基于云计算的驾驶行为分析

发布时间：2017-08-24 11:07

  本文关键词：基于云计算的驾驶行为分析

  更多相关文章： 云计算 谱聚类算法 驾驶行为分析 BP神经网络 驾驶行为评估

【摘要】：随着汽车保有量的迅速增长,人们对汽车的性能、交通出行的通畅性和驾驶的安全性、舒适性以及经济性关注越来越高,驾驶行为分析成为了车辆和交通领域共同关注的一个研究课题。近年来,云计算技术飞速发展,解决了传统驾驶行为分析方法无法处理海量车辆驾驶数据的问题,为驾驶行为分析提供了有力的技术支持。因此,本文研究基于云计算的驾驶行为分析对智能交通及驾驶辅助系统的发展具有重要的理论意义和应用价值。本文的主要研究工作包括以下内容：(1)根据Pearson相关系数提取出与油耗及安全密切相关的特征参数,采用K-means算法、KFCM算法以及谱聚类算法分别进行聚类分析,从油耗角度最终得到三类驾驶行为：高耗油驾驶行为,中等耗油驾驶行为,低耗油驾驶行为；从安全角度最终得到三种驾驶行为：激进型驾驶行为,一般型驾驶行为,谨慎型驾驶行为。(2)基于OpenStack虚拟化技术和Spark并行处理技术构建云计算平台,研究基于云计算的并行谱聚类算法,并应用于驾驶行为大数据分析,提高算法运行效率。(3)采用谱聚类结果为样本,构建基于BP神经网络的驾驶行为安全评估和驾驶行为油耗评估在线模型。(4)实现了系统的整体设计,使用云计算平台完成了驾驶行为分析实验,并对基于BP神经网络的驾驶行为-安全评估模型和驾驶行为-油耗评估模型进行验证,实验结果表明该模型实现了准确的评估。
【关键词】：云计算 谱聚类算法 驾驶行为分析 BP神经网络 驾驶行为评估
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.25;TP3
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-18
• 1.1 课题研究目的及意义10
• 1.2 驾驶行为国内外研究现状10-13
• 1.2.1 国外相关研究现状10-12
• 1.2.2 国内相关研究现状12-13
• 1.3 云计算及数据挖掘技术国内外研究现状13-15
• 1.3.1 国外相关研究现状13-14
• 1.3.2 国内相关研究现状14-15
• 1.4 本文研究内容及章节安排15-18
• 第二章 驾驶行为分析技术研究18-33
• 2.1 驾驶行为分析技术方案18
• 2.2 特征参数提取方法18-20
• 2.2.1 油耗相关的特征参数提取19-20
• 2.2.2 安全相关的特征参数提取20
• 2.3 驾驶行为分析算法研究20-28
• 2.3.1 K-means算法21
• 2.3.2 KFCM算法21-22
• 2.3.3 谱聚类算法22-28
• 2.3.3.1 谱聚类的谱图定义23-24
• 2.3.3.2 图的拉普拉斯矩阵及性质24-25
• 2.3.3.3 谱图划分准则25-28
• 2.3.3.4 谱聚类算法的实现28
• 2.4 实验仿真28-32
• 2.4.1 基于油耗角度的驾驶行为分析技术对比29-30
• 2.4.2 基于安全角度的驾驶行为分析技术对比30-32
• 2.4.3 综合分析32
• 2.5 本章小结32-33
• 第三章 云计算技术研究33-54
• 3.1 云计算研究33
• 3.2 IaaS层技术研究33-38
• 3.2.1 IaaS网络架构图及部署34-35
• 3.2.2 OpenStack虚拟化技术研究35-36
• 3.2.3 分布式存储技术研究36-38
• 3.2.4 Swift数据中心38
• 3.3 PaaS层并行处理技术研究38-45
• 3.3.1 MapReduce技术研究39-41
• 3.3.1.1 MapReduce编程模型39-40
• 3.3.1.2 MapReduce核心工作原理40-41
• 3.3.2 Spark分布式集群技术研究41-44
• 3.3.2.1 Spark RDD41
• 3.3.2.2 Spark核心工作原理41-43
• 3.3.2.3 Spark模型研究43-44
• 3.3.3 Spark与Hadoop MapReduce对比44-45
• 3.4 基于云计算的并行谱聚类算法实现45-52
• 3.4.1 基于Spark的并行计算相似矩阵46-47
• 3.4.2 基于Spark的并行计算拉普拉斯矩阵特征向量47-48
• 3.4.3 基于Spark的并行K-means聚类48-51
• 3.4.4 并行谱聚类算法参数调优51
• 3.4.5 单机与云计算平台实验对比51-52
• 3.5 本章小结52-54
• 第四章 驾驶行为评估模型54-66
• 4.1 分类器54-56
• 4.2 BP神经网络56-62
• 4.2.1 神经元模型56-59
• 4.2.1.1 MP模型56-57
• 4.2.1.2 一般神经元模型57-59
• 4.2.2 BP神经网络结构59-60
• 4.2.3 BP神经网络算法60-62
• 4.2.3.1 BP神经网络算法原理60-61
• 4.2.3.2 BP神经网络算法实现步骤61-62
• 4.3 驾驶行为评估模型62-64
• 4.3.1 驾驶行为-油耗评估模型62-63
• 4.3.2 驾驶行为-安全评估模型63-64
• 4.4 本章小结64-66
• 第五章 系统实验与结果分析66-82
• 5.1 驾驶行为分析系统实现66-73
• 5.1.1 硬件采集系统66-67
• 5.1.2 云计算平台软硬件环境67-68
• 5.1.3 OpenStack部署68-69
• 5.1.4 Hadoop分布式集群部署69-71
• 5.1.5 Spark分布式集群部署71-73
• 5.2 系统实验结果73-81
• 5.2.1 数据特征提取73-74
• 5.2.2 云计算聚类结果74-76
• 5.2.3 系统实验结果分析76-81
• 5.2.3.1 基于安全角度的驾驶行为聚类分析76-77
• 5.2.3.2 基于油耗角度的驾驶行为聚类分析77-79
• 5.2.3.3 驾驶行为-安全评估79-80
• 5.2.3.4 驾驶行为-油耗评估80-81
• 5.3 本章小结81-82
• 第六章 总结与展望82-84
• 6.1 课题总结82
• 6.2 展望82-84
• 致谢84-85
• 参考文献85-88

