基于Hadoop平台的短时交通流预测算法研究

发布时间：2017-08-07 04:06

  本文关键词：基于Hadoop平台的短时交通流预测算法研究

  更多相关文章： 短时交通流预测 BP神经网络 MapReduce Hadoop 遗传算法

【摘要】：短时交通流预测是智能交通领域的重要研究课题,为城市交通诱导与控制提供数据支撑。本文着重研究基于BP神经网络的短时交通流预测算法,利用其非线性映射能力强,自学习自适应的特点预测复杂多变的交通流状态。但是传统BP神经网络预测模型及其改进算法,难以在计算效率和预测精度之间平衡,尤其在大量交通流样本数据的情况下,传统BP算法前期网络权值训练时间较长问题不容忽视。本文利用云计算并行计算和分布式存储的特点,将传统BP神经网络和MapReduce并行计算模型相结合用于短时交通流预测,同时针对传统BP算法本身的缺陷,提出利用遗传算法优化BP网络的改进方法。本文主要研究内容如下:首先,介绍了短时交通预测相关理论知识,分析对比了常用交通流预测模型的优缺点之后,选择传统BP神经网络作为短时交通流预测的模型,选取实际交通流量数据进行实验仿真,进行节假日和工作日交通流量预测。分析实验结果可知传统BP网络存在收敛速度慢、容易陷入局部极值、对网络初始权阀值敏感等缺陷,同时也面临大量交通流量数据条件下传统BP网络短时交通流预测模型计算效率低等问题。然后,本文针对传统单机模式下BP神经网络预测算法的缺陷,提出从两个方面改进:利用Hadoop云平台的分布式计算能力改善计算效率,将MapReduce编程模式和BP算法相结合;利用遗传算法优化传统BP网络算法本身的缺陷,提高预测精度。通过MapReduce编程并运行程序,分析对比实验结果可知:基于Hadoop平台的遗传神经网络算法用于短时交通流预测领域,预测的精度和预测的时间消耗都得到显著改善。
【关键词】：短时交通流预测 BP神经网络 MapReduce Hadoop 遗传算法
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14
【目录】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 绪论10-17
• 1.1 课题的研究背景与意义10-11
• 1.2 国内外研究现状11-14
• 1.2.1 短时交通流预测研究现状11-12
• 1.2.2 云平台发展现状12-14
• 1.3 本文的主要研究内容及结构安排14-16
• 1.4 本章小结16-17
• 第二章 短时交通流预测相关理论17-23
• 2.1 交通流基本概念17-18
• 2.1.1 交通流特征参数17-18
• 2.2 交通流数据处理18-19
• 2.2.1 交通流故障数据的识别18-19
• 2.2.2 交通流故障数据的修复19
• 2.3 短时交通流预测理论19-22
• 2.3.1 短时交通流预测基本概念19-20
• 2.3.2 短时交通流预测评价指标20-21
• 2.3.3 交通流预测常用方法及对比分析21-22
• 2.4 本章小结22-23
• 第三章 Hadoop平台基本原理23-31
• 3.1 Hadoop平台概述23-24
• 3.2 Map Reduce24-27
• 3.2.1 Map Reduce运行机制25-27
• 3.2.2 Map Reduce容错机制27
• 3.3 HDFS27-30
• 3.3.1 HDFS系统架构27-28
• 3.3.2 Name Node功能分析28-29
• 3.3.3 Data Node功能分析29
• 3.3.4 Secondary Name Node功能分析29-30
• 3.3.5 HDFS容错机制与故障处理30
• 3.4 本章小结30-31
• 第四章 基于BP神经网络的短时交通流预测算法31-45
• 4.1 BP神经网络基本原理31-34
• 4.1.1 BP神经网络结构31-32
• 4.1.2 神经网络算法流程32-34
• 4.2 BP神经网络设计34-36
• 4.2.1 网络层数及各层神经元个数的确定35
• 4.2.2 网络初始参数选取35-36
• 4.3 BP神经网络改进36-39
• 4.3.1 BP神经网络算法缺点36
• 4.3.2 BP神经网络改进算法36-39
• 4.4 基于BP算法的短时交通流预测实验39-44
• 4.4.1 基于BP算法的短时交通流预测模型建立39-40
• 4.4.2 交通流数据处理40-41
• 4.4.3 实验结果41-44
• 4.5 本章小结44-45
• 第五章 基于Hadoop的遗传神经网络短时交通流预测算法45-58
• 5.1 Hadoop集群搭建45-48
• 5.1.1 Hadoop集群软硬件环境45-46
• 5.1.2 Hadoop集群环境搭建步骤46-48
• 5.2 基于遗传算法的GA-BP网络48-53
• 5.2.1 遗传BP神经网络算法49-53
• 5.3 基于Map Reduce的GA-BP短时交通流预测算法设计与实现53-54
• 5.4 实验结果54-57
• 5.5 本章小结57-58
• 第六章 基于云平台短时交通流预测系统设计58-65
• 6.1 平台功能框架介绍58-60
• 6.1.1 交通路况模块59
• 6.1.2 交通信号控制系统59
• 6.1.3 交通视频监控和系统管理59-60
• 6.2 系统开发框架设计60
• 6.3 基于云平台的短时交通流预测系统设计60-64
• 6.3.1 路网监控数据库表设计61-62
• 6.3.2 短时交通流预测路况显示62-64
• 6.4 本章小结64-65
• 总结与展望65-67
• 论文研究成果及创新点65
• 研究展望65-67
• 参考文献67-71
• 攻读硕士学位期间取得的研究成果71-72
• 致谢72-73
• 附件73

