本文關(guān)鍵詞：基于Hadoop平臺的短時交通流預(yù)測算法研究

  更多相關(guān)文章： 短時交通流預(yù)測 BP神經(jīng)網(wǎng)絡(luò) MapReduce Hadoop 遺傳算法

【摘要】：短時交通流預(yù)測是智能交通領(lǐng)域的重要研究課題,為城市交通誘導(dǎo)與控制提供數(shù)據(jù)支撐。本文著重研究基于BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測算法,利用其非線性映射能力強(qiáng),自學(xué)習(xí)自適應(yīng)的特點(diǎn)預(yù)測復(fù)雜多變的交通流狀態(tài)。但是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型及其改進(jìn)算法,難以在計算效率和預(yù)測精度之間平衡,尤其在大量交通流樣本數(shù)據(jù)的情況下,傳統(tǒng)BP算法前期網(wǎng)絡(luò)權(quán)值訓(xùn)練時間較長問題不容忽視。本文利用云計算并行計算和分布式存儲的特點(diǎn),將傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和MapReduce并行計算模型相結(jié)合用于短時交通流預(yù)測,同時針對傳統(tǒng)BP算法本身的缺陷,提出利用遺傳算法優(yōu)化BP網(wǎng)絡(luò)的改進(jìn)方法。本文主要研究內(nèi)容如下:首先,介紹了短時交通預(yù)測相關(guān)理論知識,分析對比了常用交通流預(yù)測模型的優(yōu)缺點(diǎn)之后,選擇傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)作為短時交通流預(yù)測的模型,選取實(shí)際交通流量數(shù)據(jù)進(jìn)行實(shí)驗仿真,進(jìn)行節(jié)假日和工作日交通流量預(yù)測。分析實(shí)驗結(jié)果可知傳統(tǒng)BP網(wǎng)絡(luò)存在收斂速度慢、容易陷入局部極值、對網(wǎng)絡(luò)初始權(quán)閥值敏感等缺陷,同時也面臨大量交通流量數(shù)據(jù)條件下傳統(tǒng)BP網(wǎng)絡(luò)短時交通流預(yù)測模型計算效率低等問題。然后,本文針對傳統(tǒng)單機(jī)模式下BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法的缺陷,提出從兩個方面改進(jìn):利用Hadoop云平臺的分布式計算能力改善計算效率,將MapReduce編程模式和BP算法相結(jié)合;利用遺傳算法優(yōu)化傳統(tǒng)BP網(wǎng)絡(luò)算法本身的缺陷,提高預(yù)測精度。通過MapReduce編程并運(yùn)行程序,分析對比實(shí)驗結(jié)果可知:基于Hadoop平臺的遺傳神經(jīng)網(wǎng)絡(luò)算法用于短時交通流預(yù)測領(lǐng)域,預(yù)測的精度和預(yù)測的時間消耗都得到顯著改善。
【關(guān)鍵詞】：短時交通流預(yù)測 BP神經(jīng)網(wǎng)絡(luò) MapReduce Hadoop 遺傳算法
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U491.14
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-17
• 1.1 課題的研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 短時交通流預(yù)測研究現(xiàn)狀11-12
• 1.2.2 云平臺發(fā)展現(xiàn)狀12-14
• 1.3 本文的主要研究內(nèi)容及結(jié)構(gòu)安排14-16
• 1.4 本章小結(jié)16-17
• 第二章 短時交通流預(yù)測相關(guān)理論17-23
• 2.1 交通流基本概念17-18
• 2.1.1 交通流特征參數(shù)17-18
• 2.2 交通流數(shù)據(jù)處理18-19
• 2.2.1 交通流故障數(shù)據(jù)的識別18-19
• 2.2.2 交通流故障數(shù)據(jù)的修復(fù)19
• 2.3 短時交通流預(yù)測理論19-22
• 2.3.1 短時交通流預(yù)測基本概念19-20
• 2.3.2 短時交通流預(yù)測評價指標(biāo)20-21
• 2.3.3 交通流預(yù)測常用方法及對比分析21-22
• 2.4 本章小結(jié)22-23
• 第三章 Hadoop平臺基本原理23-31
• 3.1 Hadoop平臺概述23-24
• 3.2 Map Reduce24-27
• 3.2.1 Map Reduce運(yùn)行機(jī)制25-27
• 3.2.2 Map Reduce容錯機(jī)制27
• 3.3 HDFS27-30
• 3.3.1 HDFS系統(tǒng)架構(gòu)27-28
• 3.3.2 Name Node功能分析28-29
• 3.3.3 Data Node功能分析29
• 3.3.4 Secondary Name Node功能分析29-30
• 3.3.5 HDFS容錯機(jī)制與故障處理30
• 3.4 本章小結(jié)30-31
• 第四章 基于BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測算法31-45
• 4.1 BP神經(jīng)網(wǎng)絡(luò)基本原理31-34
• 4.1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)31-32
• 4.1.2 神經(jīng)網(wǎng)絡(luò)算法流程32-34
• 4.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計34-36
• 4.2.1 網(wǎng)絡(luò)層數(shù)及各層神經(jīng)元個數(shù)的確定35
• 4.2.2 網(wǎng)絡(luò)初始參數(shù)選取35-36
• 4.3 BP神經(jīng)網(wǎng)絡(luò)改進(jìn)36-39
• 4.3.1 BP神經(jīng)網(wǎng)絡(luò)算法缺點(diǎn)36
• 4.3.2 BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法36-39
• 4.4 基于BP算法的短時交通流預(yù)測實(shí)驗39-44
• 4.4.1 基于BP算法的短時交通流預(yù)測模型建立39-40
• 4.4.2 交通流數(shù)據(jù)處理40-41
• 4.4.3 實(shí)驗結(jié)果41-44
• 4.5 本章小結(jié)44-45
• 第五章 基于Hadoop的遺傳神經(jīng)網(wǎng)絡(luò)短時交通流預(yù)測算法45-58
• 5.1 Hadoop集群搭建45-48
• 5.1.1 Hadoop集群軟硬件環(huán)境45-46
• 5.1.2 Hadoop集群環(huán)境搭建步驟46-48
• 5.2 基于遺傳算法的GA-BP網(wǎng)絡(luò)48-53
• 5.2.1 遺傳BP神經(jīng)網(wǎng)絡(luò)算法49-53
• 5.3 基于Map Reduce的GA-BP短時交通流預(yù)測算法設(shè)計與實(shí)現(xiàn)53-54
• 5.4 實(shí)驗結(jié)果54-57
• 5.5 本章小結(jié)57-58
• 第六章 基于云平臺短時交通流預(yù)測系統(tǒng)設(shè)計58-65
• 6.1 平臺功能框架介紹58-60
• 6.1.1 交通路況模塊59
• 6.1.2 交通信號控制系統(tǒng)59
• 6.1.3 交通視頻監(jiān)控和系統(tǒng)管理59-60
• 6.2 系統(tǒng)開發(fā)框架設(shè)計60
• 6.3 基于云平臺的短時交通流預(yù)測系統(tǒng)設(shè)計60-64
• 6.3.1 路網(wǎng)監(jiān)控數(shù)據(jù)庫表設(shè)計61-62
• 6.3.2 短時交通流預(yù)測路況顯示62-64
• 6.4 本章小結(jié)64-65
• 總結(jié)與展望65-67
• 論文研究成果及創(chuàng)新點(diǎn)65
• 研究展望65-67
• 參考文獻(xiàn)67-71
• 攻讀碩士學(xué)位期間取得的研究成果71-72
• 致謝72-73
• 附件73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐明,陳寶星,柳伍生;基于相空間重構(gòu)的短時交通流分形研究[J];山東交通學(xué)院學(xué)報;2004年01期

