基于云平臺的短時交通流預(yù)測算法設(shè)計與實現(xiàn).pdf

1、短時交通流預(yù)測，作為智能交通系統(tǒng)的重要組成部分，一直是研究熱點之一。對于短時交通流預(yù)測算法，預(yù)測精度和計算效率是影響交通控制、誘導(dǎo)和管理效果的關(guān)鍵指標(biāo)。然而，通常預(yù)測精度和計算效率是矛盾的，兩者不可兼得。一般而言，較高預(yù)測精度的算法或者邏輯過于復(fù)雜，或者需要處理大量的數(shù)據(jù)，從而降低計算效率，甚至影響實用性。本文從提高預(yù)測算法的實用性角度出發(fā)，結(jié)合云計算平臺在海量數(shù)據(jù)存儲和大規(guī)模并行實時處理方面的技術(shù)優(yōu)勢，提出了一種基于MapReduce

2、技術(shù)的短時交通流預(yù)測方法，在保證預(yù)測精度的前提下，提高短時交通流預(yù)測的計算效率，進(jìn)而增強(qiáng)預(yù)測算法的實用性。
　　本文給出了基于MapReduce技術(shù)的短時交通流預(yù)測方法的設(shè)計和實現(xiàn)過程，選取了兩種常見的短時交通流預(yù)測算法進(jìn)行了調(diào)整和改進(jìn)，以適應(yīng)MapReduce編程模型的要求:一種是遺傳算法優(yōu)化的誤差反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)算法，該算法預(yù)測精度相對較高，但前期網(wǎng)絡(luò)權(quán)值訓(xùn)練過程需要大量的數(shù)據(jù)樣本，需

3、耗費的時間較長，不利于網(wǎng)絡(luò)模型的及時更新，限制了算法的應(yīng)用范圍;另一種是K近鄰非參數(shù)回歸算法，該算法預(yù)測精度很高，但近鄰查找過程中需要搜索歷史數(shù)據(jù)庫，模式匹配效率較低，是其應(yīng)用到實際中去的主要障礙。
　　仿真實驗結(jié)果表明，采用基于MapReduce技術(shù)的短時交通流預(yù)測方法，解決了BP神經(jīng)網(wǎng)絡(luò)算法中存在的前期網(wǎng)絡(luò)權(quán)值訓(xùn)練時間過長問題，也解決了K近鄰非參數(shù)回歸算法中模式匹配時搜索歷史數(shù)據(jù)庫效率過低的問題，能夠有效改善預(yù)測算法的實用性。