本文關(guān)鍵詞：數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用

  更多相關(guān)文章： 智能交通 短時交通流預(yù)測 智能公交 神經(jīng)網(wǎng)絡(luò)

【摘要】：近年來,隨著我國城市化進(jìn)程的不斷加快以及社會經(jīng)濟(jì)的快速發(fā)展,私家車數(shù)量明顯上升,交通壓力空前加大。頻繁發(fā)生的交通事故不僅使得人們的生命財產(chǎn)受到威脅,嚴(yán)重?fù)矶碌慕煌ǜ墙o人們的出行帶來不便。傳統(tǒng)的道路拓寬,交通管制等措施,具有較大局限,明顯滿足不了當(dāng)前交通需求。當(dāng)前,我國大力發(fā)展智慧城市建設(shè),而智能交通是其重要組成部分。交通領(lǐng)域數(shù)據(jù)具有量大,維度高,類型復(fù)雜等特征,基于數(shù)據(jù)挖掘技術(shù)實現(xiàn)有效地交通流量預(yù)測對于緩解交通堵塞,實現(xiàn)信息惠民是有重要的研究價值和現(xiàn)實意義。城市短時交通流的科學(xué)預(yù)測是智能交通系統(tǒng)實施的重要環(huán)節(jié)。由于交通系統(tǒng)是一個多人參與,根據(jù)時間地點等因素時刻發(fā)生變化的系統(tǒng),顯著特點是具有高度的不確定性和非線性,這些特點給交通流預(yù)測帶來很大的困難。隨著預(yù)測間隔時間的增加,不可預(yù)期的突發(fā)偶然事件發(fā)生的概率更大,因此短時交通流預(yù)測相比長期預(yù)測實際意義更大,因而成為近年來的研究的熱點。本文首先針對城市交通流特性進(jìn)行了分析,明確了準(zhǔn)確描述城市交通流特性的必要性,闡述了智能交通領(lǐng)域的相關(guān)技術(shù),結(jié)合路網(wǎng)實際數(shù)據(jù),重點分析了基于公交流實現(xiàn)流量預(yù)測的實際需求和限制條件。同時,針對不同路段流量的相關(guān)性做了重點分析,對流量預(yù)測理論應(yīng)用的實際可行性做了初步驗證。在城市短時交通流BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法與公交流概念的基礎(chǔ)上,通過實際數(shù)據(jù)的采集分析,發(fā)現(xiàn)上一相鄰路段T時刻公交流運行速度與本路段T+10min時刻的路段流量具有較好相關(guān)性,同時由于大中城市基本形成了公交路網(wǎng)的主動脈格局以及運用現(xiàn)代智能公交系統(tǒng)可為公交流運行狀態(tài)信息數(shù)據(jù)源進(jìn)行實時準(zhǔn)確的采集,進(jìn)而為基于公交流運行狀態(tài)的城市短時交通流BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測方法提供了基礎(chǔ)。在此基礎(chǔ)上,論文提出了基于公交流運行狀態(tài)的城市短時交通流BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法,對相關(guān)網(wǎng)絡(luò)模型、參數(shù)配置、預(yù)測流程等做了詳細(xì)設(shè)計。結(jié)合上海市浦東新區(qū)張楊路棗莊路等實際數(shù)據(jù),建立了基于公交流運行狀態(tài)的短時交通流BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,并與城市短時交通流常規(guī)預(yù)測模型進(jìn)行對比測試。測試結(jié)果表明新的預(yù)測方法獲得的預(yù)測值更接近于實際值,預(yù)測效果更佳。因此,本文方法具有較好的技術(shù)實用性,其應(yīng)用推廣價值較高。
【關(guān)鍵詞】：智能交通 短時交通流預(yù)測 智能公交 神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：U495;TP311.13
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-16
• 1.1 研究背景11-12
• 1.2 研究目的及意義12
• 1.3 國內(nèi)外研究現(xiàn)狀12-14
• 1.4 主要研究內(nèi)容14
• 1.5 論文組織結(jié)構(gòu)14-16
• 第二章 相關(guān)理論基礎(chǔ)16-29
• 2.1 智慧交通及相關(guān)理論16-20
• 2.1.1 智慧城市與智慧交通16-17
• 2.1.2 智慧交通相關(guān)技術(shù)17-20
• 2.1.2.1 GPS定位技術(shù)18-19
• 2.1.2.2 無線通信技術(shù)19
• 2.1.2.3 GIS-PT公交地理信息技術(shù)19-20
• 2.2 常用的數(shù)據(jù)挖掘及其相關(guān)技術(shù)20-26
• 2.2.1 傳統(tǒng)統(tǒng)計分析20-21
• 2.2.1.1 大數(shù)據(jù)分析21
• 2.2.1.2 最短路徑算法21
• 2.2.1.3 軌跡數(shù)據(jù)挖掘21
• 2.2.2 BP神經(jīng)網(wǎng)絡(luò)模型理論21-26
• 2.2.2.1 人工神經(jīng)網(wǎng)絡(luò)的基本理論22
• 2.2.2.2 神經(jīng)元模型22-23
• 2.2.2.3 人工神經(jīng)元的傳遞函數(shù)23-25
• 2.2.2.4 BP人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)25-26
• 2.3 現(xiàn)有交通流預(yù)測方法26-28
• 2.3.1 基于線性系統(tǒng)理論預(yù)測方法26-27
• 2.3.2 基于知識發(fā)現(xiàn)的智能模型預(yù)測方法27-28
• 2.4 本章小結(jié)28-29
• 第三章 公交流運行狀態(tài)的預(yù)測需求分析29-38
• 3.1 總體分析29
• 3.2 交通流特征分析29-31
• 3.3 城市交通流預(yù)測的限制和要求31-32
• 3.4 公交流預(yù)測的可行性驗證32-37
• 3.4.1 不同路段交通流相關(guān)性分析32
• 3.4.2 神經(jīng)網(wǎng)絡(luò)預(yù)測的可行性分析32-36
• 3.4.3 公交流和交通流預(yù)測方法的異同36-37
• 3.5 本章小結(jié)37-38
• 第四章 基于公交流運行狀態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測方法38-47
• 4.1 信息采集方法38-40
• 4.1.1 公交流及運行區(qū)域確定38-39
• 4.1.2 信息采集內(nèi)容39-40
• 4.2 基于BP網(wǎng)絡(luò)模型設(shè)計40-45
• 4.2.1 模型建立及參數(shù)設(shè)置41-42
• 4.2.2 算法設(shè)計42-43
• 4.2.3 數(shù)據(jù)歸一化43-44
• 4.2.4 參數(shù)分析44
• 4.2.4.1 網(wǎng)絡(luò)層數(shù)44
• 4.2.4.2 隱含層節(jié)點數(shù)44
• 4.2.4.3 初始權(quán)值和閥值44
• 4.2.5 學(xué)習(xí)速率44-45
• 4.2.6 訓(xùn)練與測試45
• 4.3 預(yù)測流程設(shè)計45-46
• 4.4 本章小結(jié)46-47
• 第五章 應(yīng)用案例實驗結(jié)果與分析47-71
• 5.1 應(yīng)用案例概況47
• 5.2 案例數(shù)據(jù)準(zhǔn)備47-55
• 5.3 模型建立及參數(shù)設(shè)置55-64
• 5.3.1 模型預(yù)測的具體算法55-56
• 5.3.2 數(shù)據(jù)歸一化56-60
• 5.3.3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計60-62
• 5.3.3.1 神經(jīng)元轉(zhuǎn)移函數(shù)的設(shè)計60-61
• 5.3.3.2 輸入層和輸出層的設(shè)計61
• 5.3.3.3 隱含層的設(shè)計61-62
• 5.3.4 權(quán)值和閥值初始化62
• 5.3.5 網(wǎng)絡(luò)模型訓(xùn)練62
• 5.3.6 網(wǎng)絡(luò)模型的確定62-63
• 5.3.7 網(wǎng)絡(luò)模型測試63-64
• 5.4 預(yù)測結(jié)果及分析64-70
• 5.4.1 分析指標(biāo)64
• 5.4.2 評價結(jié)果分析64-70
• 5.5 本章小結(jié)70-71
• 第六章 總結(jié)與展望71-73
• 6.1 主要結(jié)論71-72
• 6.2 研究展望72-73
• 致謝73-74
• 參考文獻(xiàn)74-77

