本文關(guān)鍵詞：采用變結(jié)構(gòu)動態(tài)貝葉斯網(wǎng)絡的交通流量預測　出處：《計算機科學與探索》2017年04期 　論文類型：期刊論文

  更多相關(guān)文章： 智能交通系統(tǒng) 交通流量預測 復雜事件處理 變結(jié)構(gòu)動態(tài)貝葉斯網(wǎng)絡

【摘要】：物聯(lián)網(wǎng)和大數(shù)據(jù)流式計算的快速發(fā)展為智能交通系統(tǒng)的研究帶來新的機遇。交通流量預測一直是智能交通系統(tǒng)的關(guān)鍵問題。針對交通流量預測中一個固定模型無法適應多種環(huán)境的問題,以及面向數(shù)據(jù)流的模型更新問題,提出了一種基于變結(jié)構(gòu)動態(tài)貝葉斯網(wǎng)絡的交通流量預測方法。該方法以復雜事件處理和事件上下文為基礎,通過上下文聚類進行歷史數(shù)據(jù)的劃分,并通過事件流在線聚類支持聚簇的更新。面向不同聚簇的數(shù)據(jù),采取搜索-打分的方法學習對應的貝葉斯網(wǎng)絡結(jié)構(gòu),基于高斯混合模型實現(xiàn)貝葉斯網(wǎng)絡的近似推斷。在線預測時根據(jù)當前上下文選擇合適的模型或模型組合進行預測。真實和仿真數(shù)據(jù)上的實驗結(jié)果表明,該方法能夠獲得比當前常用方法更好的預測效果。
[Abstract]:The rapid development of Internet of things and large data flow has brought new opportunities for the research of intelligent transportation system. Traffic flow forecasting has always been the key problem of intelligent transportation system. A fixed model in traffic flow forecasting is not available. Law adapts to various environments. A traffic flow prediction method based on variable structure dynamic Bayesian network is proposed, which is based on complex event processing and event context. The historical data is partitioned by context clustering, and the updating of clustering is supported by online clustering of event flow. For different clustering data, the corresponding Bayesian network structure is studied by search-scoring method. The approximate inference of Bayesian network is realized based on Gao Si hybrid model. In on-line prediction, the appropriate model or combination of models is selected according to the current context. The experimental results on real and simulation data show that. This method can achieve better prediction results than the current common methods.
【作者單位】： 湖南大學信息科學與工程學院;
【基金】：國家自然科學基金No.61371116~~
【分類號】：U491.14;TP18
【正文快照】： 1引言于支持向量機的方法[2-3]、基于深度學習的方法[4-5]、基近年來,隨著物聯(lián)網(wǎng)(Internet of things,Io T)和移于貝葉斯網(wǎng)絡(Bayesian network,BN)的方法[6-8]和基動計算技術(shù)的迅速發(fā)展,人們加速跨進大數(shù)據(jù)的時于混合模型的方法[9]等�；谪惾~斯統(tǒng)計技術(shù),貝葉代。很多應用快

【相似文獻】

相關(guān)期刊論文 前10條

1 潘昱,張晶;基于城市路口相關(guān)性的交通流量預測[J];交通與計算機;2005年01期

2 劉世超;基于極大似然估計的路段交通流量預測[J];西南交通大學學報;2005年02期

3 劉長虹;陳志恒;黃虎;;城市短期交通流量預測方法的探討[J];現(xiàn)代交通技術(shù);2006年01期

4 侯明善;蘭云;;基于自適應模糊神經(jīng)推理網(wǎng)絡的交通流量預測研究[J];機械科學與技術(shù);2006年10期

5 胡丹;肖建;車暢;;提升小波支持向量機在交通流量預測中的應用[J];計算機應用研究;2007年08期

6 姚亞夫;劉侃;;基于遺傳神經(jīng)網(wǎng)絡的交通流量預測研究[J];公路與汽運;2007年06期

7 范魯明;賀國光;;改進非參數(shù)回歸在交通流量預測中的應用[J];重慶交通大學學報(自然科學版);2008年01期

8 叢新宇;虞慧群;范貴生;;基于組合模型的交通流量預測方法[J];華東理工大學學報(自然科學版);2011年03期

9 劉長虹;黃虎;陳力華;吳偉蔚;;基于隨機過程下的交通流量預測方法[J];上海工程技術(shù)大學學報;2006年02期

10 猶勇;;組合預測方法在城市交通流量預測中的運用[J];重慶工商大學學報(自然科學版);2007年02期

相關(guān)會議論文 前7條

1 龐清樂;;基于蟻群算法的交通流量預測[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

2 張勇;關(guān)偉;;基于多變量序列重構(gòu)的交通流量預測[A];2008第四屆中國智能交通年會論文集[C];2008年

3 劉強;朱敏;王小維;邱震宇;;灰色神經(jīng)模型在空中交通流量預測中的應用[A];全國第19屆計算機技術(shù)與應用（CACIS）學術(shù)會議論文集（下冊）[C];2008年

4 劉智勇;徐今強;李水友;;城市交通流量的混沌時間序列預測[A];04'中國企業(yè)自動化和信息化建設論壇暨中南六省區(qū)自動化學會學術(shù)年會專輯[C];2004年

5 周申培;嚴新平;;信息融合技術(shù)在交通流量預測中的應用[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術(shù)論壇（交通運輸工程學科）論文集（下冊）[C];2005年

6 于江波;陳后金;;基于分段學習的BP神經(jīng)網(wǎng)絡的交通流量預測[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術(shù)論壇（交通運輸工程學科）論文集（下冊）[C];2005年

7 蔣海峰;魏學業(yè);張屹;;基于加權(quán)一階局域法的短時交通流量預測的研究[A];可持續(xù)發(fā)展的中國交通——2005全國博士生學術(shù)論壇（交通運輸工程學科）論文集（下冊）[C];2005年

相關(guān)碩士學位論文 前10條

1 胡孟杰;基于流量預測的交通信號控制技術(shù)研究[D];浙江工業(yè)大學;2014年

2 慕偉;城市道路交通流預測與路徑選擇研究[D];浙江工業(yè)大學;2015年

3 林海濤;面向短時交通流量預測的神經(jīng)網(wǎng)絡算法研究[D];南京郵電大學;2016年

4 張仁初;寧波港船舶交通流量預測研究[D];大連海事大學;2008年

5 朱文姍;擬建高速公路交通流量預測系統(tǒng)的設計與實現(xiàn)[D];中國科學院大學（工程管理與信息技術(shù)學院）;2014年

6 李波;基于小波分析和遺傳神經(jīng)網(wǎng)絡的短時城市交通流量預測研究[D];北京交通大學;2012年

7 何偉;模糊神經(jīng)網(wǎng)絡在交通流量預測中的應用研究[D];蘭州交通大學;2012年

8 吳凱;基于神經(jīng)網(wǎng)絡的短時交通流量預測研究[D];南京郵電大學;2013年

9 范魯明;基于非參數(shù)回歸的短時交通流量預測[D];天津大學;2007年

10 吳杰;支持短時交通流量預測的概率圖模型構(gòu)建與推理[D];云南大學;2012年

，

本文編號：1419618