道路交通高效運作的條件之一就是進行實時準確的車流預測,這不僅能幫助相關交通部門針對外出車輛進行約束和引導,還是智能交通系統(tǒng)(Intelligent Transportation Systems,ITS)眾多值得研究的主題之一。近年來,以數(shù)據(jù)為導向的智能模精度不斷提高,很重要的原因之一就是相關道路交通檢測數(shù)據(jù)的獲取原來越方便、快捷。其中,深度學習中的神經(jīng)網(wǎng)絡結構被大量應用在道路車流序列估計等各個方面,主要得益于網(wǎng)絡模仿人體內大腦單元的學習方式,并具備信息處理和學習的高效能力。然而,合理的計劃和方案同樣需要應用在如何充分利用復雜海量數(shù)據(jù)上。除了要管理和存儲不同類型的數(shù)據(jù)之外,全面的數(shù)據(jù)雖然可以為復雜模型提供豐富的訓練數(shù)據(jù)集,但是這些數(shù)據(jù)本身也使得項目人員面臨著大規(guī)模樣本處理和復雜特征工程的挑戰(zhàn)。因此,海量數(shù)據(jù)的處理技術與運輸行業(yè)的融合方案就顯現(xiàn)出非比尋常的探討深度和經(jīng)濟價值。利用海量規(guī)模處理技術和Spark分布式多點運算,使得當前如何在合理時間內學習到符合預期要求的數(shù)據(jù)處理模型成為了本文研究主題,并進而嘗試可以打造更復雜的應用程序模型。在對主流多節(jié)點異地計算框架Spark的分析研究之后,本...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 大數(shù)據(jù)計算平臺介紹
    1.3 國內外研究現(xiàn)狀
        1.3.1 傳統(tǒng)預測模型分類
        1.3.2 大數(shù)據(jù)技術研究現(xiàn)狀
    1.4 本文主要內容
第2章 交通流大數(shù)據(jù)分析和預處理
    2.1 大數(shù)據(jù)處理技術
        2.1.1 HDFS分布式文件系統(tǒng)
        2.1.2 MapReduce編程模型
        2.1.3 Spark基本框架
    2.2 交通流量數(shù)據(jù)集來源
    2.3 模型性能估測對比評價標準
    2.4 交通流的可預測性分析
    2.5 小波神經(jīng)網(wǎng)絡
    2.6 本章小結
第3章 基于ALO-WNN的短期道路車流量估測
    3.1 小波神經(jīng)網(wǎng)絡短期道路車流量估測
    3.2 蟻獅算法
        3.2.1 蟻獅算法原理
        3.2.2 蟻獅算法流程
        3.2.3 ALO-WNN的短時交通流預測
    3.3 ALO-WNN與傳統(tǒng)優(yōu)化算法對比
    3.4 基于自適應變異加權精英策略的ALO算法改進
        3.4.1 自適應變異加權精英策略
        3.4.2 IWALO與傳統(tǒng)算法相比
    3.5 本章小結
第4章 基于Spark分布式IWALO交通流實時預測
    4.1 分布式算法策略
        4.1.1 計算并行模式
        4.1.2 數(shù)據(jù)并行模式
        4.1.3 模型并行模式
    4.2 SPARK編程模型
        4.2.1 Spark運行基本流程
        4.2.2 RDD的設計與運行原理
    4.3 基于SPARK-IWALO分布式算法設計
        4.3.1 基于Spark的分布式IWALO流程圖
        4.3.2 基于Spark的分布式IWALO偽代碼設計
        4.3.3 Spark分布式集群環(huán)境搭建
    4.4 分布式場景下節(jié)點加速比
    4.5 實驗結果及分析
    4.6 本章小結
第5章 總結和展望
    5.1 總結
    5.2 展望
參考文獻
致謝
附錄



本文編號：3780136