基于Spark的改進(jìn)SA-SVR短時交通預(yù)測研究.pdf

1、科技的快速發(fā)展為人們的生活帶來了便捷，但同時也帶來了一些負(fù)面影響。交通事故、道路擁堵、以及車輛尾氣排放帶來的全球變暖等，這些交通問題作為經(jīng)濟(jì)發(fā)展的負(fù)面附屬品，是眾多問題中急需解決的一個。自交通問題出現(xiàn)之時，對于交通問題的解決方案的研究從未停步，隨著智能時代的到來，智能交通系統(tǒng)的概念被提了出來。智能交通系統(tǒng)作為目前解決交通問題的首選，而短時交通流作為智能交通系統(tǒng)的一部分更是得到了研究人員的重視。但是交通流并非是一成不變的，它是一個非平穩(wěn)的

2、易受外界環(huán)境干擾的非線性系統(tǒng)，并且擁有海量的交通流數(shù)據(jù)，隨著時間的推移這些數(shù)據(jù)也在不斷的增長。如何處理這些海量的數(shù)據(jù)并達(dá)到交通流預(yù)測的精確性和實時性要求成為近年來的主要研究方向。
　　本文從研究提高短時交通流預(yù)測的準(zhǔn)確性和實時性出發(fā)，主要研究內(nèi)容包括：
　?。?）研究了適用于處理小樣本非線性的支持向量回歸機(jī)（SVR）。在已有的基礎(chǔ)上，對交通流和交通流的數(shù)據(jù)特點進(jìn)行研究，基于交通流和交通流數(shù)據(jù)的特點研究了比較實用的短時交通流預(yù)

3、測模型，經(jīng)過研究對比和實驗，驗證SVR作為短時交通流預(yù)測的可行性和實用性。
　?。?）改進(jìn)了適用于處理大型組合優(yōu)化的模擬退火算法（SA），將其應(yīng)用于支持向量回歸機(jī)進(jìn)行參數(shù)優(yōu)化。在選擇支持向量回歸機(jī)的基礎(chǔ)上，對支持向量回歸機(jī)的研究發(fā)現(xiàn)支持向量機(jī)的參數(shù)對于整個模型的預(yù)測結(jié)果有著至關(guān)重要的作用，為了達(dá)到建立基于最優(yōu)參數(shù)的短時交通流預(yù)測模型，本文研究對比其他傳統(tǒng)參數(shù)優(yōu)化算法，確立并改進(jìn)了適用于處理大型組合優(yōu)化的模擬退火算法，基于改進(jìn)后的模

4、擬退火算法對支持向量回歸機(jī)進(jìn)行參數(shù)優(yōu)化，并基于最優(yōu)參數(shù)建立了預(yù)測模型，解決了短時交通流預(yù)測中的預(yù)測準(zhǔn)確性問題。
　　（3）建立了Spark平臺下的SA-SVR預(yù)測模型。隨著交通流數(shù)據(jù)量的增加，在處理海量的交通流數(shù)據(jù)的過程中，單機(jī)模式下的預(yù)測模型由于物理因素的限制無法滿足短時交通流預(yù)測對于預(yù)測實時性的要求，為了解決預(yù)測時間的問題，本文在大數(shù)據(jù)時代的背景下研究對比選擇具有分布式并行處理能力的Spark技術(shù)對支持向量回歸機(jī)做大規(guī)模的并行

5、算法訓(xùn)練，并結(jié)合了支持向量回歸機(jī)處理非線性小樣本事件的特性和Spark的并行處理時間短的優(yōu)點，建立了Spark平臺下的SA-SVR預(yù)測模型。實驗證明，此模型在保證了預(yù)測精度的前提下縮短了預(yù)測的時間，同時滿足了短時交通流預(yù)測對于精確性和實時性的要求。
　　本文基于預(yù)測模型進(jìn)行了三組對比實驗，分別是RBF神經(jīng)網(wǎng)絡(luò)與支持向量回歸機(jī)模型、網(wǎng)格算法與模擬退火算法及改進(jìn)后的模擬退火算法參數(shù)優(yōu)化模型、單機(jī)模式下與Spark并行模式下的預(yù)測模型實

6、驗對比。這三組對比實驗結(jié)果證明了基于改進(jìn)的模擬退火算法對支持向量回歸機(jī)進(jìn)行參數(shù)優(yōu)化后的模型在Spark環(huán)境下比傳統(tǒng)的算法及單機(jī)模式下的預(yù)測更具有競爭力，Spark平臺下的該模型在預(yù)測過程中不僅解決了短時交通流預(yù)測的精確性問題，也解決了短時交通流預(yù)測中的預(yù)測效率問題，總體提高短時交通流預(yù)測中處理交通流數(shù)據(jù)的能力及預(yù)測的精確性和實時性。
　　本文的主要創(chuàng)新點是將支持向量回歸機(jī)的稀疏性特點與分布式集群Spark系統(tǒng)的并行處理能力相結(jié)合，