大数据环境下自适应多模型交通流预测方法研究

发布时间：2021-10-26 11:59

　　随着我国交通事业的发展,通过物联网技术可以更容易地收集实时交通数据,对实时交通数据的利用给交通行业带来巨大的变革。大数据环境下的实时数据不同于传统的静态数据,对数据处理的效率以及准确度提出了更高的要求,如何在大数据环境下对实时数据合理预测是智能交通系统现阶段面临的主要挑战。在当前大数据环境下,面临更加庞大的数据规模以及更加复杂的交通情景,基于历史数据的传统模型存在效率急剧下降的问题,同时难以很好地应对交通流急剧变化的场景。为解决上述问题,本文提出一种自适应多模型预测方法,对实时交通流序列进行特征提取,在此基础上,进行样本构建以减少交通系统中数据存储压力问题,并设计交通流量组合预测模型,通过动态权重实现对多变交通环境的自适应。本文的主要贡献包括:（1）提出一种基于数据统计特性的实时交通流特征提取算法。通过在实时状态下监视时间序列特征来识别时间序列中平稳非平稳现象的发生,从而提取交通流序列的非平稳特征,用于表示实时交通流隐含趋势变化信息,实现对于交通场景变化的提前适应。同时,以提取的数据特征为基础,设计相应交通流特征模型,能够更好的描述交通流的真实特性。（2）提出一种适用于大数据环境下样本... 

【文章来源】：北京工业大学北京市 211工程院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

警告态的识别Figure3-4Non-flatsteadyidentification

图 3-4 警告态的识别 Figure 3-4 Non-flat steady identification （3） 当 Ft>0 + CσF + Dd 时，触发变化信号，如图 3-5 所示。

第4章大数据环境下样本构建方法研究-23-第4章大数据环境下样本构建方法研究4.1问题的提出在样本构建工作中，通过结合先验知识分析数据独有的特性，提取出用于分析数据变化的有效成分，可以指导建立或者改进相应数学模型，实现对数据问题的解决。传统样本构建工作往往集中于数据异常值的处理，面对大数据环境下海量实时数据的挑战却存在极大的效率问题。目前，时间序列类数据是增长幅度最大的数据[48]，如图4-1。目前，全球产生的数据量中仅有1%左右的数据能够被存储下来，即50EB左右，而在这其中，被标记并用于分析的数据更是不足10%。因此，如何构建大数据环境下数据样本具有重要意义。图4-1数据增长趋势Figure.4-1Datagrowthtrend本章将通过分析交通流数据的特征实现对交通流数据进行处理，实现大数据环境下样本构建工作。通过结合第三章提取的交通流特征，着重解决基于交通流周期性导致的数据高度相似问题，从而调整预测模型的输入样本，在不影响处理精度的情况下尽可能缓解交通系统中的数据存储压力问题。4.2交通流数据相似性分析为体现交通流数据重复性问题，本章展示了部分交通流数据变化趋势，包括2016/08/01至2016/08/07、2016/09/01至2016/09/07、2016/09/24至2016/09/30期间的交通流量数据，体现这期间的交通流变化趋势，如图4-2至图4-4所示：


本文编号：3459462