数据挖掘技术在智慧交通中的应用

发布时间：2017-10-08 09:27

  本文关键词：数据挖掘技术在智慧交通中的应用

  更多相关文章： 智能交通 短时交通流预测 智能公交 神经网络

【摘要】：近年来,随着我国城市化进程的不断加快以及社会经济的快速发展,私家车数量明显上升,交通压力空前加大。频繁发生的交通事故不仅使得人们的生命财产受到威胁,严重拥堵的交通更是给人们的出行带来不便。传统的道路拓宽,交通管制等措施,具有较大局限,明显满足不了当前交通需求。当前,我国大力发展智慧城市建设,而智能交通是其重要组成部分。交通领域数据具有量大,维度高,类型复杂等特征,基于数据挖掘技术实现有效地交通流量预测对于缓解交通堵塞,实现信息惠民是有重要的研究价值和现实意义。城市短时交通流的科学预测是智能交通系统实施的重要环节。由于交通系统是一个多人参与,根据时间地点等因素时刻发生变化的系统,显著特点是具有高度的不确定性和非线性,这些特点给交通流预测带来很大的困难。随着预测间隔时间的增加,不可预期的突发偶然事件发生的概率更大,因此短时交通流预测相比长期预测实际意义更大,因而成为近年来的研究的热点。本文首先针对城市交通流特性进行了分析,明确了准确描述城市交通流特性的必要性,阐述了智能交通领域的相关技术,结合路网实际数据,重点分析了基于公交流实现流量预测的实际需求和限制条件。同时,针对不同路段流量的相关性做了重点分析,对流量预测理论应用的实际可行性做了初步验证。在城市短时交通流BP人工神经网络预测方法与公交流概念的基础上,通过实际数据的采集分析,发现上一相邻路段T时刻公交流运行速度与本路段T+10min时刻的路段流量具有较好相关性,同时由于大中城市基本形成了公交路网的主动脉格局以及运用现代智能公交系统可为公交流运行状态信息数据源进行实时准确的采集,进而为基于公交流运行状态的城市短时交通流BP人工神经网络预测方法提供了基础。在此基础上,论文提出了基于公交流运行状态的城市短时交通流BP神经网络预测方法,对相关网络模型、参数配置、预测流程等做了详细设计。结合上海市浦东新区张杨路枣庄路等实际数据,建立了基于公交流运行状态的短时交通流BP神经网络预测模型,并与城市短时交通流常规预测模型进行对比测试。测试结果表明新的预测方法获得的预测值更接近于实际值,预测效果更佳。因此,本文方法具有较好的技术实用性,其应用推广价值较高。
【关键词】：智能交通 短时交通流预测 智能公交 神经网络
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U495;TP311.13
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-16
• 1.1 研究背景11-12
• 1.2 研究目的及意义12
• 1.3 国内外研究现状12-14
• 1.4 主要研究内容14
• 1.5 论文组织结构14-16
• 第二章 相关理论基础16-29
• 2.1 智慧交通及相关理论16-20
• 2.1.1 智慧城市与智慧交通16-17
• 2.1.2 智慧交通相关技术17-20
• 2.1.2.1 GPS定位技术18-19
• 2.1.2.2 无线通信技术19
• 2.1.2.3 GIS-PT公交地理信息技术19-20
• 2.2 常用的数据挖掘及其相关技术20-26
• 2.2.1 传统统计分析20-21
• 2.2.1.1 大数据分析21
• 2.2.1.2 最短路径算法21
• 2.2.1.3 轨迹数据挖掘21
• 2.2.2 BP神经网络模型理论21-26
• 2.2.2.1 人工神经网络的基本理论22
• 2.2.2.2 神经元模型22-23
• 2.2.2.3 人工神经元的传递函数23-25
• 2.2.2.4 BP人工神经网络模型结构25-26
• 2.3 现有交通流预测方法26-28
• 2.3.1 基于线性系统理论预测方法26-27
• 2.3.2 基于知识发现的智能模型预测方法27-28
• 2.4 本章小结28-29
• 第三章 公交流运行状态的预测需求分析29-38
• 3.1 总体分析29
• 3.2 交通流特征分析29-31
• 3.3 城市交通流预测的限制和要求31-32
• 3.4 公交流预测的可行性验证32-37
• 3.4.1 不同路段交通流相关性分析32
• 3.4.2 神经网络预测的可行性分析32-36
• 3.4.3 公交流和交通流预测方法的异同36-37
• 3.5 本章小结37-38
• 第四章 基于公交流运行状态神经网络的预测方法38-47
• 4.1 信息采集方法38-40
• 4.1.1 公交流及运行区域确定38-39
• 4.1.2 信息采集内容39-40
• 4.2 基于BP网络模型设计40-45
• 4.2.1 模型建立及参数设置41-42
• 4.2.2 算法设计42-43
• 4.2.3 数据归一化43-44
• 4.2.4 参数分析44
• 4.2.4.1 网络层数44
• 4.2.4.2 隐含层节点数44
• 4.2.4.3 初始权值和阀值44
• 4.2.5 学习速率44-45
• 4.2.6 训练与测试45
• 4.3 预测流程设计45-46
• 4.4 本章小结46-47
• 第五章 应用案例实验结果与分析47-71
• 5.1 应用案例概况47
• 5.2 案例数据准备47-55
• 5.3 模型建立及参数设置55-64
• 5.3.1 模型预测的具体算法55-56
• 5.3.2 数据归一化56-60
• 5.3.3 网络结构设计60-62
• 5.3.3.1 神经元转移函数的设计60-61
• 5.3.3.2 输入层和输出层的设计61
• 5.3.3.3 隐含层的设计61-62
• 5.3.4 权值和阀值初始化62
• 5.3.5 网络模型训练62
• 5.3.6 网络模型的确定62-63
• 5.3.7 网络模型测试63-64
• 5.4 预测结果及分析64-70
• 5.4.1 分析指标64
• 5.4.2 评价结果分析64-70
• 5.5 本章小结70-71
• 第六章 总结与展望71-73
• 6.1 主要结论71-72
• 6.2 研究展望72-73
• 致谢73-74
• 参考文献74-77

【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：993253