原文传递
基于Spark的路网交通运行状态判别研究
| 论文题名： | 基于Spark的路网交通运行状态判别研究 |
| 关键词： | 高速公路网;交通运行;状态判别;随机森林;机器学习 |
| 摘要： | 近年来，交通出行需求迅猛增长，单纯依靠扩大路网建设规模并不能有效解决交通供需不平衡问题，交通拥堵日益严重。为此，本文以高速公路路网交通运行状态为研究对象，针对单机串行学习路网海量交通流运行数据效率低下问题，提出利用Spark大数据机器学习平台构建路网交通运行状态判别模型，实现路网交通运行状态的及时、准确判别，以便制定科学有效的交通管理控制措施，这对解决交通拥堵，提高路网运行效率，提供畅通、安全、智能化的行程环境具有重要意义和价值。 由于单台机器的数据存储和处理能力有限，串行的学习路网交通大数据进行交通运行状态判别效率低下，本文首先对大数据处理技术平台及并行机器学习进行分析，提出依托Spark灵活的数据重用及并行化执行机制，从数据存储、数据处理、数据应用三层构建Spark大数据机器学习平台。其次，针对传统交通运行状态判别采用单一参数绝对度量标准的不科学性，本文选取交通流量、车速和占有率三参数表征高速公路交通流运行情况，利用k-means算法对路网交通流运行数据进行聚类分析，确定交通运行状态相对度量标准；将聚类标记后的路网交通流运行数据作为输入数据，利用随机森林构建路网交通运行状态分类决策模型，实现交通流运行数据状态分类；同时，本文围绕不同交通参与者的交通运行状态信息需求，立足高速公路路网结构，提出利用交通运行指数对路网交通运行状态进行量化判别。最后，本文搭建Spark大数据机器学习平台，以奥克兰区域路网作为实验路网，利用PeMS系统采集实验数据，采用数据并行化与任务并行化的策略，对路网交通运行状态判别过程进行并行化分析与实现。 实验结果表明：Spark大数据机器学习平台下，并行聚类与串行聚类具有一致的可靠性，聚类结果能有效反应交通流运行特性；并行分类与串行分类具有一致的准确性，基于随机森林的分类决策模型平均F度量、精确度、召回率可达98.97％，98.99%，98.96%；路网交通运行状态并行判别比串行判别效率明显提高，平台具有良好的可扩展性和加速比。本文方法能对路网交通运行状态进行及时、准确判别。 |
| 作者： | 朱熹 |
| 专业： | 交通信息工程及控制 |
| 导师： | 许宏科 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
