本文關(guān)鍵詞：面向交通擁堵預(yù)測(cè)大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)　出處：《北京科技大學(xué)》2017年博士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 交通擁堵預(yù)測(cè) 超限學(xué)習(xí)機(jī) 集成學(xué)習(xí) 聚類(lèi) 不平衡分類(lèi)

【摘要】：交通擁堵?tīng)顟B(tài)的準(zhǔn)確預(yù)測(cè)是智能交通系統(tǒng)的核心目標(biāo)之一。城市交通狀態(tài)具有一定的自相似性規(guī)律可以用于預(yù)測(cè);但是道路和環(huán)境因素產(chǎn)生的路段多樣性和外部因素干擾產(chǎn)生的路網(wǎng)動(dòng)態(tài)性,使得全路網(wǎng)擁堵規(guī)律具有高度復(fù)雜性和不確定性。預(yù)測(cè)模型不僅需要適應(yīng)復(fù)雜路網(wǎng)情況,實(shí)現(xiàn)高精度預(yù)測(cè),而且需要根據(jù)路網(wǎng)環(huán)境變化,實(shí)現(xiàn)高效率更新,但傳統(tǒng)方法在準(zhǔn)確率和學(xué)習(xí)效率兩個(gè)方面存在明顯不足。本文提出神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)方法,將大規(guī)模數(shù)據(jù)上的復(fù)雜學(xué)習(xí)問(wèn)題轉(zhuǎn)化為大量中小規(guī)模數(shù)據(jù)子集上的簡(jiǎn)單學(xué)習(xí)問(wèn)題,在大量不同特點(diǎn)的路段子集上利用超限學(xué)習(xí)機(jī)算法快速訓(xùn)練子預(yù)測(cè)模型,從而建立城市路段全范圍覆蓋的擁堵預(yù)測(cè)群組模型,充分發(fā)揮超限學(xué)習(xí)機(jī)算法在小規(guī)模子集上準(zhǔn)確度高、訓(xùn)練速度快、參數(shù)少、易于并行加速等優(yōu)點(diǎn),實(shí)現(xiàn)對(duì)大規(guī)模交通擁堵數(shù)據(jù)的高精度、高效率學(xué)習(xí)。第一,提出了神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)方法,以路段屬性特征劃分?jǐn)?shù)據(jù)子集,以擁堵現(xiàn)象特征訓(xùn)練子預(yù)測(cè)模型,通過(guò)共享網(wǎng)絡(luò)簡(jiǎn)化群組存儲(chǔ),提升了交通擁堵預(yù)測(cè)模型的全路網(wǎng)預(yù)測(cè)準(zhǔn)確率和模型訓(xùn)練效率。該算法將大規(guī)模復(fù)雜綜合預(yù)測(cè)問(wèn)題簡(jiǎn)化為大量小規(guī)模簡(jiǎn)單路段預(yù)測(cè)問(wèn)題,利用大量超限學(xué)習(xí)機(jī)對(duì)各個(gè)子集進(jìn)行快速訓(xùn)練;群組中各子模型數(shù)據(jù)獨(dú)立,可以運(yùn)用多進(jìn)程并行運(yùn)算提升運(yùn)行速度。群組通過(guò)集成各個(gè)路段集合上的子預(yù)測(cè)器,組成全路網(wǎng)整體預(yù)測(cè)模型。第二,提出基于變差系數(shù)加權(quán)的聚類(lèi)劃分算法,解決了枚舉劃分神經(jīng)網(wǎng)絡(luò)群組枚舉類(lèi)型缺失、子集數(shù)據(jù)覆蓋率不足、連續(xù)性數(shù)值特征劃分不合理等問(wèn)題。變差系數(shù)權(quán)值修正了樣本距離計(jì)算方法,用差異化的標(biāo)準(zhǔn)衡量不同維度特征上的數(shù)據(jù)偏離程度,優(yōu)化聚類(lèi)劃分;基于聚類(lèi)的子集劃分方式,適應(yīng)了數(shù)值型數(shù)據(jù)的空間分布特點(diǎn),可以準(zhǔn)確劃分訓(xùn)練集中缺失的路段類(lèi)型,并選擇近似的子模型進(jìn)行預(yù)測(cè);模糊聚類(lèi)方式擴(kuò)大了子集數(shù)據(jù)來(lái)源,提升了低覆蓋率路段的預(yù)測(cè)準(zhǔn)確率。預(yù)測(cè)模型通過(guò)兩種劃分方式的組合,并依據(jù)覆蓋率高低分工預(yù)測(cè),實(shí)現(xiàn)了預(yù)測(cè)高精度全路網(wǎng)覆蓋,無(wú)死角。第三,提出衰減加權(quán)超限學(xué)習(xí)機(jī)算法,解決了擁堵預(yù)測(cè)的不平衡問(wèn)題,在不同平衡性分布的路段子集上提升少數(shù)類(lèi)擁堵情況的預(yù)測(cè)準(zhǔn)確率,并保持整體模型的預(yù)測(cè)精度。本文對(duì)比分析了混合采樣和加權(quán)優(yōu)化的方法,并在子模型訓(xùn)練上提出新的衰減權(quán)值設(shè)置模式。該模式在側(cè)重少數(shù)類(lèi)識(shí)別的同時(shí)兼顧子集劃分對(duì)多數(shù)類(lèi)的分類(lèi)偏重,有差異地分配各類(lèi)別樣本的分類(lèi)權(quán)重,提升了超限學(xué)習(xí)機(jī)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在子集數(shù)據(jù)不平衡情況下的識(shí)別準(zhǔn)確率;從而使群組可以適應(yīng)不同平衡性的數(shù)據(jù)集,提升高峰時(shí)段擁堵預(yù)測(cè)準(zhǔn)確率,同時(shí)維持整體分類(lèi)準(zhǔn)確率。最后,本文以神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)方法為核心,結(jié)合Web地圖服務(wù)、浮動(dòng)車(chē)技術(shù)、數(shù)據(jù)庫(kù)技術(shù)等,建立了以全市交通路網(wǎng)擁堵預(yù)測(cè)為主、以交通評(píng)估、道路規(guī)劃輔助、擁堵疏導(dǎo)建議為輔的交通擁堵評(píng)估與預(yù)測(cè)系統(tǒng)。實(shí)際應(yīng)用中,多個(gè)擁堵預(yù)測(cè)模型訓(xùn)練高效,連續(xù)預(yù)測(cè)符合真實(shí)交通路況。系統(tǒng)給城市交通疏導(dǎo)和道路規(guī)劃提供了有效支持,展現(xiàn)了神經(jīng)網(wǎng)絡(luò)群組方法良好的應(yīng)用前景。
[Abstract]:This paper proposes a method of fast learning for large - scale complex integrated forecasting , which can be used to predict the traffic jam data with high precision and high efficiency . A new attenuation weight setting mode is proposed in the training of sub - model .

