基于Hadoop平臺的智能交通流預測及路徑誘導算法研究.pdf

1、隨著交通系統(tǒng)復雜性程度日益提高，盡管相關部門在各種交通設施建設方面投入了大量的資金和資源，但其仍然不能滿足人們的出行要求。面對如此復雜的交通系統(tǒng)，為了提高智能交通系統(tǒng)的搜索效率，縮減其搜索范圍，在更短的時間內(nèi)反饋路網(wǎng)信息，縮短用戶在出行過程中“無謂的等待時間”，對短時交通流預測和路徑誘導算法的研究是很有必要的。然而要解決上述問題，最重要的是提高短時交通流預測以及路徑誘導算法的效率。從短時交通流預測算法、路徑誘導算法的角度來看，交通管理的

2、成效，和預測、誘導精度以及算法效率直接相關。但是，一般來說，精度和效率之間呈負相關關系，算法的精度越高，代表其邏輯太過復雜，或者是計算工作量大，因此計算耗時更長，效率更低，嚴重時徹底失去實用性。
　　在短時交通流預測方面，論文中對常用短時交通流預測算法進行了分析對比，并指出各種算法的優(yōu)缺點及使用范圍，因BP神經(jīng)網(wǎng)絡算法構(gòu)建的數(shù)學模型具有十分嚴謹?shù)奶攸c，同時具有自主學習能力、良好的容錯能力以及良好的泛化性，所以選取BP神經(jīng)網(wǎng)絡算法對

3、短時交通流進行預測研究。但是BP神經(jīng)網(wǎng)絡算法因采用靜態(tài)梯度下降法來優(yōu)化網(wǎng)絡權(quán)值和閡值，使其BP神經(jīng)網(wǎng)絡算法存在一定的局限性，如穩(wěn)定較差，收斂速率緩慢，容易達到局部極小值等缺陷。
　　為了克服上述缺陷，論文在短時交通流預測中采用改進后的遺傳算法來優(yōu)BP神經(jīng)網(wǎng)絡預測模型。遺傳算法作為一種全局范圍的搜索算法，通過模擬遺傳過程中遺傳因子復制、交叉和變異的特性，對個體不斷進行擇優(yōu)，將最終得到的最優(yōu)解作為神經(jīng)網(wǎng)絡算法的初始值。但是交通流數(shù)據(jù)的

4、復雜多樣性使得遺傳算法在搜索的過程中可能存在最優(yōu)解丟失的情況，從而導致算法過早收斂，反而降低了短時交通流預測的準確性。為了克服以上缺陷，在遺傳算法中引入跟短時交通流運動極其匹配的混沌現(xiàn)象，組成混沌遺傳算法(CGA)。其核心思想主要是在待優(yōu)化變量中引入混沌狀態(tài)，并把混沌運動的遍歷范圍“擴展”至待優(yōu)化變量的取值范圍中，進行全局細化搜索，這樣就能避免過早陷入局部最優(yōu)解，最終通過不斷優(yōu)化得到最優(yōu)解。然后用得到的最優(yōu)解初始化BP神經(jīng)網(wǎng)絡的初始權(quán)值

5、和閾值，從而提高對短時交通流預測的實效性和準確度。論文并驗證了改進后的算法其性能比之前有明顯提高。
　　在路徑誘導方面，論文中也是對常用路徑誘導算法進行了研究對比，并分析出各自算法的優(yōu)缺點和使用范圍，由于蟻群算法具有智能化搜索，能夠達到全局優(yōu)化的目的，在魯棒性、自組織性、并行性方面表現(xiàn)十分突出，并且適合復雜的非線性交通系統(tǒng)中，所以采用蟻群算法對路徑誘導進行研究。當然，任何算法都會有自身的局限性和不足，論文針對蟻群算法上存在的缺陷分

6、別對蟻群算法的狀態(tài)轉(zhuǎn)移規(guī)則和信息素更新規(guī)則進行了改進。從而減少出行用戶對無效路徑的搜索，并且能從綜合因素中選擇最優(yōu)路徑。
　　在本課題的研究中，在滿足短時交通流預測和路徑誘導算法實用性要求的前提下，充分發(fā)揮云計算平臺在數(shù)據(jù)保存和并行處理方面的優(yōu)勢作用，結(jié)合Hadoop平臺，對改進后的BP神經(jīng)網(wǎng)絡算法和蟻群算法進行了MapReduce的設計和實現(xiàn)，成功地設計出新的短時交通流預測以及路徑誘導方法，在預測、誘導的精度和效率之間找到良好的