大数据背景下城短时交通流预测方法分析(附件)【字数：16404】
Key words: Traffic flow prediction; HDFS Distributed file system; Kmeans Clustering algorithm 目 录
第一章 绪论 1
1.1短时交通流预测的研究背景与意义 1
1.2短时交通流预测的发展状况与特点 2
1.2.1国外发展状况 2
1.2.2国内发展状况 2
1.2.3短时交通流预测的特点 3
1.3本文主要研究内容 3
1.4本章小结 4
第二章 短时交通流预测算法 5
2.1短时交通流预测算法分类 5
2.2三种短时交通流预测算法的比较 8
2.3本章小结 9
第三章 基于HDFS短时交通流数据的处理与分析 10
3.1交通流预测体系的架构 10
3.2 HDFS在短时交通流数据处理分析中的应用 11
3.2.1 HDFS性能介绍 11
3.2.2 HDFS的存储原理 11
3.2.3 HDFS在交通流数据处理分析中的架构 13
3.2.4 HDFS在交通流数据处理分析中的实现 13
第四章 基于MapReduce的Kmeans聚类算法在短时交通流预测中的应用 18
4.1 MapReduce相关介绍 18
4.1.1MapReduce性能介绍 18
4.1.2 MapReduce 模型的架构 19
4.2 基于MapReduce的Kmeans聚类算法在短时交通流预测中的应用 19
4.2.1 Kmeans聚类算法相关介绍 19
4.2.2 Kmeans算法的MapReduce并行化在短时交通流预测中的实现 20
4.3 实验及数据分析 21
4.3.1 串并行时间复杂度分析 21
4.3.2集群加速比实验分析 22
第五章 总结与展望 24
5.1论文工作情况总结 24
5.2对短时交通流预测的思考 24 *好棒文|www.hbsrm.com +Q: ^351916072#
5.3未来展望 25
结束语 26
致谢 27
参考文献 28
第一章 绪论
1.1短时交通流预测的研究背景与意义
智能交通系统作为未来智慧城市建设的一部分，对交通运输业，城市以及国家经济的发展起着不可估量的作用。其核心是如何针对海量多元异构的交通流数据的进行充分的挖掘，高效处理这些数据并应用，进而达到对城市短时交通流预测的目的，将预测的结果反馈给城市管理者及用户，最终实现对城市交通的最优控制以及行车路线的最佳规划。短时交通流预测精度越高，城市道路使用率则越高，更大力度缓解道路拥堵问题。因此，短时交通流的预测工作，对智能交通系统建设的成败起到了关键性作用。
据统计，全球每年因日常交通事故造成130万人死亡，在美国，每年因为交通拥堵所造成的直接和间接经济损失预估高达680亿美元，而在我国，每年发生约60万起交通事故，全球事故死亡人数每五个就有一个是中国人，居世界第一，每年因交通堵塞所造成的经济损失占全国GDP的59%，可达2500亿人民币[1]。2017年3月11日，受大雾天气的影响，阿联酋发生一起特大连环车祸事故，造成200多辆车相撞，280人伤亡，试想，如果能事先根据天气状况等一些非线性因素实现对道路交通流的预测，并作出预警，就能降低事故的严重性甚至规避事故的发生。因此，城市短时交通流的预测，道路交通的安全与优化控制，智能交通系统的构建，对缓解道路堵塞，降低交通事故的发生，日益发挥着不可估量的作用，引起了各国城市建设者们的广泛关注。
根据欧盟“欧洲2020战略”，旨在通过信息通信技术来解决城市交通和电网问题，解决成员国交通拥堵问题和能源利用率问题。而日本“IJapan（智慧日本）战略2015”则推出智能交通系统（ITS），用于缓解道路拥堵状况，利用电子标签，追踪货物去向，提高物流效率。同样，新加坡“iN2015”计划旨在打造由资讯通信所驱动的智慧国家，实施智能交通系统（ITMS），提供实时交通信息，开通全地图服务，轻松找到行车路线，方便出行。在我国，深圳等地则在构建“一横八纵”的城市快速公路网的建设，作为国家创新城市突破口。因此，在国内外智慧城市建设，智能交通系统发展如火如荼的时代背景下，城市短时交通流预测方法的优化发挥着主导性作用。交通流预测方法的优化与改善直接决定着智能交通系统建设的成败。本文结合交通流数据量大，多元异构等特点，将大数据分析技术应用其中，对数据进行冗余存储与并行化处理，综合非线性和相似性，对传统交通流预测方法针对时间相关性的忽视问题进行了优化。
1.2短时交通流预测的发展状况与特点
1.2.1国外发展状况
从20世纪开始，研究人员就开始尝试着用各种各样的方法对交通流进行预测研究，并相继出现了一系列各种理论的预测模型。但天气状况，突发事件等一些不确定因素的存在，使得实际预测效果并不理想。随着非线性动力学的发展，伴随着形形色色的预测理论，算法的出现，交通流预测模型也相继取得了很大的改善。
1979年AhmaedS.A和CookA.R第一次在短时交通流的预测中采用了时间序列模型。1984年Okutani等将针对测量过程中的噪声等扰动因素，采用了卡尔曼滤波模型，并成功降低了此类因素的干扰。 1989年，Disbro和Frame等人在交通流预测领域首次采用了经典的混沌理论，再次拓宽了交通流研究的理论基础。随着神经网络模型的出现和发展，1998年LGIS中心则将其应用于交通流预测，证明了该模型比时间序列模型和卡尔曼滤波模型具有更好的性能。但是神经网络在实际的操作过程中容易出现过学习，欠学习等问题，降低了预测结果的准确性。2000年，S.C.Chang采用将神经网络和传统统计理论相结合的混合模型在交通流预测领域进行了相关研究，从而达到了扬长避短的效果。2003年McFadden等人成功将支持向量机回归模型应用于农村双车道交通流的预测分析中。2009年和2010年，Karlaftis、Yang两人均成功地将GARCH模型应用到交通量的预测工作当中。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/15.html
