论文部分内容阅读
随着智慧城市建设的蓬勃发展,路网上的交通流成为城市监控和管理的重点。传统的交通流监控一般通过道路上的传感器获取,但传感器无法覆盖全部道路网络,维护成本高,因此如何利用源源不断的车辆轨迹数据实现交通流监控和预测成为大家关注的方向。轨迹数据不仅数据量大,而且要求实时处理,以便在瞬息万变的交通环境中做出准确的即时决策,这对如何充分利用路网车辆轨迹数据准确预测路段交通流提出新的挑战。此外,目前基于轨迹的交通流预测方法没有充分挖掘交通流的空间和时间特征,导致预测精度不高。为了提高交通流监控和预测的时效性和准确性,本文提出一种基于移动车辆轨迹数据的交通流预测方法。该方法先将移动车辆轨迹数据采用分布式隐马尔科夫模型进行地图匹配,然后按路段号和时间段统计路段交通流量序列,最后采用并行的长短时神经网络(Long Short Term,LSTM)分别挖掘数据的短时特征和周期特征,并利用挖掘出的特征预测路段交通流量。本文的主要贡献是:1:考虑到车辆轨迹数据量庞大,传统数据分析方法不能实现对海量数据的有效分析,本文提出采用基于Hadoop平台的隐马尔可夫模型地图匹配算法,可以更快更精确的处理海量时空数据的地图匹配问题。2:本文采用并行LSTM神经网络预测路段交通流量,同时挖掘路段的短时特征和周期特征,并在模型训练过程中确定最优参数,极大提高预测的精度。3:设计路段交通流量预测原型系统,并与其它交通流预测模型进行实验对比,证明本文提出方法的可行性和有效性。