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 唐明,陳寶星,柳伍生;基于相空間重構(gòu)的短時交通流分形研究[J];山東交通學(xué)院學(xué)報;2004年01期

2 華冬冬,陳森發(fā);非線性短時交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J];現(xiàn)代交通技術(shù);2004年01期

3 田晶;楊玉珍;陳陽舟;;短時交通流量兩種預(yù)測方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識別短時交通流混沌特性的方法[J];鐵道學(xué)報;2006年02期

5 蔣海峰;王鼎媛;張仲義;;短時交通流的非線性動力學(xué)特性[J];中國公路學(xué)報;2008年03期

6 李松;劉力軍;郭海玲;;短時交通流混沌預(yù)測方法的比較[J];系統(tǒng)工程;2009年09期

7 許倫輝;唐德華;鄒娜;夏新海;;基于非線性時間序列分析的短時交通流特性分析[J];重慶交通大學(xué)學(xué)報(自然科學(xué)版);2010年01期

8 李雁;陸海亭;張寧;;一種短時交通流異常數(shù)據(jù)識別新算法[J];公路交通科技(應(yīng)用技術(shù)版);2010年04期

9 承向軍;劉軍;馬敏書;;基于分形理論的短時交通流預(yù)測算法[J];交通運輸系統(tǒng)工程與信息;2010年04期

10 張立;謝忠玉;陳凱;;基于混沌理論的短時交通流局域預(yù)測模型[J];黑龍江工程學(xué)院學(xué)報(自然科學(xué)版);2011年02期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 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

2 張利;李星毅;施化吉;;一種基于ARIMA模型的短時交通流量改進(jìn)預(yù)測算法[A];2007第三屆中國智能交通年會論文集[C];2007年

中國重要報紙全文數(shù)據(jù)庫 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

中國博士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 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

2 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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 喻丹;基于小波理論的短時交通流預(yù)測方法研究[D];長沙理工大學(xué);2008年

2 謝生龍;城市道路短時交通流動態(tài)預(yù)測方法研究與應(yīng)用[D];長安大學(xué);2015年

3 胡浩然;基于Hadoop平臺的短時交通流預(yù)測算法研究[D];華南理工大學(xué);2016年

4 符義琴;短時交通流分析及預(yù)測[D];南京信息工程大學(xué);2016年

5 陳功;數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用[D];電子科技大學(xué);2016年

6 卓卉;基于混沌理論的短時交通流預(yù)測方法研究[D];北京交通大學(xué);2008年

7 唐明;短時交通流特性及其預(yù)測方法的研究[D];長沙理工大學(xué);2004年

8 華冬冬;短時交通流的混沌性分析及其基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型研究[D];東南大學(xué);2005年

9 王小英;道路網(wǎng)短時交通流分析與預(yù)測[D];武漢理工大學(xué);2010年

10 劉錦娣;城市短時交通流預(yù)測模型研究[D];石家莊鐵道大學(xué);2012年

，

本文編號：993253