大数据背景下城市短时交通流预测

为了在尽可能短的时间内挖掘和分析海量城市交通流数据,实时准确地预测城市短时交通流状态,建立有效的城市交通诱导系统,改善城市交通管理水平。根据城市交通大数据的来源异同、数据量大、种类繁多等特征,提出大数据背景下的城市短时交流状态预测新方法。新方法综合利用了随机森林算法进行机器学习的优势,克服了决策树算法的一些不足,又保留了决策树算法的优点;同时,新方法在大数据体系下实现了并行运算,提高了新方法各方面的学习性能,能够更快速、更加精确地实现城市短时交通流状态预测,并为城市交通诱导系统提出合理的交通建议。首先,针对城市交通流大数据的特征和城市短时交通流状态的预测需求,采用通用大数据分析处理平台构建城市交通流大数据管理平台,实现城市交通流大数据的整合、分布式存储与管理;然后,结合云计算技术,利用并行化计算模型MapReduce对随机森林算法实现并行化,增强算法的数据分析与处理效率,提高算法对大数据的处理能力;最后,采用并行化的随机森林算法对城市交通流大数据进行计算与处理,实现城市短时交通流状态的高效和实时预测。试验结果表明,并行化的随机森林算法的数据分析与处理效率、对城市短时交通流状态的预测精度,以及在不同数据集上对大数据的处理能力等各方面的性能均优于传统的预测方法。

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。