交通诱导系统中车流量预测与路径诱导算法研究
这是一篇关于车流量预测,路径诱导,SVR,检测器,FCM,蚁群算法,GA-SVR的论文, 主要内容为近年来,随着社会经济的发展,交通拥堵、交通事故等交通问题日益突出。为了应对这些问题,交通诱导系统被引入到城市的交通管理中,并且得到了快速的发展。其中车流量的短时预测与路径诱导是交通诱导系统的关键技术。对未来某时刻的车流量进行合理的预测,并给出合理的诱导路径,不仅能够为交通管理部门提供决策依据,而且能方便出行人出行,避免进入拥堵路段,节约出行时间。由于城市路网交通状态的时变性和复杂性,很难精确的描述其变化规律,因此研究实时准确的车流量预测与路径诱导算法具有十分重要的意义。本文通过对城市道路交通数据的分析,以城市道路网及交叉口为研究对象,对无检测器交叉口的车流量预测、路网车流量预测以及路径诱导算法进行了研究,论文主要研究工作包括以下几个方面:1.介绍了交通数据采集方法和交通数据的特性,分析了车流量预测的可行性,阐述了异常数据的识别与修复方法。采用时间序列分析法和Lyapunov指数分析并确定了车流量的可预测性,并使用历史趋势数据与实测数据的加权估计值对异常数据进行了修复。2.针对城市路网中某些交叉口没有检测器或者检测器故障的问题,在分析和研究几种常用无检测器交叉口车流量预测方法的基础上,提出了一种基于模糊C均值聚类的无检测器交叉口车流量预测方法。该方法通过模糊聚类将相关联的交叉口聚为同一簇,然后使用多元线性回归方法完成了对车流量的预测。实验结果验证了算法的有效性。3.通过对车流量预测模型的研究,给出了基于支持向量机回归方法的短时车流量预测模型,并针对SVR的参数学习速度慢的问题,研究了遗传算法的全局搜索特性,采用遗传算法优化SVR的参数选择,最后实验验证了GA-SVR模型的合理性。4.研究了几种传统的求解最优路径算法的原理,分析了它们的优缺点,在此基础上,引入了一种模拟进化的蚁群算法,对交通最优路径进行选择。该算法的主要原理是蚁群依靠与路径长度有关的信息素来寻找最优路径。同时针对蚁群算法的缺点对其进行改进,并用改进的蚁群算法与遗传算法进行实验对比分析,验证了算法的有效性。5.利用GA-SVR预测模型与蚁群最短路径诱导算法的研究结论,设计并完成了基于J2EE框架的交通诱导系统。
云环境下面向大数据的模糊C均值算法研究与实现
这是一篇关于大数据,云环境,数据集成,FCM,MapReduce的论文, 主要内容为随着互联网技术的高速发展，微博、微信、社交网络等交互式应用的涌现、基于云应用的兴起、多种形式数码设备的使用，数据正呈爆炸性增长。面对如此庞大的数据，传统的数据分析工具仅仅从简单的统计、查询和管理数据等方面进行处理，不能深层次地挖掘潜在的有用的信息。因此，如何利用大数据挖掘出有价值的信息就显得尤为重要。聚类分析是大数据分析技术之一，传统的单机聚类算法在运行效率和计算的复杂度都无法满足大数据信息处理的要求，云计算技术的发展为大数据的聚类分析提供了新的研究方向。 本文结合MapReduce并行计算模型，通过对传统的FCM聚类算法进行研究，能够快速、高效的实现大数据的聚类分析。 本文的工作如下： （1）大数据集成方法研究：大数据的一个重要特点是多样性，这意味着数据类型的多样性、数据来源的广泛性。要进行大数据的分析，首先需要将不同数据源中的数据进行集成，本文针对大数据多样性的特点进行了研究。通过剖析传统基于Web Service和XML技术的数据集成系统，结合云平台的优势，研究云环境下解析XML数据的方法，提出了基于Hadoop的数据集成方案，将不同数据源中的数据集成到HBase数据库中，以便对这些数据进行高效、快速的分析。 （2）模糊C均值（FCM）算法研究：聚类分析是大数据分析技术之一，本文对聚类分析中的模糊C均值算法进行了研究，设计了其MapReduce化方案。 （3）基于Canopy的FCM算法（Canopy-FCM）研究：考虑到大数据集数据量大的特点，本文对Canopy算法进行了研究，Canopy是一种粗糙的聚类算法，其能够通过很少的迭代次数获取比较粗糙的聚类中心，该算法具有快速的特点，因此将Canopy算法获取的聚类中心结果作为FCM聚类算法的输入能够加快FCM聚类算法收敛速度，本文对基于Canopy的FCM算法进行了研究，设计了其MapReduce化方案。 （4）基于Hash取样的最大最小距离的FCM算法（HMMFCM）研究：Canopy-FCM算法是一种快速但不精确的聚类算法，传统聚类算法中经常使用最大最小距离算法获取初始聚类中心，以得到较好的聚类效果，由于最大最小距离算法不能被并行化，因此本文结合Hash取样方法对最大最小距离算法进行了研究，设计了Hash取样方法的MapReduce方案，使用Hash取样数据进行最大最小距离算法计算出初始聚类中心，最后将该初始聚类中心作为FCM算法的输入，以使FCM算法获取较好的聚类效果。
