【摘要】：實時準(zhǔn)確的交通流預(yù)測是交通系統(tǒng)能夠高效運行的重要保障,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化發(fā)展的重要基礎(chǔ)。目前,隨著數(shù)據(jù)獲取越來越便捷,基于數(shù)據(jù)驅(qū)動的智能模型精度越來越高,其中,支持向量機模型和神經(jīng)網(wǎng)絡(luò)模型由于具備較強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,因此被廣泛地應(yīng)用于交通流的預(yù)測研究。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,模型的復(fù)雜度和訓(xùn)練時間指數(shù)級增加,甚至難以收斂。而且,傳統(tǒng)的數(shù)據(jù)管理模式在面對海量數(shù)據(jù)的存儲和處理時效率低下,難以滿足預(yù)測系統(tǒng)對實時性和動態(tài)擴展性的需求。因此研究利用大數(shù)據(jù)技術(shù)實現(xiàn)海量數(shù)據(jù)的高效采集、存儲、處理和分析,具有非常重要的現(xiàn)實意義和應(yīng)用價值。本文旨在研究基于Spark云計算框架的城市交通流實時預(yù)測技術(shù)。Spark是基于分布式的理念,面向大規(guī)模數(shù)據(jù)存儲和處理需求應(yīng)運而生的一種集群系統(tǒng)。它具有良好的擴展性和容錯性。通過對主流云計算框架Spark的研究,本文設(shè)計了基于Spark的分布式支持向量機預(yù)測模型和分布式神經(jīng)網(wǎng)絡(luò)預(yù)測模型。并提出完整的包含數(shù)據(jù)采集,數(shù)據(jù)存儲,模型訓(xùn)練以及實時預(yù)測的交通大數(shù)據(jù)處理框架。具體工作如下所示:(1)通過分析城市交通流的時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)以及實時降水?dāng)?shù)據(jù)作為變量引入特征矩陣中,擴展特征變量的維度信息。(2)設(shè)計基于Spark集群的分布式支持向量機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)實現(xiàn)目標(biāo)路段下一時段交通流的實時預(yù)測。(3)通過將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、到模型訓(xùn)練再到結(jié)果實時輸出的大數(shù)據(jù)解決方案。(4)選取廣州市2016年線圈檢測器的數(shù)據(jù),以MAE、RMSE、預(yù)測時間、加速比等作為評價指標(biāo),通過對分布式算法與單機算法(包括KNN(k-Nearest Neighbors)、GTB(Gradient Tree Boosting)、KRR(Kernel Ridge Regression)、單機SVR、單機神經(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種算法進行多組實驗的性能對比,驗證了以下結(jié)論:基于時空關(guān)系所構(gòu)造的特征變量預(yù)測效果要優(yōu)于單一的時間維度特征;基于分布式集群所訓(xùn)練出的模型在預(yù)測精度與單機相差不大的情況下,實時性和可擴展要遠遠優(yōu)于單機系統(tǒng);降雨量數(shù)據(jù)對模型的預(yù)測效果影響較小,因此在構(gòu)造特征變量時可以忽略。
【圖文】：

第二章 交通流特點及數(shù)據(jù)預(yù)處理市交通流的特點交通系統(tǒng)是一個由人、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對系統(tǒng)的穩(wěn)定性帶來非常大在變化中也蘊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)性四個方面對城市交通流的變化特點進行分析。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行對比，可的交通流量要明顯低于非節(jié)假日。這是因為春節(jié)期間，大量的外來務(wù)工從廣州返回老家過年，因此導(dǎo)致春節(jié)期間的交通流量明顯低于非節(jié)假日對比，，工作日的流量變化模式相對周末與節(jié)假日來說存在著明顯的模式規(guī)變化趨勢中可以看出：每一時段的交通流量與它前一時段的流量存在著。這些規(guī)律和模式是我們能夠?qū)Υ诉M行預(yù)測的前提。
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491.14

【參考文獻】

相關(guān)期刊論文 前3條

1 傅貴;韓國強;逯峰;許子鑫;;基于支持向量機回歸的短時交通流預(yù)測模型[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2013年09期

2 高媛媛;劉強國;;基于LIBSVM的葡萄酒品質(zhì)評判模型[J];四川理工學(xué)院學(xué)報(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)測研究[J];中國公路學(xué)報;2005年01期

相關(guān)博士學(xué)位論文 前3條

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

2 梅朵;基于云計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;基于支持向量機的交通流預(yù)測方法研究[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SA-SVR短時交通預(yù)測研究[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;面向短時交通流量預(yù)測的神經(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平臺的短時交通流預(yù)測算法研究[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平臺的短時交通流預(yù)測研究[D];華南理工大學(xué);2016年

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

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

本文編號：2590304