论文部分内容阅读
随着城镇化进程的加速推进,城市道路交通需求的快速增长与交通基础设施供给速度缓慢之间的矛盾日益突出。特大城市的交通拥堵现象日益严峻,已经严重制约我国城市交通可持续发展战略的继续推进。因此,只有加快发展高度智能化与信息化的智能交通管控系统才能从根本上解决目前城市交通的诸多问题。本文研究的重点是交通流预测技术与交通状态识别技术,交通流预测和交通状态识别技术在智能交通系统(ITS)的发展和应用前景中具有极其重要的研究价值和意义。本课题旨在为智能交通管理系统提供一些相应的科学依据与技术支持。本文主要研究工作如下:1.为了解决海量交通大数据实时预测问题,引入了Hadoop云平台结合K近邻非参数回归算法来预测短时交通流。由于MapReduce框架的并行性,大大缩减了查找K个近邻的时间。通过实验证明,在集群上的预测时间相比在单机上的预测时间大大缩减。并且基于MapReduce框架的预测速度随着集群规模的增大而增大,表现出了集群的可扩展性。同时又满足了交通控制与诱导系统的实时性需求。目前,国内外很多的研究都集中在从时间维度上考虑对交通流进行预测,这类研究忽视了空间维度上的路网对当前交通流的影响,本文提出了基于时空相关性的路网状态向量确定方法,使得K近邻非参数回归短时交通流预测满足了精确性的需求。2.本文提出关于以云计算为基础的交通状态识别的方法,将经典的聚类算法通过MapReduce编程模式并行化以后,通过Hadoop平台强大的并行任务执行效果,实时监测道路的交通状态。并且改进了K-means聚类算法与模糊C均值聚类算法,用Canopy算法产生初始聚类中心,有效解决了K均值聚类和模糊C均值聚类两种算法会随机产生初始聚类中心的盲目性缺点。然后对比分析了两种改进后的聚类算法应用于交通状态识别中,选择具有更高准确率的识别方法作为最佳选择。