面向智能交通大数据的特征提取和流量预测算法优化与改进研究

发布时间：2025-07-01 23:33

　　智能交通系统作为未来交通系统的发展方向,近年来获得了快速深入发展,并已具备大数据特征。而大数据环境下的海量多源异构且实时性强的数据,增加了数据挖掘的复杂度和难度。特征提取和流量预测是目前该领域中广泛应用的两类数据挖掘方法。其中,特征提取方法又涵盖了关联特征与事件特征两种使用频繁的代表性提取算法。随着智能交通数据环境的不断演变,关联特征提取、事件特征提取和交通流量预测的传统模型与算法逐渐表现出准确率下降、性能缓慢、效率低下等问题,成为目前各类高可靠性、高效率、高精度系统应用的瓶颈所在。因此,研究如何优化改进这三种算法以适应时代的发展和满足更高标准的数据需求具有非常重要的现实意义。本论文旨在基于交通关联特征提取、事件特征提取和流量预测的现有算法基础上,进一步研究大数据挖掘并行化和特征选择的特点,提炼机器学习应用于交通数据的特有特性,分析现有工作的不足,通过与相关的实验进行有机结合,提出三种新的优化算法,改进算法的准确度和效率,提高算法在智能交通系统中的应用效果。论文的主要研究内容如下:(1)面向交通领域的关联特征提取算法的核心是进行关联规则挖掘。但该挖掘算法的每次迭代计算过程中的大量磁盘I/...

【文章页数】：134 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
        1.1.1 关联特征提取算法向分布式并行化发展
        1.1.2 结合粗糙集理论与神经网络进行特征提取
        1.1.3 深度学习在交通流量预测中的应用
    1.2 国内外研究现状与相关工作
        1.2.1 基于并行计算的关联特征提取方法
        1.2.2 基于粗糙神经网络的特征提取方法
        1.2.3 基于深度学习的交通流量预测方法
        1.2.4 相关研究工作总结
    1.3 研究目的和研究内容
    1.4 论文结构
    1.5 本章小结
第二章 特征提取方法与深度预测模型简介
    2.1 关联特征提取方法
        2.1.1 Apriori挖掘算法
        2.1.2 基于Map Reduce的 Apriori挖掘算法
    2.2 模糊集、粗糙集与机器学习方法
        2.2.1 模糊集与粗糙集
        2.2.2 模糊粗糙集模型
        2.2.3 模糊粗糙集与机器学习
    2.3 基于深度学习的预测模型
        2.3.1 堆叠自动编码机
        2.3.2 深度置信网络
        2.3.3 卷积神经网络
        2.3.4 递归神经网络
    2.4 本章小结
第三章 基于分布式并行计算与自适应策略的交通关联特征提取优化算法
    3.1 引言
    3.2 关联规则提取与MAPREDUCE
    3.3 基于SPARK的自适应分布式关联规则挖掘优化算法
        3.3.1 算法阶段I—生成频繁单项
        3.3.2 算法阶段II—频繁项集生成
    3.4 实验与分析
        3.4.1 实验设置
        3.4.2 算法扩展性实验结果与分析
        3.4.3 算法性能实验结果与分析
    3.5 本章小结
第四章 基于模糊粗糙神经网络的交通事件特征提取优化算法
    4.1 引言
    4.2 模糊集、粗糙集和模糊粗糙集中的粒度与近似
    4.3 改进的模糊粗糙集:粒化与近似
        4.3.1 使用模糊集定义决策类
        4.3.2 下近似与上近似边界
    4.4 基于模糊粗糙粒度的神经网络生成方法
        4.4.1 数据归一化
        4.4.2 基于α-切割的粒化结构构建
        4.4.3 确定粒化神经网络的输入向量和目标值
        4.4.4 基于模糊粗糙集的粒度神经网络的构建和训练算法
    4.5 实验与分析
        4.5.1 实验过程
        4.5.2 top-k特征对分类精度的影响
        4.5.3 不同特征选择方法下的分类实验结果
        4.5.4 特征选择方法评估
    4.6 本章小结
第五章 基于多层神经网络架构和多任务学习的交通流量预测优化算法
    5.1 引言
    5.2 多层神经网络架构与交通流量预测方法
        5.2.1 交通流量预测
        5.2.2 DBN
        5.2.3 DBN-DNN
        5.2.4 回声状态网络
    5.3 基于多任务学习深度置信回声状态网络的交通流量预测方法
        5.3.1 基于深度置信回声状态网络的交通流量预测架构
        5.3.2 底部DBN独立学习
        5.3.3 回归层局部权重调整
        5.3.4 遗传算法优化ESN
        5.3.5 多任务学习机制融入
        5.3.6 多任务分组策略
    5.4 实验与分析
        5.4.1 实验设置
        5.4.2 多层神经网络结构选择实验
        5.4.3 多层网络预测模型实验结果分析
        5.4.4 多任务学习实验结果分析
    5.5 本章小结
结论与展望
参考文献
攻读博士学位期间取得的研究成果
致谢
附件



本文编号：4054868