【摘要】：城市公交作為市民日常出行的主要交通工具,是市民最關(guān)心、最直接、最現(xiàn)實(shí)的生活問題之一。不斷提高公共交通運(yùn)營質(zhì)量、完善公共交通運(yùn)營服務(wù),可以有效緩解交通擁堵矛盾,滿足市民群眾出行需求。城市公交管理部門的合理運(yùn)營、智能化調(diào)度對(duì)提升公共交通服務(wù)有很大幫助。而公交客流數(shù)據(jù)是預(yù)測未來某個(gè)時(shí)間段客流變化,實(shí)現(xiàn)合理運(yùn)營、智能化調(diào)度的關(guān)鍵性數(shù)據(jù);同時(shí)客流量預(yù)測也是智能交通系統(tǒng)的一個(gè)重要研究方向。隨著城市規(guī)模擴(kuò)大、城市人口數(shù)量上升,以及互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,“大數(shù)據(jù)”的時(shí)代已經(jīng)到來;公交客流預(yù)測的研究變得更復(fù)雜,要求也更高。要實(shí)現(xiàn)精準(zhǔn)的客流預(yù)測需要兩個(gè)關(guān)鍵的因素:完整的客流數(shù)據(jù)與性能優(yōu)越的預(yù)測算法。而通過以往客流數(shù)據(jù)獲取方法得到的數(shù)據(jù)存在信息量小、不夠完整、難整理等缺點(diǎn);并且由于傳統(tǒng)的預(yù)測模型有著自身的缺陷,所以針對(duì)目前客流數(shù)據(jù)量大、變化復(fù)雜的現(xiàn)狀,其已不能滿足預(yù)測要求。因此有必要尋找更好的方法,去提升客流預(yù)測的準(zhǔn)確度。本課題以實(shí)際科研項(xiàng)目為依托,首先對(duì)公交支付系統(tǒng)發(fā)展現(xiàn)狀以及Hadoop平臺(tái)下客流預(yù)測研究現(xiàn)狀進(jìn)行了分析,確定了研究方向;分析了新型公交支付系統(tǒng)相關(guān)技術(shù),該系統(tǒng)提供的客流數(shù)據(jù)具有完整,準(zhǔn)確,全面等特點(diǎn),為客流預(yù)測提供了有力支撐;同時(shí)設(shè)計(jì)了基于Hadoop分布式處理平臺(tái)的客流量預(yù)測研究的總體方案。利用現(xiàn)場調(diào)研的結(jié)果,本文對(duì)影響客流量變化的因素進(jìn)行了詳細(xì)分析,從量化的角度明確了預(yù)測客流應(yīng)考慮的主要影響因素。研究并選定了客流數(shù)據(jù)的預(yù)處理方法,同時(shí)分析比較了幾種常用的客流預(yù)測算法,其中誤差反向傳播的BP神經(jīng)網(wǎng)絡(luò)對(duì)于解決復(fù)雜的隨機(jī)非線性映射問題具有良好的效果,但是存在訓(xùn)練時(shí)間長、泛化能力差、易陷入極小值等缺點(diǎn);針對(duì)以上問題,本文將Hadoop并行化處理技術(shù)引入到客流預(yù)測中,先使用粒子群(PSO)對(duì)BP算法的權(quán)、閾值進(jìn)行優(yōu)化,再利用并行化編程模型(MapReduce)對(duì)優(yōu)化后的算法進(jìn)行并行化設(shè)計(jì),進(jìn)而完成整體算法的改進(jìn)。最后,對(duì)數(shù)據(jù)處理平臺(tái)進(jìn)行結(jié)構(gòu)設(shè)計(jì),完成了Hadoop分布式處理平臺(tái)的搭建。在該處理平臺(tái)下,利用預(yù)處理后的客流樣本數(shù)據(jù),對(duì)改進(jìn)的并行化PSO-BP算法進(jìn)行測試,統(tǒng)計(jì)實(shí)驗(yàn)數(shù)據(jù)并分析其性能。測試結(jié)果表明,本文所提的改進(jìn)算法的收斂速度和預(yù)測精度均明顯優(yōu)于原算法,同時(shí)在大數(shù)據(jù)集上的訓(xùn)練速度也明顯高于原算法。
【圖文】：

