【摘要】：實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)是交通系統(tǒng)能夠高效運(yùn)行的重要保障,不僅為交通控制和誘導(dǎo)提供依據(jù),更是交通智能化和自動(dòng)化發(fā)展的重要基礎(chǔ)。目前,隨著數(shù)據(jù)獲取越來(lái)越便捷,基于數(shù)據(jù)驅(qū)動(dòng)的智能模型精度越來(lái)越高,其中,支持向量機(jī)模型和神經(jīng)網(wǎng)絡(luò)模型由于具備較強(qiáng)的非線性映射能力和良好的自適應(yīng)學(xué)習(xí)能力等優(yōu)點(diǎn),因此被廣泛地應(yīng)用于交通流的預(yù)測(cè)研究。然而,數(shù)據(jù)量和數(shù)據(jù)維度的增多,導(dǎo)致智能模型在精度提高的同時(shí),模型的復(fù)雜度和訓(xùn)練時(shí)間指數(shù)級(jí)增加,甚至難以收斂。而且,傳統(tǒng)的數(shù)據(jù)管理模式在面對(duì)海量數(shù)據(jù)的存儲(chǔ)和處理時(shí)效率低下,難以滿足預(yù)測(cè)系統(tǒng)對(duì)實(shí)時(shí)性和動(dòng)態(tài)擴(kuò)展性的需求。因此研究利用大數(shù)據(jù)技術(shù)實(shí)現(xiàn)海量數(shù)據(jù)的高效采集、存儲(chǔ)、處理和分析,具有非常重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。本文旨在研究基于Spark云計(jì)算框架的城市交通流實(shí)時(shí)預(yù)測(cè)技術(shù)。Spark是基于分布式的理念,面向大規(guī)模數(shù)據(jù)存儲(chǔ)和處理需求應(yīng)運(yùn)而生的一種集群系統(tǒng)。它具有良好的擴(kuò)展性和容錯(cuò)性。通過(guò)對(duì)主流云計(jì)算框架Spark的研究,本文設(shè)計(jì)了基于Spark的分布式支持向量機(jī)預(yù)測(cè)模型和分布式神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。并提出完整的包含數(shù)據(jù)采集,數(shù)據(jù)存儲(chǔ),模型訓(xùn)練以及實(shí)時(shí)預(yù)測(cè)的交通大數(shù)據(jù)處理框架。具體工作如下所示:(1)通過(guò)分析城市交通流的時(shí)空變化特性和天氣影響因素,考慮將目標(biāo)路段的上下游流量數(shù)據(jù)以及實(shí)時(shí)降水?dāng)?shù)據(jù)作為變量引入特征矩陣中,擴(kuò)展特征變量的維度信息。(2)設(shè)計(jì)基于Spark集群的分布式支持向量機(jī)算法和分布式的神經(jīng)網(wǎng)絡(luò)算法。以及利用Spark Streaming技術(shù)實(shí)現(xiàn)目標(biāo)路段下一時(shí)段交通流的實(shí)時(shí)預(yù)測(cè)。(3)通過(guò)將Kafka分布式消息訂閱系統(tǒng)、HDFS分布式文件系統(tǒng)、Spark分布式計(jì)算引擎、Spark Streaming流式處理技術(shù)、Zookeeper分布式協(xié)調(diào)系統(tǒng)等大數(shù)據(jù)工具進(jìn)行集成,提出了一套適合城市交通流從數(shù)據(jù)采集到存儲(chǔ)、到模型訓(xùn)練再到結(jié)果實(shí)時(shí)輸出的大數(shù)據(jù)解決方案。(4)選取廣州市2016年線圈檢測(cè)器的數(shù)據(jù),以MAE、RMSE、預(yù)測(cè)時(shí)間、加速比等作為評(píng)價(jià)指標(biāo),通過(guò)對(duì)分布式算法與單機(jī)算法(包括KNN(k-Nearest Neighbors)、GTB(Gradient Tree Boosting)、KRR(Kernel Ridge Regression)、單機(jī)SVR、單機(jī)神經(jīng)網(wǎng)絡(luò))以及基于深度學(xué)習(xí)框架Keras的神經(jīng)網(wǎng)絡(luò)算法共8種算法進(jìn)行多組實(shí)驗(yàn)的性能對(duì)比,驗(yàn)證了以下結(jié)論:基于時(shí)空關(guān)系所構(gòu)造的特征變量預(yù)測(cè)效果要優(yōu)于單一的時(shí)間維度特征;基于分布式集群所訓(xùn)練出的模型在預(yù)測(cè)精度與單機(jī)相差不大的情況下,實(shí)時(shí)性和可擴(kuò)展要遠(yuǎn)遠(yuǎn)優(yōu)于單機(jī)系統(tǒng);降雨量數(shù)據(jù)對(duì)模型的預(yù)測(cè)效果影響較小,因此在構(gòu)造特征變量時(shí)可以忽略。
【圖文】：

