原文传递
基于多重相空间和路段相似度的短时交通流预测研究
| 论文题名： | 基于多重相空间和路段相似度的短时交通流预测研究 |
| 关键词： | 城市交通;交通流预测;数据处理;计算机技术 |
| 摘要： | 交通拥堵严重影响了人们的出行，降低了道路的服务能力。短时交通流预测能够为人们的出行提供最佳路线，从而缓解交通拥堵，因此，提高短时交通流的预测精度和预测速度，具有重大的研究意义和实际应用价值。对短时交通流预测领域的相关技术进行研究，发现当前短时交通流预测模型存在预测精度不高的问题，并且预测模型在单机环境下进行预测，导致模型预测速度变慢。针对上述问题，本文结合大数据处理框架Spark，提出了基于多重相空间和路段相似度的短时交通流预测模型，最后通过实验验证本文提出的预测模型的有效性。 本研究主要内容包括：⑴针对混沌理论使用单个相空间导致预测精度不高的问题，提出了一种基于多重相空间的预测算法。该算法采用平均互信息量法来求解延迟时间集合，并得到对应的权重集合，同时计算对应的嵌入维数集合来重构多重相空间，并结合KNN算法的思想建立短时交通流预测模型，提高预测精度。⑵针对稀疏路段数据较少而导致预测精度不高的问题，提出了一种基于多重相空间和路段相似度的预测算法。该算法考虑了路段相似对预测交通流的影响，通过度量两条路段的正相似度与负相似度来求解正相关路段集合和负相关路段集合，并综合正、负相关路段集合，结合多重相空间算法建立短时交通流预测模型，进一步提高预测精度。⑶使用路网某一路段的多组GPS数据进行实验分析。实验结果表明，本文提出的基于多重相空间和路段相似度的短时交通流预测模型预测的平均相对误差百分率降低了3.94％，在平均绝对误差和均方根误差2项算法评价指标上都有4.1到4.3范围的降低，预测精度有明显的提高；当数据集达到80000条时，本文提出的预测模型在Spark环境下预测比在单机环境下预测的速度快15.74倍，并且随着数据量的增长，加速比会越来越大，大大缩短了模型的预测时间，提高了模型的预测速度。 |
| 作者： | 贺淋亮 |
| 专业： | 计算机科学与技术 |
| 导师： | 袁友伟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 杭州电子科技大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