圖 2.1 公交支付系統(tǒng)整體結(jié)構(gòu)圖據(jù)實(shí)際的設(shè)計(jì)需要，此公交二維碼支付系統(tǒng)主要由：車載移動(dòng)終端、中心機(jī)移動(dòng)端三大部分組成。于車載支付終端系統(tǒng)的設(shè)計(jì)來說，首先應(yīng)確立以下幾個(gè)原則：實(shí)用性好，，該系統(tǒng)應(yīng)具有實(shí)時(shí)處理大量數(shù)據(jù)的能力并讓絕大多數(shù)乘客獲得驗(yàn)。由于支付終端設(shè)計(jì)目的是將支付過程簡單化，所以系統(tǒng)的響應(yīng)時(shí)間要設(shè)備操作簡單，不易出錯(cuò)。耗能少，由于該系統(tǒng)是車載系統(tǒng)，所以要盡可能減小功耗。成本小，在滿足前兩條原則的前提下，要盡量縮小所需資金投入，以低成大的收益，使之能夠逐步推廣。載支付終端主要以 ARM 系列芯片為核心控制器，外圍部件包括 GPS[25]、塊、顯示屏、網(wǎng)絡(luò)等。模塊具體功能如下： GPS 定位得公交車當(dāng)前的經(jīng)緯度信息，與地圖信息進(jìn)行匹配，獲得公交車當(dāng)前位交車運(yùn)行到哪一站。

哈爾濱工程大學(xué)碩士學(xué)位論文顯示當(dāng)前車輛路線，GPS 信號(hào)，3G 信號(hào)，支付等信息(4)網(wǎng)路通過 3G 網(wǎng)絡(luò)實(shí)現(xiàn)與后臺(tái)服務(wù)器的實(shí)時(shí)通信，包括乘客的支付信息以及 GPS 位置息傳遞等。2.后臺(tái)中心服務(wù)器系統(tǒng)，使用當(dāng)今比較流行的 SSH 框架實(shí)現(xiàn)[26]，并且對(duì)高并發(fā)訪情況有很好的處理能力，以便更好的應(yīng)對(duì)購票乘客數(shù)量多的情況發(fā)生。經(jīng)處理的客流息由開源數(shù)據(jù)庫服務(wù)器 MySQL 進(jìn)行實(shí)時(shí)存儲(chǔ)[27]。3.移動(dòng)終端應(yīng)用軟件，是指用戶個(gè)人手機(jī)中下載安裝的公交購票應(yīng)用軟件；安裝冊之后，乘客使用此應(yīng)用軟件，可以查詢所要乘坐的公交線路以及選擇上下站點(diǎn)，進(jìn)購票支付，支付信息通過手機(jī)網(wǎng)絡(luò)提交到后臺(tái)公交中心服務(wù)器。2.1.2 支付系統(tǒng)工作方式新型公交二維碼支付系統(tǒng)工作流程如下圖 2.2 所示。
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：U495;TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾旭禹;;云計(jì)算研究現(xiàn)狀綜述[J];中國新通信;2015年12期

2 龍瀛;孫立君;陶遂;;基于公共交通智能卡數(shù)據(jù)的城市研究綜述[J];城市規(guī)劃學(xué)刊;2015年03期

3 盧小賓;王濤;;Google三大云計(jì)算技術(shù)對(duì)海量數(shù)據(jù)分析流程的技術(shù)改進(jìn)優(yōu)化研究[J];圖書情報(bào)工作;2015年03期

4 席永士;隆英;鄒忠;章曉峰;;VMware Workstation虛擬機(jī)的構(gòu)建[J];信息安全與技術(shù);2014年10期

5 楊永輝;;倫敦公交車可用智能手機(jī)支付乘車費(fèi)[J];物聯(lián)網(wǎng)技術(shù);2014年08期

6 于湛麟;李仲秋;任永昌;;SSH框架實(shí)現(xiàn)MVC架構(gòu)的電子商務(wù)軟件平臺(tái)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2012年10期

7 王慶榮;張秋余;;基于隨機(jī)灰色蟻群神經(jīng)網(wǎng)絡(luò)的近期公交客流預(yù)測[J];計(jì)算機(jī)應(yīng)用研究;2012年06期

8 林偉偉;;一種改進(jìn)的Hadoop數(shù)據(jù)放置策略[J];華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年01期

9 曾慶山;全書鵬;靳志強(qiáng);;融合BP神經(jīng)網(wǎng)絡(luò)與ARIMA的短時(shí)交通流預(yù)測[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2011年04期

10 張國華;黎明;王靜霞;;智能公共交通系統(tǒng)在中國城市的應(yīng)用及發(fā)展趨勢[J];交通運(yùn)輸系統(tǒng)工程與信息;2007年05期

相關(guān)碩士學(xué)位論文 前4條

1 劉文芳;基于成都市公交IC卡數(shù)據(jù)的公交客流量分析[D];西南交通大學(xué);2015年

2 石美英;智能公交系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];內(nèi)蒙古大學(xué);2015年

3 劉建軍;幾種時(shí)間序列模型在客流量預(yù)測上的比較[D];武漢郵電科學(xué)研究院;2015年

4 李應(yīng)安;基于MapReduce的聚類算法的并行化研究[D];中山大學(xué);2010年

本文編號(hào)：2616475