【参考文献】

中国期刊全文数据库 前10条

1 杨昕维;王奕睿;;数据仓库与数据挖掘技术在汽车领域的前景展望[J];中小企业管理与科技(上旬刊);2016年01期

2 孙川;吴超仲;褚端峰;杜志刚;田飞;;基于车联网数据挖掘的营运车辆驾驶速度行为聚类研究[J];交通运输系统工程与信息;2015年06期

3 赵晓华;陈晨;伍毅平;荣建;刘莹;程颖;胡莹;;出租车驾驶员驾驶行为对油耗的影响及潜力分析[J];交通运输系统工程与信息;2015年04期

4 严玉良;董一鸿;何贤芒;汪卫;;FSMBUS:一种基于Spark的大规模频繁子图挖掘算法[J];计算机研究与发展;2015年08期

5 熊亚军;廖晓农;李梓铭;张小玲;孙兆彬;赵秀娟;赵普生;马小会;蒲维维;;KNN数据挖掘算法在北京地区霾等级预报中的应用[J];气象;2015年01期

6 刘轩;谢辉;马红杰;陈双喜;;公交驾驶员驾驶行为对油耗的影响及其评价指标[J];汽车工程;2014年11期

7 张建勇;高冉;胡骏;郑扬;;灰色关联度和Pearson相关系数的应用比较[J];赤峰学院学报(自然科学版);2014年21期

8 牛增良;李海斌;王文峰;白丽霞;;基于聚类分析的营运驾驶人危险驾驶行为研究[J];山东交通学院学报;2014年01期

9 李丽敏;王仲生;姜洪开;;基于相似性传播聚类的航空发动机突发故障诊断[J];振动与冲击;2014年01期

10 肖献强;任春燕;王其东;;基于隐马尔可夫模型的驾驶行为预测方法研究[J];中国机械工程;2013年21期

中国博士学位论文全文数据库 前1条

1 李平凡;驾驶行为表征指标及分析方法研究[D];吉林大学;2010年

中国硕士学位论文全文数据库 前2条

1 樊嘉麒;基于大数据的数据挖掘引擎[D];北京邮电大学;2015年

2 王延伟;城市公交车驾驶节能技术的研究[D];长安大学;2010年

，

本文编号：730945