论文部分内容阅读
短时交通流预测已经成为智能交通系统研究中热门的基础性和关键性内容，它的预测精度和实时性直接影响交通流控制和诱导的效果。非参数回归方法是短时交通流预测常用的有效方法，非常适合非线性、不确定性的交通系统，但存在着预测精度与计算效率上的矛盾。随着技术的进步与智能交通系统的应用，多源、海量、复杂的交通信息使得非参数回归预测算法在历史模式库创建和维护困难、K近邻搜索速度慢等方面的问题与越来越突出。 另一方面，近年来随着云计算概念的提出，它与智能交通系统的结合成为了研究的热点。云计算自身的特点决定了它能高效地存储管理和处理分析海量交通数据，显著提升系统的性能和智能化水平，促进智能交通系统的发展。 针对非参数回归预测算法在海量历史数据条件下的缺陷，本文提出了一种利用云计算平台和技术对非参数回归预测短时交通流改进的方法。针对海量数据的存储管理问题，使用HBase分布式数据库对历史数据进行高效存储和管理;针对海量历史数据条件下K近邻搜索速度问题，使用MapReduce并行计算框架进行K近邻搜索，实验证明该方法在保证算法预测精度的前提下，显著提高了搜索速度，并且具有良好的加速比、可伸缩性和可扩展性;针对预测的精确度问题，使用基于MapReduce的遗传算法对关键参数的选取进行快速地优化，实验表明该方法能够得到较优的参数，并且比传统遗传算法具有更高的效率。 最后将文中提出的算法进行结合，组成一个完整的短时交通流预测体系，并应用于实际的系统中。本文的研究为实时的短时交通流预测提供了一种较好的方法。