【學(xué)位授予單位】：北京科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP18;U491.265

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李志杰;李元香;王峰;何國(guó)良;匡立;;面向大數(shù)據(jù)分析的在線學(xué)習(xí)算法綜述[J];計(jì)算機(jī)研究與發(fā)展;2015年08期

2 關(guān)曉惠;錢(qián)亞冠;;一種基于不均衡數(shù)據(jù)的網(wǎng)絡(luò)入侵流量分類(lèi)方法[J];電信科學(xué);2015年06期

3 羅會(huì)蘭;單順勇;孔繁勝;;基于集成多示例學(xué)習(xí)的Mean Shift跟蹤算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2015年02期

4 DENG ChenWei;HUANG GuangBin;XU Jia;TANG JieXiong;;Extreme learning machines: new trends and applications[J];Science China(Information Sciences);2015年02期

5 秦鳴;張文強(qiáng);仲先飛;席陽(yáng)峰;;基于卡爾曼濾波交通預(yù)測(cè)的交叉口時(shí)空優(yōu)化[J];科技廣場(chǎng);2015年01期

6 韓敏;劉賁;;一種改進(jìn)的旋轉(zhuǎn)森林分類(lèi)算法[J];電子與信息學(xué)報(bào);2013年12期

7 鄭丹;王潛平;;K-means初始聚類(lèi)中心的選擇算法[J];計(jì)算機(jī)應(yīng)用;2012年08期

8 楊慶芳;張彪;高鵬;;基于改進(jìn)動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的交通量短時(shí)預(yù)測(cè)方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2012年04期

9 趙小強(qiáng);劉悅婷;;基于選擇和變異機(jī)制的蛙跳FCM算法[J];計(jì)算機(jī)應(yīng)用研究;2012年06期

10 林舒楊;李翠華;江弋;林琛;鄒權(quán);;不平衡數(shù)據(jù)的降采樣方法研究[J];計(jì)算機(jī)研究與發(fā)展;2011年S3期

相關(guān)會(huì)議論文 前1條

1 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

相關(guān)博士學(xué)位論文 前1條

1 熊霖;大數(shù)據(jù)下的數(shù)據(jù)選擇與學(xué)習(xí)算法研究[D];西安電子科技大學(xué);2015年

相關(guān)碩士學(xué)位論文 前3條

1 王敬庚;大數(shù)據(jù)集分類(lèi)的OSELM集成算法的研究[D];河北大學(xué);2015年

2 韓波;基于集成學(xué)習(xí)的極限學(xué)習(xí)機(jī)的算法研究[D];中國(guó)海洋大學(xué);2014年

3 胡佩鋒;交通流量短時(shí)預(yù)測(cè)方法研究[D];北京交通大學(xué);2007年

，

本文編號(hào)：1364039