【摘要】：隨著經(jīng)濟的快速發(fā)展和城市化進程不斷深入,城市交通相關(guān)問題越來越引得大家關(guān)注。城市居民日常出行作為城市交通的重要組成部分,其對城市交通狀況產(chǎn)生重要影響。利用大數(shù)據(jù)等相關(guān)技術(shù)對城市居民日常出行行為進行分析,可以讓城市居民的日常出行規(guī)律以數(shù)據(jù)形式展現(xiàn)。城市居民日常出行行為分析的結(jié)果,即可以為相關(guān)部門進行城市規(guī)劃時提供科學(xué)的依據(jù),也可以為交管部門發(fā)布相關(guān)交通誘導(dǎo)信息提供相應(yīng)的參考。國內(nèi)外很多專家學(xué)者進行過許多城市居民出行行為相關(guān)的研究,前人大多是使用各種聚類算法,并基于城市交通歷史數(shù)據(jù)挖掘城市居民日常出行規(guī)律。但由于城市居民的日常出行習(xí)慣受各種客觀因素影響會發(fā)生改變,這也導(dǎo)致城市交通狀況會動態(tài)變化,且城市交通相關(guān)數(shù)據(jù)一直動態(tài)增加,總結(jié)而言城市交通具有時變性。同時城市交通由于實際道路的特點,其各個路段相互連接,所以城市交通不同路段之間存在傳遞性,相互之間有很強的時空關(guān)聯(lián)性。而使用各種聚類等常規(guī)處理方式在挖掘城市交通潛在規(guī)律時則會在應(yīng)對城市交通實時性、傳遞性和數(shù)據(jù)動態(tài)增加等方面存在缺陷。本文針對這些問題建立了一個實時分層網(wǎng)絡(luò)預(yù)測模型,模型可以應(yīng)對城市交通的時段性、周期性、時變性、傳遞性、數(shù)據(jù)動態(tài)增加和其較多維度等特點。模型對數(shù)據(jù)進行時段分區(qū),以應(yīng)對城市交通時段性和交通數(shù)據(jù)是多維度的特點,采用分類自學(xué)習(xí)的方法對地點進行識別,更好的適應(yīng)交通動態(tài)變化的特點,建立了一個夾側(cè)生成網(wǎng)絡(luò)挖掘相鄰時段不同路段之間的時空關(guān)聯(lián)性,采用迭代運算實時更新預(yù)測結(jié)果。模型最后使用車載GPS數(shù)據(jù)作為驗證,經(jīng)驗證該模型可以預(yù)測出更加精細(xì)且準(zhǔn)確的結(jié)果。
【圖文】：

第四章 自學(xué)習(xí)分為匹配階段、比較階段、搜素階段和學(xué)習(xí)階段。其比較如圖 4.4 右所示，數(shù)據(jù)先進入比較層在進入匹配層，且二 左所示，比較層 C 有 n 個神經(jīng)元，每個接收來自 3 個方面，R 層獲勝神經(jīng)元的外接權(quán)向量的返回信號和控制信號 G1根據(jù) 2/3 的多數(shù)表決原則產(chǎn)生，輸出值與三個信號中的多.4 右所示，識別層 R 功能相當(dāng)于前饋競爭網(wǎng)，R 層有 m 個模式類，m 可以動態(tài)增長，以設(shè)立新的模式類。 ART 網(wǎng)絡(luò)的主要思路是當(dāng)其接收到新的輸入模式后，其通新輸入模式和所有其舊輸入模式之間的相似程度，然后其定的門限指標(biāo)，，當(dāng)新輸入模式和其存儲的舊輸入模式相似其中相似度最大的模式類為新輸入的模式類，如果都未超為該新輸入新建一個模式類。

上所述 ART 網(wǎng)絡(luò)的主要思路是當(dāng)其接收到新的輸入模式后，其通過相應(yīng)式計算新輸入模式和所有其舊輸入模式之間的相似程度，然后其有一個情況設(shè)定的門限指標(biāo)，當(dāng)新輸入模式和其存儲的舊輸入模式相似度均超，則選其中相似度最大的模式類為新輸入的模式類，如果都未超過該門網(wǎng)絡(luò)中為該新輸入新建一個模式類。圖 4.3 ART網(wǎng)絡(luò)結(jié)構(gòu)圖
【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491

【參考文獻】

相關(guān)期刊論文 前8條

1 陸化普;孫智源;屈聞聰;;大數(shù)據(jù)及其在城市智能交通系統(tǒng)中的應(yīng)用綜述[J];交通運輸系統(tǒng)工程與信息;2015年05期

2 劉暢;李治軍;姜守旭;;基于DBSCAN算法的城市交通擁堵區(qū)域發(fā)現(xiàn)[J];智能計算機與應(yīng)用;2015年03期

3 李強;白建榮;李振林;張黎明;;基于Python的數(shù)據(jù)批處理技術(shù)探討及實現(xiàn)[J];地理空間信息;2015年02期

4 王宏記;張冰松;楊代才;;基于關(guān)聯(lián)規(guī)則的湖北短期氣候預(yù)測應(yīng)用初探[J];安徽農(nóng)業(yè)科學(xué);2015年08期

5 熊亞軍;廖曉農(nóng);李梓銘;張小玲;孫兆彬;趙秀娟;趙普生;馬小會;蒲維維;;KNN數(shù)據(jù)挖掘算法在北京地區(qū)霾等級預(yù)報中的應(yīng)用[J];氣象;2015年01期

6 李藝杰;;淺談大數(shù)據(jù)時代數(shù)據(jù)信息現(xiàn)狀及發(fā)展[J];中國新技術(shù)新產(chǎn)品;2014年15期

7 桂智明;向宇;李玉鑒;;基于出租車軌跡的并行城市熱點區(qū)域發(fā)現(xiàn)[J];華中科技大學(xué)學(xué)報(自然科學(xué)版);2012年S1期

8 童曉君;向南平;朱定局;;基于出租車GPS數(shù)據(jù)的城市居民出行行為分析[J];電腦與電信;2012年Z1期

相關(guān)博士學(xué)位論文 前1條

1 張治華;基于GPS軌跡的出行信息提取研究[D];華東師范大學(xué);2010年

相關(guān)碩士學(xué)位論文 前8條

1 戴海輝;基于Hadoop的校園卡數(shù)據(jù)挖掘的研究與實現(xiàn)[D];南昌航空大學(xué);2017年

2 楊余壘;改進的關(guān)聯(lián)規(guī)則算法在慢性病數(shù)據(jù)挖掘中的研究[D];浙江理工大學(xué);2017年

3 白玉;基于GPS數(shù)據(jù)的出行方式識別方法研究[D];吉林大學(xué);2016年

4 劉春;出行者出行信息語義挖掘[D];山東理工大學(xué);2015年

5 李偉;供電公司大數(shù)據(jù)集中管控系統(tǒng)方案設(shè)計[D];華北電力大學(xué);2015年

6 潘洪志;高性能NOSQL存儲系統(tǒng)的研究與實現(xiàn)[D];吉林大學(xué);2014年

7 裴曉英;數(shù)據(jù)挖掘技術(shù)在刑事案件信息分析中的應(yīng)用[D];西安電子科技大學(xué);2011年

8 于春紅;基于數(shù)據(jù)挖掘技術(shù)的電腦零售業(yè)中的商業(yè)分析[D];華東師范大學(xué);2010年

本文編號：2686047