Hadoop環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測方法研究.pdf

1、隨著經(jīng)濟(jì)的快速發(fā)展，交通運輸已經(jīng)迅速成為國民經(jīng)濟(jì)發(fā)展命脈。雖然，交通行業(yè)的快速發(fā)展給人們帶來了巨大便利，但隨之而來的就是嚴(yán)重的交通擁堵問題。實時準(zhǔn)確的交通流預(yù)測是交通引導(dǎo)系統(tǒng)中的關(guān)鍵技術(shù)，而交通路線系統(tǒng)是智能交通系統(tǒng)的重要組成部分。由于交通系統(tǒng)是一個有人為因素參與的非平穩(wěn)的隨機(jī)系統(tǒng)，傳統(tǒng)的線性模型預(yù)測越來越不適應(yīng)于非線性的交通預(yù)測了，智能預(yù)測和組合優(yōu)化模型越來越受到人們的關(guān)注。
　　本文深入研究符合交通流數(shù)據(jù)特性的代表性預(yù)測方法，

2、經(jīng)分析選取人工智能中的的經(jīng)典方法BP神經(jīng)網(wǎng)絡(luò)作為交通流預(yù)測的基本算法。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)在進(jìn)行交通流預(yù)測時，訓(xùn)練時間和訓(xùn)練精度往往不能同時得到保證。首先，本文分析傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模式，提出一種將輸出層的動態(tài)值變?yōu)槎ㄖ档念A(yù)測模式加速收斂。其次，在定值輸出層的基礎(chǔ)上，針對神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間長的缺點，提出一種利用K近鄰算法優(yōu)化訓(xùn)練數(shù)據(jù)集的K-BP預(yù)測模型。該模型在提前考慮預(yù)測數(shù)據(jù)與訓(xùn)練數(shù)據(jù)匹配度的前提下，進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集篩選。

3、相比于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，該模型在縮短訓(xùn)練時間的前提下減小了訓(xùn)練誤差。
　　隨著信息技術(shù)與物聯(lián)網(wǎng)技術(shù)在城市交通領(lǐng)域的廣泛應(yīng)用，城市交通流量的數(shù)據(jù)已經(jīng)呈現(xiàn)出大數(shù)據(jù)的諸多特征。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型在小規(guī)模訓(xùn)練樣本的前提下，還能滿足交通流預(yù)測需求。但隨著訓(xùn)練樣本的維度和數(shù)據(jù)量不斷增多，傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練樣本方面往往會消耗過長時間，不利于實現(xiàn)實時的短時交通預(yù)測。本文提出了在Hadoop環(huán)境下利用MapReduce的分布式處理框架與BP神經(jīng)網(wǎng)