隨著高速公路路網(wǎng)的不斷建設與完善,高速公路收費口和道路中心使用了大量監(jiān)測設備記錄通行的車輛信息,從而在高速公路監(jiān)測系統(tǒng)中存儲了海量的車輛通行數(shù)據(jù)。如何有效地從這些通行數(shù)據(jù)中,挖掘出更多有價值信息近年來成為研究的焦點之一。本文將結合數(shù)據(jù)挖掘技術和大數(shù)據(jù)技術,通過對海量通行數(shù)據(jù)的挖掘分析,得到高速公路路段的交通量和交通速度信息,實現(xiàn)對未來交通量和交通速度的預測。在此基礎上,利用預測出的交通量和交通速度等多個因素,構建高速公路路況狀況評價體系,從而對高速公路未來路況的作出預測,為高速公路運營管理和居民出行提供有價值的參考。本文的主要工作和創(chuàng)新點如下:1.針對傳統(tǒng)交通量預測模型僅考慮交通量的時間特性而導致預測效果不佳的問題,本文將交通量的時間和空間特性相結合,提出了一種基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks,CNN）與LightGBM結合的交通量預測模型。該模型首先利用CNN模型挖掘出高速公路相鄰路段監(jiān)測點和出入口的時間和空間關聯(lián)性,實現(xiàn)對交通量數(shù)據(jù)的時空特征提取,然后將提取到的特征向量輸入到LightGBM模型中,實現(xiàn)對交通量的預測。實驗結果表明,該模型... 

【文章來源】：東華大學上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：91 頁

【學位級別】：碩士

【部分圖文】：

HDFS架構圖

東華大學碩士學位論文11圖2-2有向無環(huán)圖（4）Spark架構Spark集群采用的是Master-Slave框架，如圖2-3所示。集群采用的是一個Master主節(jié)點和多個worker從節(jié)點，即為一主多從的集群結構，其中Master主節(jié)點用于對集群進行監(jiān)控和任務分配，worker從節(jié)點用于執(zhí)行來自主節(jié)點的人物。Client是資源調(diào)用的入口，將資源調(diào)用到Driver中，Driver調(diào)用SparkContext用于初始化運行環(huán)境，SparkContext根據(jù)RDD之間的相互關系構建DAG有向無環(huán)圖，并將任務提交給DAG解析為多個Stage。ClusterManager接受任務請求，為各個Task分配資源并在Executor運行。最后Client不斷將任務發(fā)送給Executor，直到所有任務完成后會向Master注銷上下文，從而釋放程序資源。圖2-3Spark架構

東華大學碩士學位論文11圖2-2有向無環(huán)圖（4）Spark架構Spark集群采用的是Master-Slave框架，如圖2-3所示。集群采用的是一個Master主節(jié)點和多個worker從節(jié)點，即為一主多從的集群結構，其中Master主節(jié)點用于對集群進行監(jiān)控和任務分配，worker從節(jié)點用于執(zhí)行來自主節(jié)點的人物。Client是資源調(diào)用的入口，將資源調(diào)用到Driver中，Driver調(diào)用SparkContext用于初始化運行環(huán)境，SparkContext根據(jù)RDD之間的相互關系構建DAG有向無環(huán)圖，并將任務提交給DAG解析為多個Stage。ClusterManager接受任務請求，為各個Task分配資源并在Executor運行。最后Client不斷將任務發(fā)送給Executor，直到所有任務完成后會向Master注銷上下文，從而釋放程序資源。圖2-3Spark架構

【參考文獻】：
期刊論文
[1]基于混合粒子群算法和多分位魯棒極限學習機的短期風速預測方法[J]. 魯?shù)?王星華,賀小平.  電力系統(tǒng)保護與控制. 2019(05)
[2]基于QPSO-RBF神經(jīng)網(wǎng)絡的混合交通流車速預測模型[J]. 張曉陽,徐韜,張宜華,張磊.  公路. 2019(01)
[3]基于多指標模糊綜合評價的交通擁堵預測與評估[J]. 晏雨嬋,白璘,武奇生,葉珍.  計算機應用研究. 2019(12)
[4]基于信息熵加權的FCM交通狀態(tài)識別研究[J]. 曹潔,張麗君,侯亮,陳作漢,張紅.  計算機應用與軟件. 2018(10)
[5]基于深度學習的交通流量預測研究[J]. 鄧烜堃,萬良,丁紅衛(wèi),辛壯.  計算機工程與應用. 2019(02)
[6]一種改進的Attention-Based LSTM特征選擇模型[J]. 朱星嘉,李紅蓮,呂學強,周建設,夏紅科.  北京信息科技大學學報(自然科學版). 2018(02)
[7]基于GA-PSO混合優(yōu)化的BPNN車速預測方法[J]. 劉吉超,陳陽舟.  交通運輸系統(tǒng)工程與信息. 2017(06)
[8]基于CNN-SVR混合深度學習模型的短時交通流預測[J]. 羅文慧,董寶田,王澤勝.  交通運輸系統(tǒng)工程與信息. 2017(05)
[9]基于模糊理論的城市道路短時交通流量預測研究[J]. 黃慧瓊.  公路工程. 2016(01)
[10]基于KNN回歸的短時交通流預測[J]. 陳婧敏.  微型電腦應用. 2015(09)

碩士論文
[1]融合天氣因素的短時交通流深度預測算法[D]. 李星.長安大學 2018



本文編號：2901856