【相似文献】

中国期刊全文数据库 前10条

1 唐明,陈宝星,柳伍生;基于相空间重构的短时交通流分形研究[J];山东交通学院学报;2004年01期

2 华冬冬,陈森发;非线性短时交通流的一种神经网络预测方法[J];现代交通技术;2004年01期

3 田晶;杨玉珍;陈阳舟;;短时交通流量两种预测方法的研究[J];公路交通科技;2006年04期

4 蒋海峰;马瑞军;魏学业;温伟刚;;一种基于小数据量的快速识别短时交通流混沌特性的方法[J];铁道学报;2006年02期

5 蒋海峰;王鼎媛;张仲义;;短时交通流的非线性动力学特性[J];中国公路学报;2008年03期

6 李松;刘力军;郭海玲;;短时交通流混沌预测方法的比较[J];系统工程;2009年09期

7 许伦辉;唐德华;邹娜;夏新海;;基于非线性时间序列分析的短时交通流特性分析[J];重庆交通大学学报(自然科学版);2010年01期

8 李雁;陆海亭;张宁;;一种短时交通流异常数据识别新算法[J];公路交通科技(应用技术版);2010年04期

9 承向军;刘军;马敏书;;基于分形理论的短时交通流预测算法[J];交通运输系统工程与信息;2010年04期

10 张立;谢忠玉;陈凯;;基于混沌理论的短时交通流局域预测模型[J];黑龙江工程学院学报(自然科学版);2011年02期

中国重要会议论文全文数据库 前2条

1 翁小雄;翦俊;;短时交通流频谱分析与预测[A];第二十六届中国控制会议论文集[C];2007年

2 张利;李星毅;施化吉;;一种基于ARIMA模型的短时交通流量改进预测算法[A];2007第三届中国智能交通年会论文集[C];2007年

中国重要报纸全文数据库 前1条

1 本报记者 李婵;交通拥堵为何预测不准[N];北京科技报;2010年

中国博士学位论文全文数据库 前2条

1 郭欢;基于灰理论的短时交通流动力学建模预测与优化研究[D];武汉理工大学;2013年

2 张晓利;基于非参数回归的短时交通流量预测方法研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 喻丹;基于小波理论的短时交通流预测方法研究[D];长沙理工大学;2008年

2 谢生龙;城市道路短时交通流动态预测方法研究与应用[D];长安大学;2015年

3 胡浩然;基于Hadoop平台的短时交通流预测算法研究[D];华南理工大学;2016年

4 符义琴;短时交通流分析及预测[D];南京信息工程大学;2016年

5 陈功;数据挖掘技术在智慧交通中的应用[D];电子科技大学;2016年

6 卓卉;基于混沌理论的短时交通流预测方法研究[D];北京交通大学;2008年

7 唐明;短时交通流特性及其预测方法的研究[D];长沙理工大学;2004年

8 华冬冬;短时交通流的混沌性分析及其基于神经网络的预测模型研究[D];东南大学;2005年

9 王小英;道路网短时交通流分析与预测[D];武汉理工大学;2010年

10 刘锦娣;城市短时交通流预测模型研究[D];石家庄铁道大学;2012年

，

本文编号：632733