2 華冬冬,陳森發(fā);非線性短時交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J];現(xiàn)代交通技術(shù);2004年01期

3 田晶;楊玉珍;陳陽舟;;短時交通流量兩種預(yù)測方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識別短時交通流混沌特性的方法[J];鐵道學(xué)報;2006年02期

5 蔣海峰;王鼎媛;張仲義;;短時交通流的非線性動力學(xué)特性[J];中國公路學(xué)報;2008年03期

6 李松;劉力軍;郭海玲;;短時交通流混沌預(yù)測方法的比較[J];系統(tǒng)工程;2009年09期

7 許倫輝;唐德華;鄒娜;夏新海;;基于非線性時間序列分析的短時交通流特性分析[J];重慶交通大學(xué)學(xué)報(自然科學(xué)版);2010年01期

8 李雁;陸海亭;張寧;;一種短時交通流異常數(shù)據(jù)識別新算法[J];公路交通科技(應(yīng)用技術(shù)版);2010年04期

9 承向軍;劉軍;馬敏書;;基于分形理論的短時交通流預(yù)測算法[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年04期

10 張立;謝忠玉;陳凱;;基于混沌理論的短時交通流局域預(yù)測模型[J];黑龍江工程學(xué)院學(xué)報(自然科學(xué)版);2011年02期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 翁小雄;翦俊;;短時交通流頻譜分析與預(yù)測[A];第二十六屆中國控制會議論文集[C];2007年

2 張利;李星毅;施化吉;;一種基于ARIMA模型的短時交通流量改進(jìn)預(yù)測算法[A];2007第三屆中國智能交通年會論文集[C];2007年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 本報記者 李嬋;交通擁堵為何預(yù)測不準(zhǔn)[N];北京科技報;2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 郭歡;基于灰理論的短時交通流動力學(xué)建模預(yù)測與優(yōu)化研究[D];武漢理工大學(xué);2013年

2 張曉利;基于非參數(shù)回歸的短時交通流量預(yù)測方法研究[D];天津大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 喻丹;基于小波理論的短時交通流預(yù)測方法研究[D];長沙理工大學(xué);2008年

2 謝生龍;城市道路短時交通流動態(tài)預(yù)測方法研究與應(yīng)用[D];長安大學(xué);2015年

3 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

4 符義琴;短時交通流分析及預(yù)測[D];南京信息工程大學(xué);2016年

5 陳功;數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用[D];電子科技大學(xué);2016年

6 卓卉;基于混沌理論的短時交通流預(yù)測方法研究[D];北京交通大學(xué);2008年

7 唐明;短時交通流特性及其預(yù)測方法的研究[D];長沙理工大學(xué);2004年

8 華冬冬;短時交通流的混沌性分析及其基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型研究[D];東南大學(xué);2005年

9 王小英;道路網(wǎng)短時交通流分析與預(yù)測[D];武漢理工大學(xué);2010年

10 劉錦娣;城市短時交通流預(yù)測模型研究[D];石家莊鐵道大學(xué);2012年

，

本文編號：632733