基于车辆通行大数据的高速公路路况预测的研究与应用
发布时间：2020-12-06 18:42
随着高速公路路网的不断建设与完善,高速公路收费口和道路中心使用了大量监测设备记录通行的车辆信息,从而在高速公路监测系统中存储了海量的车辆通行数据。如何有效地从这些通行数据中,挖掘出更多有价值信息近年来成为研究的焦点之一。本文将结合数据挖掘技术和大数据技术,通过对海量通行数据的挖掘分析,得到高速公路路段的交通量和交通速度信息,实现对未来交通量和交通速度的预测。在此基础上,利用预测出的交通量和交通速度等多个因素,构建高速公路路况状况评价体系,从而对高速公路未来路况的作出预测,为高速公路运营管理和居民出行提供有价值的参考。本文的主要工作和创新点如下:1.针对传统交通量预测模型仅考虑交通量的时间特性而导致预测效果不佳的问题,本文将交通量的时间和空间特性相结合,提出了一种基于卷积神经网络（Convolutional Neural Networks,CNN）与LightGBM结合的交通量预测模型。该模型首先利用CNN模型挖掘出高速公路相邻路段监测点和出入口的时间和空间关联性,实现对交通量数据的时空特征提取,然后将提取到的特征向量输入到LightGBM模型中,实现对交通量的预测。实验结果表明,该模型...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
HDFS架构图
东华大学硕士学位论文11图2-2有向无环图（4）Spark架构Spark集群采用的是Master-Slave框架，如图2-3所示。集群采用的是一个Master主节点和多个worker从节点，即为一主多从的集群结构，其中Master主节点用于对集群进行监控和任务分配，worker从节点用于执行来自主节点的人物。Client是资源调用的入口，将资源调用到Driver中，Driver调用SparkContext用于初始化运行环境，SparkContext根据RDD之间的相互关系构建DAG有向无环图，并将任务提交给DAG解析为多个Stage。ClusterManager接受任务请求，为各个Task分配资源并在Executor运行。最后Client不断将任务发送给Executor，直到所有任务完成后会向Master注销上下文，从而释放程序资源。图2-3Spark架构
东华大学硕士学位论文11图2-2有向无环图（4）Spark架构Spark集群采用的是Master-Slave框架，如图2-3所示。集群采用的是一个Master主节点和多个worker从节点，即为一主多从的集群结构，其中Master主节点用于对集群进行监控和任务分配，worker从节点用于执行来自主节点的人物。Client是资源调用的入口，将资源调用到Driver中，Driver调用SparkContext用于初始化运行环境，SparkContext根据RDD之间的相互关系构建DAG有向无环图，并将任务提交给DAG解析为多个Stage。ClusterManager接受任务请求，为各个Task分配资源并在Executor运行。最后Client不断将任务发送给Executor，直到所有任务完成后会向Master注销上下文，从而释放程序资源。图2-3Spark架构
【参考文献】：
期刊论文
[1]基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法[J]. 鲁迪,王星华,贺小平. 电力系统保护与控制. 2019(05)
[2]基于QPSO-RBF神经网络的混合交通流车速预测模型[J]. 张晓阳,徐韬,张宜华,张磊. 公路. 2019(01)
[3]基于多指标模糊综合评价的交通拥堵预测与评估[J]. 晏雨婵,白璘,武奇生,叶珍. 计算机应用研究. 2019(12)
[4]基于信息熵加权的FCM交通状态识别研究[J]. 曹洁,张丽君,侯亮,陈作汉,张红. 计算机应用与软件. 2018(10)
[5]基于深度学习的交通流量预测研究[J]. 邓烜堃,万良,丁红卫,辛壮. 计算机工程与应用. 2019(02)
[6]一种改进的Attention-Based LSTM特征选择模型[J]. 朱星嘉,李红莲,吕学强,周建设,夏红科. 北京信息科技大学学报(自然科学版). 2018(02)
[7]基于GA-PSO混合优化的BPNN车速预测方法[J]. 刘吉超,陈阳舟. 交通运输系统工程与信息. 2017(06)
