

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、科技的快速發(fā)展為人們的生活帶來了便捷,但同時也帶來了一些負面影響。交通事故、道路擁堵、以及車輛尾氣排放帶來的全球變暖等,這些交通問題作為經濟發(fā)展的負面附屬品,是眾多問題中急需解決的一個。自交通問題出現之時,對于交通問題的解決方案的研究從未停步,隨著智能時代的到來,智能交通系統(tǒng)的概念被提了出來。智能交通系統(tǒng)作為目前解決交通問題的首選,而短時交通流作為智能交通系統(tǒng)的一部分更是得到了研究人員的重視。但是交通流并非是一成不變的,它是一個非平穩(wěn)的
2、易受外界環(huán)境干擾的非線性系統(tǒng),并且擁有海量的交通流數據,隨著時間的推移這些數據也在不斷的增長。如何處理這些海量的數據并達到交通流預測的精確性和實時性要求成為近年來的主要研究方向。
本文從研究提高短時交通流預測的準確性和實時性出發(fā),主要研究內容包括:
?。?)研究了適用于處理小樣本非線性的支持向量回歸機(SVR)。在已有的基礎上,對交通流和交通流的數據特點進行研究,基于交通流和交通流數據的特點研究了比較實用的短時交通流預
3、測模型,經過研究對比和實驗,驗證SVR作為短時交通流預測的可行性和實用性。
?。?)改進了適用于處理大型組合優(yōu)化的模擬退火算法(SA),將其應用于支持向量回歸機進行參數優(yōu)化。在選擇支持向量回歸機的基礎上,對支持向量回歸機的研究發(fā)現支持向量機的參數對于整個模型的預測結果有著至關重要的作用,為了達到建立基于最優(yōu)參數的短時交通流預測模型,本文研究對比其他傳統(tǒng)參數優(yōu)化算法,確立并改進了適用于處理大型組合優(yōu)化的模擬退火算法,基于改進后的模
4、擬退火算法對支持向量回歸機進行參數優(yōu)化,并基于最優(yōu)參數建立了預測模型,解決了短時交通流預測中的預測準確性問題。
(3)建立了Spark平臺下的SA-SVR預測模型。隨著交通流數據量的增加,在處理海量的交通流數據的過程中,單機模式下的預測模型由于物理因素的限制無法滿足短時交通流預測對于預測實時性的要求,為了解決預測時間的問題,本文在大數據時代的背景下研究對比選擇具有分布式并行處理能力的Spark技術對支持向量回歸機做大規(guī)模的并行
5、算法訓練,并結合了支持向量回歸機處理非線性小樣本事件的特性和Spark的并行處理時間短的優(yōu)點,建立了Spark平臺下的SA-SVR預測模型。實驗證明,此模型在保證了預測精度的前提下縮短了預測的時間,同時滿足了短時交通流預測對于精確性和實時性的要求。
本文基于預測模型進行了三組對比實驗,分別是RBF神經網絡與支持向量回歸機模型、網格算法與模擬退火算法及改進后的模擬退火算法參數優(yōu)化模型、單機模式下與Spark并行模式下的預測模型實
6、驗對比。這三組對比實驗結果證明了基于改進的模擬退火算法對支持向量回歸機進行參數優(yōu)化后的模型在Spark環(huán)境下比傳統(tǒng)的算法及單機模式下的預測更具有競爭力,Spark平臺下的該模型在預測過程中不僅解決了短時交通流預測的精確性問題,也解決了短時交通流預測中的預測效率問題,總體提高短時交通流預測中處理交通流數據的能力及預測的精確性和實時性。
本文的主要創(chuàng)新點是將支持向量回歸機的稀疏性特點與分布式集群Spark系統(tǒng)的并行處理能力相結合,
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Spark的短時交通流預測系統(tǒng)設計.pdf
- Hadoop環(huán)境下基于SVR的短時交通流預測.pdf
- 基于混沌和SVR的短時交通流預測方法研究.pdf
- 基于群智能算法優(yōu)化SVR的短時交通流預測.pdf
- 基于混沌和改進LSSVM的短時交通流預測.pdf
- 基于改進神經網絡的短時交通流預測研究.pdf
- 基于交通數據的短時預測研究.pdf
- 基于改進小波神經網絡的短時交通流預測研究.pdf
- 基于改進的極限學習機短時交通流預測模型研究.pdf
- 基于短時交通流預測的交通控制算法研究.pdf
- 基于SVM的交通流短時預測方法研究.pdf
- 基于深度學習的短時交通流預測.pdf
- 基于回聲狀態(tài)網絡的短時交通流預測研究.pdf
- 基于分形理論的短時交通流預測研究.pdf
- 基于狀態(tài)劃分的交通流短時預測方法研究.pdf
- 基于混沌理論的短時交通流預測方法研究.pdf
- 基于組合模型的短時交通流的預測研究.pdf
- 短時交通流預測方法研究.pdf
- 基于深度學習的短時交通擁堵預測模型.pdf
- 基于深度學習的路網短時交通流預測.pdf
評論
0/150
提交評論