隨著經(jīng)濟(jì)的發(fā)展與技術(shù)的進(jìn)步,智慧城市概念應(yīng)運而生,通過使用先進(jìn)的信息技術(shù),實現(xiàn)城市的智能化管理和運行,為城市中每一個人創(chuàng)造更好的生活。智慧公交是智慧城市的重要組成部分,滿足了人們綠色出行與快捷出行的需求。公交車到站時間預(yù)測是實現(xiàn)智慧公交的基礎(chǔ),提高公交車到站時間預(yù)測的準(zhǔn)確度對實現(xiàn)智慧公交和智慧城市具有重要意義。首先,本文分析影響公交車到站時間的不同因素,對公交車GPS數(shù)據(jù)進(jìn)行預(yù)處理,生成公交車基礎(chǔ)數(shù)據(jù)集。其次,提出聚類與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合的公交車到站時間預(yù)測模型—PBCR模型。然后,實現(xiàn)PBCR模型在Spark平臺的并行化。最后,通過實驗的方法驗證了模型的有效性。本文提出的創(chuàng)新點包括以下兩個方面:1)提出了一種聚類與循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合的公交車到站時間預(yù)測模型—PBCR模型。PBCR模型的核心思想是使用模糊K均值聚類算法進(jìn)行時段劃分,在每個時段使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行公交車到站時間預(yù)測。實驗結(jié)果表明,本文提出的PBCR模型具有可行性與有效性。2)實現(xiàn)PBCR模型在Spark平臺上的并行化。公交車GPS數(shù)據(jù)具有數(shù)據(jù)量大的特點,為了更好地挖掘數(shù)據(jù)信息,處理海量數(shù)據(jù),實現(xiàn)PBCR模型的并行化是很有... 

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文的主要工作
    1.4 論文結(jié)構(gòu)安排
第二章 公交車到站時間影響因素分析及數(shù)據(jù)預(yù)處理
    2.1 公交到站時間影響因素分析
        2.1.1 客觀因素
        2.1.2 主觀因素
    2.2 GPS數(shù)據(jù)介紹
    2.3 數(shù)據(jù)預(yù)處理
    2.4 本章小結(jié)
第三章 公交到站時間預(yù)測模型
    3.1 模糊K均值聚類進(jìn)行時段劃分
        3.1.1 模糊K均值聚類算法介紹
        3.1.2 公交車運行時段劃分
    3.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的預(yù)測模型
        3.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        3.2.2 特征值的選取
        3.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測公交車到站時間
    3.3 聚類和循環(huán)神經(jīng)網(wǎng)絡(luò)相結(jié)合的公交車到站時間預(yù)測模型
    3.4 本章小結(jié)
第四章 并行化公交車到站時間預(yù)測模型的建立
    4.1 Spark分布式計算平臺
        4.1.1 Spark組件介紹
        4.1.2 RDD介紹
        4.1.3 Spark與 Hadoop比較
    4.2 模糊K均值聚類算法并行化
        4.2.1 基于Spark的模糊K均值聚類算法設(shè)計
        4.2.2 基于Spark的模糊K均值聚類算法實現(xiàn)
    4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)基于Spark的并行化
        4.3.1 基于Spark的循環(huán)神經(jīng)網(wǎng)絡(luò)設(shè)計
        4.3.2 基于Spark的循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)
    4.4 并行化公交車到站時間預(yù)測模型
    4.5 本章小結(jié)
第五章 模型實驗結(jié)果對比分析
    5.1 公交車運行時段劃分
    5.2 公交車到站時間預(yù)測
    5.3 并行化公交車到站時間預(yù)測
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
攻讀碩士期間取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在公交車到站時間預(yù)測中的應(yīng)用[J]. 楊奕,張雯蕊,張燦.  現(xiàn)代商業(yè). 2017(16)
[2]基于公交車軌跡數(shù)據(jù)的道路GPS環(huán)境友好性評估[J]. 馬連韜,王亞沙,彭廣舉,趙宇昕,何遠(yuǎn)舵,高敬月.  計算機(jī)研究與發(fā)展. 2016(12)
[3]基于BP神經(jīng)網(wǎng)絡(luò)的公交車到站時間預(yù)測[J]. 謝煒.  中國石油大學(xué)勝利學(xué)院學(xué)報. 2016(04)
[4]基于詞向量特征的循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型[J]. 張劍,屈丹,李真.  模式識別與人工智能. 2015(04)
[5]大數(shù)據(jù)處理模型Apache Spark研究[J]. 黎文陽.  現(xiàn)代計算機(jī)(專業(yè)版). 2015(08)
[6]公交到站時間預(yù)測研究現(xiàn)狀與發(fā)展趨勢[J]. 向紅艷,彭學(xué)文.  交通信息與安全. 2014(04)
[7]基于SVM和Kalman濾波的BRT行程時間預(yù)測模型研究[J]. 陳旭梅,龔輝波,王景楠.  交通運輸系統(tǒng)工程與信息. 2012(04)
[8]GPS誤差分析和精度控制[J]. 王應(yīng)東.  測繪與空間地理信息. 2011(06)
[9]一種改進(jìn)的K-means聚類算法[J]. 周愛武,崔丹丹,肖云.  微型機(jī)與應(yīng)用. 2011(21)
[10]Multi-criterion system optimization model for urban multimodal traffic network[J]. SI BingFeng1,ZHANG HongYun2,ZHONG Ming3 ＆ YANG XiaoBao2 1MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology,Beijing Jiaotong University,Beijing 100044,China;2School of Traffic and Transportation,Beijing Jiaotong University,Beijing 100044,China;3Department of Civil Engineering,University of New Brunswick,Fredericton,New Brunswick E3B 5A3,Canada.  Science China（Technological Sciences）. 2011(04)

碩士論文
[1]基于公交車GPS軌跡數(shù)據(jù)動態(tài)生成矢量路網(wǎng)算法的研究[D]. 徐士昊.山東財經(jīng)大學(xué) 2016
[2]衛(wèi)星姿態(tài)控制系統(tǒng)故障模式分析與故障診斷研究[D]. 劉翔.哈爾濱工業(yè)大學(xué) 2015
[3]基于GPS數(shù)據(jù)的公交站點區(qū)間行程時間分布與可靠性分析[D]. 湯月華.浙江大學(xué) 2015
[4]智能公交車輛到站時間預(yù)測研究[D]. 李福雙.北京交通大學(xué) 2009
[5]基于GIS的城市公共交通監(jiān)控調(diào)度系統(tǒng)數(shù)據(jù)庫的研究[D]. 彭聰.中國科學(xué)院研究生院（廣州地球化學(xué)研究所） 2005



本文編號：3692497