第二章 交通流特點(diǎn)及數(shù)據(jù)預(yù)處理市交通流的特點(diǎn)交通系統(tǒng)是一個(gè)由人、車、路、環(huán)境等組成的協(xié)同系統(tǒng)。極端天氣、突的駕駛習(xí)慣、交通管控措施等外界因素都會(huì)對(duì)系統(tǒng)的穩(wěn)定性帶來(lái)非常大在變化中也蘊(yùn)含著某些可以捕捉到的規(guī)律性特征。以下分別從周期性、勻性、空間相關(guān)性四個(gè)方面對(duì)城市交通流的變化特點(diǎn)進(jìn)行分析。期性和相似性

圖 2-3 春節(jié)期間流量變化情況Fig 2-3 Traffic changes during the Spring Festival 2-3 春節(jié)期間的流量變化情況和圖 2-2 工作日的流量變化進(jìn)行對(duì)比，可的交通流量要明顯低于非節(jié)假日。這是因?yàn)榇汗?jié)期間，大量的外來(lái)務(wù)工從廣州返回老家過(guò)年，因此導(dǎo)致春節(jié)期間的交通流量明顯低于非節(jié)假日對(duì)比，，工作日的流量變化模式相對(duì)周末與節(jié)假日來(lái)說(shuō)存在著明顯的模式規(guī)變化趨勢(shì)中可以看出：每一時(shí)段的交通流量與它前一時(shí)段的流量存在著。這些規(guī)律和模式是我們能夠?qū)Υ诉M(jìn)行預(yù)測(cè)的前提。
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：U491.14

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 傅貴;韓國(guó)強(qiáng);逯峰;許子鑫;;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)模型[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年09期

2 高媛媛;劉強(qiáng)國(guó);;基于LIBSVM的葡萄酒品質(zhì)評(píng)判模型[J];四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年05期

3 鄭為中,史其信;基于貝葉斯組合模型的短期交通量預(yù)測(cè)研究[J];中國(guó)公路學(xué)報(bào);2005年01期

相關(guān)博士學(xué)位論文 前3條

1 商強(qiáng);基于機(jī)器學(xué)習(xí)的交通狀態(tài)判別與預(yù)測(cè)方法研究[D];吉林大學(xué);2017年

2 梅朵;基于云計(jì)算的交通瓶頸控制與誘導(dǎo)協(xié)同模型研究[D];吉林大學(xué);2015年

3 王凡;基于支持向量機(jī)的交通流預(yù)測(cè)方法研究[D];大連理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 劉彩云;基于Spark的改進(jìn)SA-SVR短時(shí)交通預(yù)測(cè)研究[D];東華理工大學(xué);2017年

2 王春安;Hadoop環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法研究[D];北京交通大學(xué);2017年

3 童智高;基于用戶行為和位置感知的邊際服務(wù)加載優(yōu)化研究[D];浙江大學(xué);2017年

4 林海濤;面向短時(shí)交通流量預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)算法研究[D];南京郵電大學(xué);2016年

5 胡浩然;基于Hadoop平臺(tái)的短時(shí)交通流預(yù)測(cè)算法研究[D];華南理工大學(xué);2016年

6 張佳寧;基于神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測(cè)模型研究[D];廣東工業(yè)大學(xué);2016年

7 謝洪彬;基于Hadoop的城市道路交通狀態(tài)判別技術(shù)研究[D];華南理工大學(xué);2016年

8 王騰輝;基于Spark平臺(tái)的短時(shí)交通流預(yù)測(cè)研究[D];華南理工大學(xué);2016年

9 馮青平;基于云計(jì)算的交通流預(yù)測(cè)與狀態(tài)識(shí)別關(guān)鍵技術(shù)研究[D];江蘇大學(xué);2016年

10 楊慧慧;城市交通流短時(shí)預(yù)測(cè)模型研究[D];河南理工大學(xué);2015年

本文編號(hào)：2590304