本文選題：智能交通　切入點：短時交通流　出處：《南京郵電大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：近年來,智能交通系統(tǒng)蓬勃發(fā)展,已經(jīng)成為了人們?nèi)粘３鲂械目煽勘Ｕ�。短時、實時的交通流預(yù)測是實現(xiàn)交通管理和車輛誘導(dǎo)的重要基礎(chǔ),也是智能交通系統(tǒng)領(lǐng)域的一個重要研究內(nèi)容。大數(shù)據(jù)時代的發(fā)展也帶來了交通數(shù)據(jù)的爆炸式增長,在海量的交通流大數(shù)據(jù)的背景下,如何做到實時準(zhǔn)確的預(yù)測成為了一個新的問題。本文對高速路采集的大規(guī)模數(shù)據(jù)集下短時交通流的實時預(yù)測進行了深入的研究、分析和實驗。主要的研究工作有以下幾點:(1)為了提高挖掘和預(yù)測模型的準(zhǔn)確性,需要對采集的交通數(shù)據(jù)流信息進行預(yù)處理,本文針對這一特定的數(shù)據(jù)進行分析,進行了缺失填補、錯誤修正和符號離散化等ETL(Extract-Transform-Load)處理。(2)在當(dāng)前大數(shù)據(jù)環(huán)境的背景下,提出了一種能夠?qū)崟r挖掘交通流數(shù)據(jù)頻繁閉合模式的算法—TP-Moment(Moment of Topology)。算法基于Topology的并行計算模型對傳統(tǒng)的Moment算法進行了改進。實驗證明,在大規(guī)模數(shù)據(jù)集的環(huán)境下,算法的時間和空間等性能得到很大提升,能夠快速準(zhǔn)確地挖掘出所有有效模式,很好的滿足交通流預(yù)測的準(zhǔn)確性和實時性要求。(3)在TP-Moment算法的基礎(chǔ)上,提出了基于歷史頻繁模式的短時交通流預(yù)測模型。挖掘歷史交通流數(shù)據(jù)存在的頻繁模式規(guī)則,與獲得的實時交通流信息進行最近鄰規(guī)則的匹配,從而預(yù)測未來時刻的交通流狀況。實驗證明,該預(yù)測模型具有較高的預(yù)測精度,有效可行。
[Abstract]:In recent years, Intelligent Transportation system (its) has developed rapidly and has become a reliable guarantee for people's daily travel. In the short term, real-time traffic flow prediction is an important basis for traffic management and vehicle guidance. It is also an important research content in the field of intelligent transportation system. The development of big data era has also brought about the explosive growth of traffic data. How to achieve real-time and accurate prediction has become a new problem. In this paper, the real-time prediction of short-time traffic flow under the large-scale data set collected by highway is deeply studied. In order to improve the accuracy of mining and prediction models, we need to preprocess the collected traffic data flow information. The missing fill, error correction and symbol discretization are processed by ETLL Extract-Transform-Load.2) in the context of big data's current environment, This paper presents an algorithm for real-time mining frequent closure patterns of traffic flow data. Based on the parallel computing model of Topology, the algorithm improves the traditional Moment algorithm. The performance of the algorithm, such as time and space, has been greatly improved, which can quickly and accurately mine all the effective patterns, and meet the accuracy and real-time requirements of traffic flow prediction. (3) on the basis of TP-Moment algorithm, This paper presents a short-term traffic flow prediction model based on historical frequent pattern, mining frequent pattern rules of historical traffic flow data, matching the obtained real-time traffic flow information with nearest neighbor rules. The experimental results show that the model has high prediction accuracy and is effective and feasible.
【學(xué)位授予單位】：南京郵電大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U491.14;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐欣;阮幼林;;最大頻繁模式的挖掘算法[J];艦船電子工程;2009年03期

2 楊炳儒;張偉;錢榕;;面向語義的精簡化多關(guān)系頻繁模式發(fā)現(xiàn)方法[J];中國工程科學(xué);2008年09期

3 李偉;李先國;;基于頻繁模式矩陣的改進挖掘算法研究[J];科學(xué)技術(shù)與工程;2010年04期

4 薛勝軍;趙洪昌;;帶禁忌約束的頻繁模式并行挖掘研究[J];武漢理工大學(xué)學(xué)報;2013年03期

5 任家東;王倩;王蒙;;一種基于頻繁模式有向無環(huán)圖的數(shù)據(jù)流頻繁模式挖掘算法[J];燕山大學(xué)學(xué)報;2011年02期

