 3-4 Non-flat steady identification （3） 當 Ft>0 + CσF + Dd 時，觸發(fā)變化信號，如圖 3-5 所示。

第4章大數據環(huán)境下樣本構建方法研究-23-第4章大數據環(huán)境下樣本構建方法研究4.1問題的提出在樣本構建工作中，通過結合先驗知識分析數據獨有的特性，提取出用于分析數據變化的有效成分，可以指導建立或者改進相應數學模型，實現(xiàn)對數據問題的解決。傳統(tǒng)樣本構建工作往往集中于數據異常值的處理，面對大數據環(huán)境下海量實時數據的挑戰(zhàn)卻存在極大的效率問題。目前，時間序列類數據是增長幅度最大的數據[48]，如圖4-1。目前，全球產生的數據量中僅有1%左右的數據能夠被存儲下來，即50EB左右，而在這其中，被標記并用于分析的數據更是不足10%。因此，如何構建大數據環(huán)境下數據樣本具有重要意義。圖4-1數據增長趨勢Figure.4-1Datagrowthtrend本章將通過分析交通流數據的特征實現(xiàn)對交通流數據進行處理，實現(xiàn)大數據環(huán)境下樣本構建工作。通過結合第三章提取的交通流特征，著重解決基于交通流周期性導致的數據高度相似問題，從而調整預測模型的輸入樣本，在不影響處理精度的情況下盡可能緩解交通系統(tǒng)中的數據存儲壓力問題。4.2交通流數據相似性分析為體現(xiàn)交通流數據重復性問題，本章展示了部分交通流數據變化趨勢，包括2016/08/01至2016/08/07、2016/09/01至2016/09/07、2016/09/24至2016/09/30期間的交通流量數據，體現(xiàn)這期間的交通流變化趨勢，如圖4-2至圖4-4所示：


本文編號：3459462