基于云計算的交通流預(yù)測與狀態(tài)識別關(guān)鍵技術(shù)研究.pdf

1、隨著城鎮(zhèn)化進程的加速推進，城市道路交通需求的快速增長與交通基礎(chǔ)設(shè)施供給速度緩慢之間的矛盾日益突出。特大城市的交通擁堵現(xiàn)象日益嚴(yán)峻，已經(jīng)嚴(yán)重制約我國城市交通可持續(xù)發(fā)展戰(zhàn)略的繼續(xù)推進。因此，只有加快發(fā)展高度智能化與信息化的智能交通管控系統(tǒng)才能從根本上解決目前城市交通的諸多問題。
　　本文研究的重點是交通流預(yù)測技術(shù)與交通狀態(tài)識別技術(shù)，交通流預(yù)測和交通狀態(tài)識別技術(shù)在智能交通系統(tǒng)（ITS）的發(fā)展和應(yīng)用前景中具有極其重要的研究價值和意義。本課

2、題旨在為智能交通管理系統(tǒng)提供一些相應(yīng)的科學(xué)依據(jù)與技術(shù)支持。本文主要研究工作如下：
　　1.為了解決海量交通大數(shù)據(jù)實時預(yù)測問題，引入了Hadoop云平臺結(jié)合K近鄰非參數(shù)回歸算法來預(yù)測短時交通流。由于MapReduce框架的并行性，大大縮減了查找K個近鄰的時間。通過實驗證明，在集群上的預(yù)測時間相比在單機上的預(yù)測時間大大縮減。并且基于MapReduce框架的預(yù)測速度隨著集群規(guī)模的增大而增大，表現(xiàn)出了集群的可擴展性。同時又滿足了交通控制與

3、誘導(dǎo)系統(tǒng)的實時性需求。目前，國內(nèi)外很多的研究都集中在從時間維度上考慮對交通流進行預(yù)測，這類研究忽視了空間維度上的路網(wǎng)對當(dāng)前交通流的影響，本文提出了基于時空相關(guān)性的路網(wǎng)狀態(tài)向量確定方法，使得K近鄰非參數(shù)回歸短時交通流預(yù)測滿足了精確性的需求。
　　2.本文提出關(guān)于以云計算為基礎(chǔ)的交通狀態(tài)識別的方法，將經(jīng)典的聚類算法通過MapReduce編程模式并行化以后，通過Hadoop平臺強大的并行任務(wù)執(zhí)行效果，實時監(jiān)測道路的交通狀態(tài)。并且改進了K