6 胡曉青;王波;;基于數(shù)據(jù)挖掘的金融時序頻繁模式的快速發(fā)現(xiàn)[J];上海理工大學(xué)學(xué)報;2006年04期

7 林曉勇;朱群雄;;頻繁模式增量維護算法IM-FPM[J];儀器儀表學(xué)報;2008年07期

8 袁柳;李戰(zhàn)懷;陳世亮;;SWRL數(shù)據(jù)集中頻繁模式發(fā)現(xiàn)[J];西北工業(yè)大學(xué)學(xué)報;2008年05期

9 孟祥萍,王華金,繆秋滾;基于改進FP-樹挖掘最大頻繁模式[J];長春工程學(xué)院學(xué)報(自然科學(xué)版);2005年01期

10 王華金;蘭紅;;一種基于FP-tree挖掘最大頻繁模式的改進算法[J];長春工程學(xué)院學(xué)報(自然科學(xué)版);2007年01期

相關(guān)會議論文 前10條

1 高晶;李建中;張兆功;;挖掘數(shù)值型數(shù)據(jù)流中的最大頻繁模式[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

2 龔才春;賀敏;張華平;許洪波;程學(xué)旗;;大規(guī)模語料的頻繁模式快速發(fā)現(xiàn)算法[A];全國網(wǎng)絡(luò)與信息安全技術(shù)研討會論文集（上冊）[C];2007年

3 喬少杰;沈志強;;PathExplorer:基于頻繁模式的不確定性軌跡預(yù)測系統(tǒng)[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

4 孫曉;韋明;;一種基于IRST的頻繁模式的心電波形分類方法研究[A];中國空間科學(xué)學(xué)會第七次學(xué)術(shù)年會會議手冊及文集[C];2009年

5 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

6 王鵬;吳曉晨;王晨;汪衛(wèi);施伯樂;;CAPE——數(shù)據(jù)流上的基于頻繁模式的分類算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

7 馮秀芳;賈嘉;;基于頻繁模式項的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合研究[A];AECC專題學(xué)術(shù)研討會論文集[C];2007年

8 胡偉超;劉君叢;浩哲;肖鵬飛;;實時交通流數(shù)據(jù)缺失修復(fù)方法對比研究[A];第八屆中國智能交通年會論文集[C];2013年

9 王晨;朱永泰;汪衛(wèi);施伯樂;;高效地挖掘頻繁圖模式[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2004年

10 張亞平;裴玉龍;周剛;;交通流數(shù)據(jù)采集、處理及其在通行能力分析中的應(yīng)用研究[A];土木工程與高新技術(shù)——中國土木工程學(xué)會第十屆年會論文集[C];2002年

相關(guān)重要報紙文章 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

相關(guān)博士學(xué)位論文 前7條

1 韓萌;基于閉合模式的數(shù)據(jù)挖掘技術(shù)研究[D];北京交通大學(xué);2016年

2 萬里;時間序列中的知識發(fā)現(xiàn)[D];北京郵電大學(xué);2009年

3 王智慧;信息共享中隱私保護若干問題研究[D];復(fù)旦大學(xué);2007年

4 繆裕青;關(guān)聯(lián)規(guī)則挖掘及其在基因表達(dá)數(shù)據(jù)中的應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2007年

5 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

6 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

7 丁男;基于WSN的實時動態(tài)交通流數(shù)據(jù)獲取相關(guān)技術(shù)研究[D];大連理工大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 李桃陶;面向微博社區(qū)的圖數(shù)據(jù)挖掘技術(shù)研究與實現(xiàn)[D];國防科學(xué)技術(shù)大學(xué);2014年

2 趙焱德;基于SPARK的海量數(shù)據(jù)頻繁模式挖掘算法研究[D];哈爾濱工業(yè)大學(xué);2016年

3 魏菲;基于膜系統(tǒng)的關(guān)聯(lián)規(guī)則挖掘算法研究[D];山東師范大學(xué);2016年

4 劉洋;結(jié)合本體與規(guī)則的并行頻繁模式發(fā)現(xiàn)的研究[D];電子科技大學(xué);2017年

5 楊莉;分布式最大頻繁模式挖掘算法的研究[D];西安科技大學(xué);2011年

6 侯俊杰;一種基于索引的頻繁模式算法研究[D];清華大學(xué);2005年

7 臧良俊;使用長度遞減支持度挖掘興趣頻繁模式和子空間[D];遼寧科技大學(xué);2007年

8 譚越;一種基于全局頻繁模式的數(shù)據(jù)挖掘算法及系統(tǒng)實現(xiàn)[D];華中科技大學(xué);2011年

9 楊銘馳;一種基于頻繁模式列表的關(guān)聯(lián)規(guī)則分類算法研究與實現(xiàn)[D];吉林大學(xué);2012年

10 俞潔;基于頻繁模式的入侵檢測算法的研究與改進[D];暨南大學(xué);2012年

，

本文編號：1561163