基于云平臺的短時交通流預測算法設計與實現.pdf

1、短時交通流預測，作為智能交通系統(tǒng)的重要組成部分，一直是研究熱點之一。對于短時交通流預測算法，預測精度和計算效率是影響交通控制、誘導和管理效果的關鍵指標。然而，通常預測精度和計算效率是矛盾的，兩者不可兼得。一般而言，較高預測精度的算法或者邏輯過于復雜，或者需要處理大量的數據，從而降低計算效率，甚至影響實用性。本文從提高預測算法的實用性角度出發(fā)，結合云計算平臺在海量數據存儲和大規(guī)模并行實時處理方面的技術優(yōu)勢，提出了一種基于MapReduce

2、技術的短時交通流預測方法，在保證預測精度的前提下，提高短時交通流預測的計算效率，進而增強預測算法的實用性。
　　本文給出了基于MapReduce技術的短時交通流預測方法的設計和實現過程，選取了兩種常見的短時交通流預測算法進行了調整和改進，以適應MapReduce編程模型的要求:一種是遺傳算法優(yōu)化的誤差反向傳播(Back Propagation，BP)神經網絡算法，該算法預測精度相對較高，但前期網絡權值訓練過程需要大量的數據樣本，需

3、耗費的時間較長，不利于網絡模型的及時更新，限制了算法的應用范圍;另一種是K近鄰非參數回歸算法，該算法預測精度很高，但近鄰查找過程中需要搜索歷史數據庫，模式匹配效率較低，是其應用到實際中去的主要障礙。
　　仿真實驗結果表明，采用基于MapReduce技術的短時交通流預測方法，解決了BP神經網絡算法中存在的前期網絡權值訓練時間過長問題，也解決了K近鄰非參數回歸算法中模式匹配時搜索歷史數據庫效率過低的問題，能夠有效改善預測算法的實用性。