原文传递
基于Hadoop的新型公交支付系统的客流量预测研究
| 论文题名： | 基于Hadoop的新型公交支付系统的客流量预测研究 |
| 关键词： | 公交支付系统;客流量预测;分布式架构;并行化处理;BP神经网络;粒子群算法 |
| 摘要： | 城市公交作为市民日常出行的主要交通工具，是市民最关心、最直接、最现实的生活问题之一。不断提高公共交通运营质量、完善公共交通运营服务，可以有效缓解交通拥堵矛盾，满足市民群众出行需求。城市公交管理部门的合理运营、智能化调度对提升公共交通服务有很大帮助。而公交客流数据是预测未来某个时间段客流变化，实现合理运营、智能化调度的关键性数据;同时客流量预测也是智能交通系统的一个重要研究方向。 随着城市规模扩大、城市人口数量上升，以及互联网技术的快速发展，“大数据”的时代已经到来;公交客流预测的研究变得更复杂，要求也更高。要实现精准的客流预测需要两个关键的因素:完整的客流数据与性能优越的预测算法。而通过以往客流数据获取方法得到的数据存在信息量小、不够完整、难整理等缺点;并且由于传统的预测模型有着自身的缺陷，所以针对目前客流数据量大、变化复杂的现状，其已不能满足预测要求。因此有必要寻找更好的方法，去提升客流预测的准确度。 本课题以实际科研项目为依托，首先对公交支付系统发展现状以及Hadoop平台下客流预测研究现状进行了分析，确定了研究方向;分析了新型公交支付系统相关技术，该系统提供的客流数据具有完整，准确，全面等特点，为客流预测提供了有力支撑;同时设计了基于Hadoop分布式处理平台的客流量预测研究的总体方案。 利用现场调研的结果，本文对影响客流量变化的因素进行了详细分析，从量化的角度明确了预测客流应考虑的主要影响因素。研究并选定了客流数据的预处理方法，同时分析比较了几种常用的客流预测算法，其中误差反向传播的BP神经网络对于解决复杂的随机非线性映射问题具有良好的效果，但是存在训练时间长、泛化能力差、易陷入极小值等缺点;针对以上问题，本文将Hadoop并行化处理技术引入到客流预测中，先使用粒子群(PSO)对BP算法的权、阈值进行优化，再利用并行化编程模型(MapReduce)对优化后的算法进行并行化设计，进而完成整体算法的改进。 最后，对数据处理平台进行结构设计，完成了Hadoop分布式处理平台的搭建。在该处理平台下，利用预处理后的客流样本数据，对改进的并行化PSO-BP算法进行测试，统计实验数据并分析其性能。测试结果表明，本文所提的改进算法的收敛速度和预测精度均明显优于原算法，同时在大数据集上的训练速度也明显高于原算法。 |
| 作者： | 杨立 |
| 专业： | 控制科学与工程 |
| 导师： | 闫保中 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
