基于物流數(shù)據(jù)的流預(yù)測算法研究與實現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展，大數(shù)據(jù)和互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)等相互交融，這也影響著物流行業(yè)的發(fā)展。物流企業(yè)產(chǎn)生的物流大數(shù)據(jù)范圍較廣，其中物流交通大數(shù)據(jù)是重要組成部分。交通大數(shù)據(jù)的有效處理為物流公司基于時間、成本、路線等車輛調(diào)度的應(yīng)用服務(wù)提供了可靠的理論依據(jù)和技術(shù)支持。實時準確的交通大數(shù)據(jù)流預(yù)測是實現(xiàn)數(shù)據(jù)有效處理的前提和基礎(chǔ)，這也給交通大數(shù)據(jù)的預(yù)測帶來了新的問題，值得深入研究。
　　時間序列模型僅需歷史時間序列即可對交通流進行有效預(yù)測。因此

2、，本文首先分析交通流數(shù)據(jù)的特征并進行LMD(Local Mean Decomposition)分解，并證明了分解后的流量序列具有短相關(guān)特征，提出了一種基于LMD和GARCH(Generalized AutoRegressive Conditional Heteroskedasticity)交通流量時間序列預(yù)測算法，預(yù)測精度顯著高于傳統(tǒng)的時間序列模型。但是，時間序列模型只能實現(xiàn)離線預(yù)測，為了適用于流數(shù)據(jù)的預(yù)測，本文又提出了一種基于SKme

3、ans和SGD的RBFNN在線預(yù)測算法。該算法主要對RBF神經(jīng)網(wǎng)絡(luò)進行改進，首先對訓練數(shù)據(jù)進行在線聚類，然后通過改進的SGD算法來訓練參數(shù)，實驗結(jié)果表明，該算法的預(yù)測精度和訓練效率明顯高于最近鄰聚類在線訓練算法，并對交通流量實現(xiàn)了有效的在線預(yù)測。
　　隨著訓練樣本的不斷增大，雖然RBF改進算法可以實現(xiàn)在線預(yù)測，但是時間和空間復(fù)雜度急劇增加，不能滿足實際的應(yīng)用需求。因此，本文將采用Storm實時流處理平臺，將基于SKmeans和SG