【摘要】：實時準確的交通流預測是交通系統(tǒng)能夠高效運行的重要保障,不僅為交通控制和誘導提供依據(jù),更是交通智能化和自動化發(fā)展的重要基礎。目前,隨著數(shù)據(jù)獲取越來越便捷,基于數(shù)據(jù)驅動的智能模型精度越來越高,其中,支持向量機模型和神經(jīng)網(wǎng)絡模型由于具備較強的非線性映射能力和良好的自適應學習能力等優(yōu)點,因此被廣泛地應用于交通流的預測研究。然而,數(shù)據(jù)量和數(shù)據(jù)維度的增多,導致智能模型在精度提高的同時,模型的復雜度和訓練時間指數(shù)級增加,甚至難以收斂。而且,傳統(tǒng)的數(shù)據(jù)管理模式在面對海量數(shù)據(jù)的存儲和處理時效率低下,難以滿足預測系統(tǒng)對實時性和動態(tài)擴展性的需求。因此研究利用大數(shù)據(jù)技術實現(xiàn)海量數(shù)據(jù)的高效采集、存儲、處理和分析,具有非常重要的現(xiàn)實意義和應用價值。本文旨在研究基于Spark云計算框架的城市交通流實時預測技術。Spark是基于分布式的理念,面向大規(guī)模數(shù)據(jù)存儲和處理需求應運而生的一種集群系統(tǒng)。它具有良好的擴展性和容錯性。通過對主流云計算框架Spark的研究,本文設計了基于Spark的分布式支持向量機預測模型和分布式神經(jīng)網(wǎng)絡預測模型。并提出完整的包含數(shù)據(jù)采集,數(shù)據(jù)存儲,模型訓練以及實時預測的交通大數(shù)據(jù)處理框架。具體工作如下所示:(1)通過分析城市交通流的時空變化特性和天氣影響因素,考慮將目標路段的上下游流量數(shù)據(jù)以及實時降水數(shù)據(jù)作為變量引入特征矩陣中,擴展特征變量的維度信息。(2)設計基于Spark集群的分布式支持向量機算法和分布式的神經(jīng)網(wǎng)絡算法。以及利用Spark Streaming技術實現(xiàn)目標路段下一時段交通流的實時預測。(3)通過將Kafka分布式消息訂閱系統(tǒng)、HDFS分布式文件系統(tǒng)、Spark分布式計算引擎、Spark Streaming流式處理技術、Zookeeper分布式協(xié)調系統(tǒng)等大數(shù)據(jù)工具進行集成,提出了一套適合城市交通流從數(shù)據(jù)采集到存儲、到模型訓練再到結果實時輸出的大數(shù)據(jù)解決方案。(4)選取廣州市2016年線圈檢測器的數(shù)據(jù),以MAE、RMSE、預測時間、加速比等作為評價指標,通過對分布式算法與單機算法(包括KNN(k-Nearest Neighbors)、GTB(Gradient Tree Boosting)、KRR(Kernel Ridge Regression)、單機SVR、單機神經(jīng)網(wǎng)絡)以及基于深度學習框架Keras的神經(jīng)網(wǎng)絡算法共8種算法進行多組實驗的性能對比,驗證了以下結論:基于時空關系所構造的特征變量預測效果要優(yōu)于單一的時間維度特征;基于分布式集群所訓練出的模型在預測精度與單機相差不大的情況下,實時性和可擴展要遠遠優(yōu)于單機系統(tǒng);降雨量數(shù)據(jù)對模型的預測效果影響較小,因此在構造特征變量時可以忽略。
【圖文】：

第二章 交通流特點及數(shù)據(jù)預處理市交通流的特點交通系統(tǒng)是一個由人、車、路、環(huán)境等組成的協(xié)同系統(tǒng)。極端天氣、突的駕駛習慣、交通管控措施等外界因素都會對系統(tǒng)的穩(wěn)定性帶來非常大在變化中也蘊含著某些可以捕捉到的規(guī)律性特征。以下分別從周期性、勻性、空間相關性四個方面對城市交通流的變化特點進行分析。期性和相似性

圖 2-3 春節(jié)期間流量變化情況Fig 2-3 Traffic changes during the Spring Festival 2-3 春節(jié)期間的流量變化情況和圖 2-2 工作日的流量變化進行對比，可的交通流量要明顯低于非節(jié)假日。這是因為春節(jié)期間，大量的外來務工從廣州返回老家過年，因此導致春節(jié)期間的交通流量明顯低于非節(jié)假日對比，，工作日的流量變化模式相對周末與節(jié)假日來說存在著明顯的模式規(guī)變化趨勢中可以看出：每一時段的交通流量與它前一時段的流量存在著。這些規(guī)律和模式是我們能夠對此進行預測的前提。
【學位授予單位】：廣東工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：U491.14

【參考文獻】

相關期刊論文 前3條

1 傅貴;韓國強;逯峰;許子鑫;;基于支持向量機回歸的短時交通流預測模型[J];華南理工大學學報(自然科學版);2013年09期

2 高媛媛;劉強國;;基于LIBSVM的葡萄酒品質評判模型[J];四川理工學院學報(自然科學版);2010年05期

3 鄭為中,史其信;基于貝葉斯組合模型的短期交通量預測研究[J];中國公路學報;2005年01期

相關博士學位論文 前3條

1 商強;基于機器學習的交通狀態(tài)判別與預測方法研究[D];吉林大學;2017年

2 梅朵;基于云計算的交通瓶頸控制與誘導協(xié)同模型研究[D];吉林大學;2015年

3 王凡;基于支持向量機的交通流預測方法研究[D];大連理工大學;2010年

相關碩士學位論文 前10條

1 劉彩云;基于Spark的改進SA-SVR短時交通預測研究[D];東華理工大學;2017年

2 王春安;Hadoop環(huán)境下基于神經(jīng)網(wǎng)絡的交通流預測方法研究[D];北京交通大學;2017年

3 童智高;基于用戶行為和位置感知的邊際服務加載優(yōu)化研究[D];浙江大學;2017年

4 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

5 胡浩然;基于Hadoop平臺的短時交通流預測算法研究[D];華南理工大學;2016年

6 張佳寧;基于神經(jīng)網(wǎng)絡的城市交通流量預測模型研究[D];廣東工業(yè)大學;2016年

7 謝洪彬;基于Hadoop的城市道路交通狀態(tài)判別技術研究[D];華南理工大學;2016年

8 王騰輝;基于Spark平臺的短時交通流預測研究[D];華南理工大學;2016年

9 馮青平;基于云計算的交通流預測與狀態(tài)識別關鍵技術研究[D];江蘇大學;2016年

10 楊慧慧;城市交通流短時預測模型研究[D];河南理工大學;2015年

本文編號：2590304