基于云計算的交通流預測與狀態(tài)識別關鍵技術研究.pdf

1、隨著城鎮(zhèn)化進程的加速推進，城市道路交通需求的快速增長與交通基礎設施供給速度緩慢之間的矛盾日益突出。特大城市的交通擁堵現(xiàn)象日益嚴峻，已經(jīng)嚴重制約我國城市交通可持續(xù)發(fā)展戰(zhàn)略的繼續(xù)推進。因此，只有加快發(fā)展高度智能化與信息化的智能交通管控系統(tǒng)才能從根本上解決目前城市交通的諸多問題。
　　本文研究的重點是交通流預測技術與交通狀態(tài)識別技術，交通流預測和交通狀態(tài)識別技術在智能交通系統(tǒng)（ITS）的發(fā)展和應用前景中具有極其重要的研究價值和意義。本課

2、題旨在為智能交通管理系統(tǒng)提供一些相應的科學依據(jù)與技術支持。本文主要研究工作如下：
　　1.為了解決海量交通大數(shù)據(jù)實時預測問題，引入了Hadoop云平臺結合K近鄰非參數(shù)回歸算法來預測短時交通流。由于MapReduce框架的并行性，大大縮減了查找K個近鄰的時間。通過實驗證明，在集群上的預測時間相比在單機上的預測時間大大縮減。并且基于MapReduce框架的預測速度隨著集群規(guī)模的增大而增大，表現(xiàn)出了集群的可擴展性。同時又滿足了交通控制與

3、誘導系統(tǒng)的實時性需求。目前，國內外很多的研究都集中在從時間維度上考慮對交通流進行預測，這類研究忽視了空間維度上的路網(wǎng)對當前交通流的影響，本文提出了基于時空相關性的路網(wǎng)狀態(tài)向量確定方法，使得K近鄰非參數(shù)回歸短時交通流預測滿足了精確性的需求。
　　2.本文提出關于以云計算為基礎的交通狀態(tài)識別的方法，將經(jīng)典的聚類算法通過MapReduce編程模式并行化以后，通過Hadoop平臺強大的并行任務執(zhí)行效果，實時監(jiān)測道路的交通狀態(tài)。并且改進了K