交通大数据时空因果关系分析及其在交通流预测中的应用

发布时间：2022-02-26 09:54

　　我国机动车保有量的快速增长不可避免地引起了城市交通拥堵问题。智能交通作为缓解交通拥堵问题为有效手段,自提出以来在世界各国得到提倡并快速发展。交通大数据分析作为智能交通系统设计应用的重要环节,通过对交通大数据之间的关联关系、深层次因果关系的分析,可以有效预测城市交通的交通流,为智能交通系统提供决策支持,为用户出行提供更明智和协调的交通规划,进而提高出行的效率与安全性。对此,本文开展了如下工作:（1）获取了互联网上公开的交通数据集及相关天气数据集,对数据进行了数据清洗、标准化等预处理;在此基础上对交通大数据进行时间、空间特征分析,并借鉴和扩展了格兰杰因果关系思想,提出了基于时空因果关系分析的城市交通大数据分析方法。（2）建立基于时空因果关系的交通流预测模型,提出了快速筛选交通流影响因素的方法,引入LSTM网络构造了基于循环神经网络的交通大数据时空因果关系分析算法,并通过试验证明该算法可有效提高交通流预测精准程度。（3）采用面向对象方法分析设计了交通流预测系统,开发了相应Android手机APP和Web服务器,并对系统进行了功能测试和性能测试。实验证明时空因果关系分析可以有效提取影响交通流的... 

【文章来源】：北京工业大学北京市211工程院校

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 研究意义
    1.3 国内外研究现状
        1.3.1 大数据分析研究现状
        1.3.2 无监督学习的分析方法研究现状
        1.3.3 监督学习的分析方法研究现状
        1.3.4 交通流预测研究现状
    1.4 论文结构
第2章 相关技术基础
    2.1 大数据特征提取分析技术
        2.1.1 特征提取技术
        2.1.2 大数据分析技术
    2.2 格兰杰因果关系
    2.3 交通流预测技术
    2.4 本章小结
第3章 交通大数据预处理技术
    3.1 数据来源
    3.2 数据清洗
        3.2.1 缺失数据处理
        3.2.2 数据去噪
    3.3 数据标准化
        3.3.1 数据规范化
        3.3.2 时间格式标准化
    3.4 特征分析
        3.4.1 基于随机森林的特征分析
        3.4.2 时间特征分析
        3.4.3 空间特征分析
    3.5 本章小结
第4章 基于多维时空因果关系分析的交通流预测
    4.1 交通大数据时空因果关系分析
    4.2 多维度影响因素分析
    4.3 基于时空因果关系和循环神经网络的交通流预测
    4.4 预测模型对比
        4.4.1 评价标准
        4.4.2 预测模型参数
        4.4.3 实验数据选取
        4.4.4 预测结果比较
    4.5 本章小结
第5章 基于时空因果关系分析的交通流预测系统
    5.1 系统简介
        5.1.1 开发环境
        5.1.2 系统功能要求
    5.2 系统框架
    5.3 系统设计与实现
        5.3.1 交通流预测APP设计与实现
        5.3.2 分析服务器设计与实现
    5.4 系统测试
        5.4.1 系统功能测试
        5.4.2 系统性能测试
    5.5 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的研究成果
致谢


【参考文献】：
期刊论文
[1]德国政府开放数据分析及其对我国的启示[J]. 陈美.  图书馆. 2019(01)
[2]基于大数据分析的心力衰竭诊疗研究进展[J]. 于佳女,沙悦,郭树彬.  中国医学科学院学报. 2018(06)
[3]基于机器学习的交通数据分析与应用[J]. 张腾,林贵敏,邱立达,刘超明,韦玉婧.  现代信息科技. 2018(12)
[4]大数据分析的神经网络方法[J]. 章毅,郭泉,王建勇.  工程科学与技术. 2017(01)
[5]大数据在高职院校教师教学质量多元评价体系中的研究与分析[J]. 张维国,陈海艳.  现代计算机(专业版). 2016(18)
[6]基于组合模型的短时交通流预测[J]. 钱伟,杨矿利,杨慧慧,徐青政.  计算机仿真. 2015(02)
[7]Challenges of Big Data analysis[J]. Jianqing Fan,Fang Han,Han Liu.  National Science Review. 2014(02)
[8]基于特性和影响因素分析的短时交通流预测[J]. 许伦辉,游黄阳.  广西师范大学学报(自然科学版). 2013(01)
[9]悉尼自适应交通控制系统线圈数据短时多步预测双层模型[J]. 李琦,姜桂艳.  吉林大学学报(工学版). 2013(04)
[10]城市交通拥堵分析及对策研究[J]. 高鹏,张子秦.  交通科技与经济. 2011(02)



本文编号：3644415