[8]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜. 交通运输系统工程与信息. 2017(05)
[9]基于模糊理论的城市道路短时交通流量预测研究[J]. 黄慧琼. 公路工程. 2016(01)
[10]基于KNN回归的短时交通流预测[J]. 陈婧敏. 微型电脑应用. 2015(09)
硕士论文
[1]融合天气因素的短时交通流深度预测算法[D]. 李星.长安大学 2018
本文编号：2901856
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
HDFS架构图
东华大学硕士学位论文11图2-2有向无环图（4）Spark架构Spark集群采用的是Master-Slave框架，如图2-3所示。集群采用的是一个Master主节点和多个worker从节点，即为一主多从的集群结构，其中Master主节点用于对集群进行监控和任务分配，worker从节点用于执行来自主节点的人物。Client是资源调用的入口，将资源调用到Driver中，Driver调用SparkContext用于初始化运行环境，SparkContext根据RDD之间的相互关系构建DAG有向无环图，并将任务提交给DAG解析为多个Stage。ClusterManager接受任务请求，为各个Task分配资源并在Executor运行。最后Client不断将任务发送给Executor，直到所有任务完成后会向Master注销上下文，从而释放程序资源。图2-3Spark架构
东华大学硕士学位论文11图2-2有向无环图（4）Spark架构Spark集群采用的是Master-Slave框架，如图2-3所示。集群采用的是一个Master主节点和多个worker从节点，即为一主多从的集群结构，其中Master主节点用于对集群进行监控和任务分配，worker从节点用于执行来自主节点的人物。Client是资源调用的入口，将资源调用到Driver中，Driver调用SparkContext用于初始化运行环境，SparkContext根据RDD之间的相互关系构建DAG有向无环图，并将任务提交给DAG解析为多个Stage。ClusterManager接受任务请求，为各个Task分配资源并在Executor运行。最后Client不断将任务发送给Executor，直到所有任务完成后会向Master注销上下文，从而释放程序资源。图2-3Spark架构
【参考文献】：
期刊论文
[1]基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法[J]. 鲁迪,王星华,贺小平. 电力系统保护与控制. 2019(05)
[2]基于QPSO-RBF神经网络的混合交通流车速预测模型[J]. 张晓阳,徐韬,张宜华,张磊. 公路. 2019(01)
[3]基于多指标模糊综合评价的交通拥堵预测与评估[J]. 晏雨婵,白璘,武奇生,叶珍. 计算机应用研究. 2019(12)
[4]基于信息熵加权的FCM交通状态识别研究[J]. 曹洁,张丽君,侯亮,陈作汉,张红. 计算机应用与软件. 2018(10)
[5]基于深度学习的交通流量预测研究[J]. 邓烜堃,万良,丁红卫,辛壮. 计算机工程与应用. 2019(02)
[6]一种改进的Attention-Based LSTM特征选择模型[J]. 朱星嘉,李红莲,吕学强,周建设,夏红科. 北京信息科技大学学报(自然科学版). 2018(02)
[7]基于GA-PSO混合优化的BPNN车速预测方法[J]. 刘吉超,陈阳舟. 交通运输系统工程与信息. 2017(06)
[8]基于CNN-SVR混合深度学习模型的短时交通流预测[J]. 罗文慧,董宝田,王泽胜. 交通运输系统工程与信息. 2017(05)
[9]基于模糊理论的城市道路短时交通流量预测研究[J]. 黄慧琼. 公路工程. 2016(01)
[10]基于KNN回归的短时交通流预测[J]. 陈婧敏. 微型电脑应用. 2015(09)
硕士论文
[1]融合天气因素的短时交通流深度预测算法[D]. 李星.长安大学 2018
本文编号：2901856
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2901856.html
