道路交通高效運(yùn)作的條件之一就是進(jìn)行實(shí)時(shí)準(zhǔn)確的車流預(yù)測,這不僅能幫助相關(guān)交通部門針對外出車輛進(jìn)行約束和引導(dǎo),還是智能交通系統(tǒng)(Intelligent Transportation Systems,ITS)眾多值得研究的主題之一。近年來,以數(shù)據(jù)為導(dǎo)向的智能模精度不斷提高,很重要的原因之一就是相關(guān)道路交通檢測數(shù)據(jù)的獲取原來越方便、快捷。其中,深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被大量應(yīng)用在道路車流序列估計(jì)等各個(gè)方面,主要得益于網(wǎng)絡(luò)模仿人體內(nèi)大腦單元的學(xué)習(xí)方式,并具備信息處理和學(xué)習(xí)的高效能力。然而,合理的計(jì)劃和方案同樣需要應(yīng)用在如何充分利用復(fù)雜海量數(shù)據(jù)上。除了要管理和存儲(chǔ)不同類型的數(shù)據(jù)之外,全面的數(shù)據(jù)雖然可以為復(fù)雜模型提供豐富的訓(xùn)練數(shù)據(jù)集,但是這些數(shù)據(jù)本身也使得項(xiàng)目人員面臨著大規(guī)模樣本處理和復(fù)雜特征工程的挑戰(zhàn)。因此,海量數(shù)據(jù)的處理技術(shù)與運(yùn)輸行業(yè)的融合方案就顯現(xiàn)出非比尋常的探討深度和經(jīng)濟(jì)價(jià)值。利用海量規(guī)模處理技術(shù)和Spark分布式多點(diǎn)運(yùn)算,使得當(dāng)前如何在合理時(shí)間內(nèi)學(xué)習(xí)到符合預(yù)期要求的數(shù)據(jù)處理模型成為了本文研究主題,并進(jìn)而嘗試可以打造更復(fù)雜的應(yīng)用程序模型。在對主流多節(jié)點(diǎn)異地計(jì)算框架Spark的分析研究之后,本...

【文章頁數(shù)】：69 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 大數(shù)據(jù)計(jì)算平臺(tái)介紹
    1.3 國內(nèi)外研究現(xiàn)狀
        1.3.1 傳統(tǒng)預(yù)測模型分類
        1.3.2 大數(shù)據(jù)技術(shù)研究現(xiàn)狀
    1.4 本文主要內(nèi)容
第2章 交通流大數(shù)據(jù)分析和預(yù)處理
    2.1 大數(shù)據(jù)處理技術(shù)
        2.1.1 HDFS分布式文件系統(tǒng)
        2.1.2 MapReduce編程模型
        2.1.3 Spark基本框架
    2.2 交通流量數(shù)據(jù)集來源
    2.3 模型性能估測對比評價(jià)標(biāo)準(zhǔn)
    2.4 交通流的可預(yù)測性分析
    2.5 小波神經(jīng)網(wǎng)絡(luò)
    2.6 本章小結(jié)
第3章 基于ALO-WNN的短期道路車流量估測
    3.1 小波神經(jīng)網(wǎng)絡(luò)短期道路車流量估測
    3.2 蟻獅算法
        3.2.1 蟻獅算法原理
        3.2.2 蟻獅算法流程
        3.2.3 ALO-WNN的短時(shí)交通流預(yù)測
    3.3 ALO-WNN與傳統(tǒng)優(yōu)化算法對比
    3.4 基于自適應(yīng)變異加權(quán)精英策略的ALO算法改進(jìn)
        3.4.1 自適應(yīng)變異加權(quán)精英策略
        3.4.2 IWALO與傳統(tǒng)算法相比
    3.5 本章小結(jié)
第4章 基于Spark分布式IWALO交通流實(shí)時(shí)預(yù)測
    4.1 分布式算法策略
        4.1.1 計(jì)算并行模式
        4.1.2 數(shù)據(jù)并行模式
        4.1.3 模型并行模式
    4.2 SPARK編程模型
        4.2.1 Spark運(yùn)行基本流程
        4.2.2 RDD的設(shè)計(jì)與運(yùn)行原理
    4.3 基于SPARK-IWALO分布式算法設(shè)計(jì)
        4.3.1 基于Spark的分布式IWALO流程圖
        4.3.2 基于Spark的分布式IWALO偽代碼設(shè)計(jì)
        4.3.3 Spark分布式集群環(huán)境搭建
    4.4 分布式場景下節(jié)點(diǎn)加速比
    4.5 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
第5章 總結(jié)和展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
附錄



本文編號(hào)：3780136