基于Spark的道路行程时间预测研究

发布时间：2021-04-15 09:13

　　近年来,随着城市交通出行需求的快速增长,道路资源的供给逐渐成为交通运行的瓶颈,交通拥堵日益严重。道路行程时间是反映道路交通运行状态的重要参数,道路行程时间预测可以为交通管理措施制定和公众出行提供参考。为缓解快速增长的出行需求和有限的道路资源供给之间的矛盾,提高路网运行效率,本文以道路行程时间为研究对象,针对单机串行的海量轨迹挖掘效率低下的问题,利用Spark大数据处理平台,提出并行化的道路行程时间提取和道路行程时间预测方法,实现道路行程时间及时、准确地获取和预测,以便科学有效地制定交通管理措施,并为出行者的出行路线决策提供参考。由于单机的数据容量和数据处理能力有限、难以扩展,串行的轨迹数据挖掘效率低下,本文首先对大数据处理平台进行分析,基于HDFS的高可用、低成本、易扩展的特性和Spark的数据重用及并行化执行机制,从数据存储、数据处理、数据应用三个层面构建了大数据处理平台。其次,针对传统的道路行程时间预测方法不能有效地考虑道路行程时间的影响因素、不能充分挖掘道路行程时间序列内部关联的劣势,提出了基于长短期记忆网络（LSTM）的行程时间预测方法。本文选取了行程时间的主要随机性影响因素（... 

【文章来源】：长安大学陕西省 211工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

HDFS监控界面

Spark监控界面

轨迹描点图

【参考文献】：
期刊论文
[1]大数据背景下城市短时交通流预测[J]. 杨正理,陈海霞,王长鹏,徐智.  公路交通科技. 2019(02)
[2]微服务框架下的交通信息化架构[J]. 郑锦男,李舒涵,许宏科.  信息技术. 2019(01)
[3]基于极限学习机的公交行程时间预测方法[J]. 宋现敏,刘明鑫,马林,夏英集.  交通运输系统工程与信息. 2018(05)
[4]电子地图间的实时坐标转换系统[J]. 康路,闫浩文,张黎明.  遥感信息. 2018(02)
[5]基于梯度提升回归树的城市道路行程时间预测[J]. 龚越,罗小芹,王殿海,杨少辉.  浙江大学学报(工学版). 2018(03)
[6]基于BP神经网络与SVM的快速路行程时间组合预测研究[J]. 丁宏飞,李演洪,刘博,秦政.  计算机应用研究. 2016(10)
[7]基于大数据的非参数回归短时交通流预测方法[J]. 冯青平,李星毅.  无线通信技术. 2015(03)
[8]基于Hadoop的校园网盘的设计与实现[J]. 闫伟,陈满林,白云鹤,班海涛.  科技创新与应用. 2015(16)
[9]基于ARIMA-GARCH模型的城市主干道行程时间时变置信区间预测（英文）[J]. 崔青华,夏井新.  Journal of Southeast University（English Edition）. 2014(03)
[10]城市交通信号控制干道旅行时间实时预测[J]. 刘家东,林永杰,王峰.  交通信息与安全. 2014(04)

博士论文
[1]基于海量出租车轨迹数据的旅行时间预测[D]. 许涛.华东师范大学 2017
[2]基于自动车牌识别数据的城市道路行程时间估计[D]. 付凤杰.浙江大学 2017
[3]路网交通事故动态分析及预警方法研究[D]. 代磊磊.哈尔滨工业大学 2010

硕士论文
[1]西平县水源地地下水数值模拟及脆弱性研究[D]. 荣立.华北水利水电大学 2018
[2]事件状态下快速路行程时间预测研究[D]. 吕路.长安大学 2017
[3]基于Spark的路网交通运行状态判别研究[D]. 朱熹.长安大学 2017
[4]基于多维数据的行程时间预测与可靠性研究[D]. 郭宇洁.北京交通大学 2017
[5]基于Hadoop的海量交通数据研究与应用[D]. 王兴武.浙江工业大学 2015
[6]基于城市路网的行程时间估计及预测方法研究[D]. 吴俏.浙江大学 2015
[7]基于Hadoop的交通视频异常事件检测系统的设计与实现[D]. 丁鸿凯.北京邮电大学 2015
[8]基于云计算的交通网路径优化算法研究与实现[D]. 夏卫雷.南京航空航天大学 2013
[9]广义费用识别中的城市道路路段旅行时间预测[D]. 王晶.北京交通大学 2008
[10]基于径向基函数（RBF）神经网络的路段行程时间预测研究[D]. 朱耿先.重庆大学 2004



本文编号：3139048