北京P地铁车站施工突发事件风险非线性智能控制系统研究
这是一篇关于地铁车站施工,突发事件,动态管理,BP神经网络,FCM的论文, 主要内容为随着我国经济和人口的快速发展,城市化进程愈演愈烈,随之而来的是道路交通拥挤堵塞、道路交通基础设施配套不完善、交通事故频频发生、能源消耗和空气污染严重等一系列问题。而城市空间有限,道路改建改造需要大量时间和资金,地铁工程因其运载量大、土地空间占用率小、准点舒适,成为21世纪我国重点发展建设的公共交通工具。然而,地铁工程,尤其是地铁车站工程,因其特殊的地理位置和施工方式,施工周期长、干扰大、风险源众多,施工过程中突发事件时有发生。搜索国内外相关文献并可视化分析发现,国内外对地铁突发事件的研究主要集中于运营阶段的应急管理和灾后风险评估,对车站施工突发事件的识别控制研究甚少。本文以此作为选题,旨在从源头上识别并控制突发事件的发生,为地铁车站施工风险管理提供有效参考。首先,本文通过相似案例调查和RBS风险分析,确定突发塌陷、突发涌水涌砂、突发火灾、突发爆炸、突发燃气泄漏、突发汛灾六类在地铁车站施工中发生频数最多、风险程度最大的突发事件作为控制重点,构建地铁车站施工突发事件案例数据库。在案例库历史数据基础上,采用德尔菲法与因子分析法确定地铁车站施工突发事件主要影响因子,构建非线性风险等级预测模型,在大样本历史数据下,选用BP神经网络法;小样本历史数据下,选用FCM法与方向性切比雪夫距离法分别预测地铁车站施工突发事件风险等级。其次,以海恩法则为理论基础,结合P地铁车站施工流程与施工技术,建立地铁车站施工突发事件海恩法则控制、PDCA、原因对策库、苗头征兆库、预警响应等智能控制体系,将施工突发事件风险控制达到事前、事中严格防范,消灭事故萌芽,事后预案响应的控制目标。最后,选用Java语言、IDEA开发工具、My SQL数据库,以瀑布模型、SSM框架、bootstrap框架为技术指导,设计开发地铁车站施工突发事件风险智能计算机控制系统。
北京P地铁车站施工突发事件风险非线性智能控制系统研究
这是一篇关于地铁车站施工,突发事件,动态管理,BP神经网络,FCM的论文, 主要内容为随着我国经济和人口的快速发展,城市化进程愈演愈烈,随之而来的是道路交通拥挤堵塞、道路交通基础设施配套不完善、交通事故频频发生、能源消耗和空气污染严重等一系列问题。而城市空间有限,道路改建改造需要大量时间和资金,地铁工程因其运载量大、土地空间占用率小、准点舒适,成为21世纪我国重点发展建设的公共交通工具。然而,地铁工程,尤其是地铁车站工程,因其特殊的地理位置和施工方式,施工周期长、干扰大、风险源众多,施工过程中突发事件时有发生。搜索国内外相关文献并可视化分析发现,国内外对地铁突发事件的研究主要集中于运营阶段的应急管理和灾后风险评估,对车站施工突发事件的识别控制研究甚少。本文以此作为选题,旨在从源头上识别并控制突发事件的发生,为地铁车站施工风险管理提供有效参考。首先,本文通过相似案例调查和RBS风险分析,确定突发塌陷、突发涌水涌砂、突发火灾、突发爆炸、突发燃气泄漏、突发汛灾六类在地铁车站施工中发生频数最多、风险程度最大的突发事件作为控制重点,构建地铁车站施工突发事件案例数据库。在案例库历史数据基础上,采用德尔菲法与因子分析法确定地铁车站施工突发事件主要影响因子,构建非线性风险等级预测模型,在大样本历史数据下,选用BP神经网络法;小样本历史数据下,选用FCM法与方向性切比雪夫距离法分别预测地铁车站施工突发事件风险等级。其次,以海恩法则为理论基础,结合P地铁车站施工流程与施工技术,建立地铁车站施工突发事件海恩法则控制、PDCA、原因对策库、苗头征兆库、预警响应等智能控制体系,将施工突发事件风险控制达到事前、事中严格防范,消灭事故萌芽,事后预案响应的控制目标。最后,选用Java语言、IDEA开发工具、My SQL数据库,以瀑布模型、SSM框架、bootstrap框架为技术指导,设计开发地铁车站施工突发事件风险智能计算机控制系统。
基于流式数据的智能推荐系统研究
这是一篇关于流式数据,Spark,ALS,FCM,并行化,推荐系统的论文, 主要内容为随着信息科学技术的发展,数据呈爆发式增长,在海量数据中快速精准的挖掘所需信息已成研究热点,推荐系统由此应运而生,大数据环境下的信息挖掘已成研究热点。现有推荐往往都是离线计算,定期更新推荐结果,实时性不够,且推荐系统普遍存在冷启动与数据稀疏性问题,在信息为王的时代,如何快速、精准的响应用户需求亟待解决,传统的单机模式需要耗费大量时间进行推荐算法的迭代计算,难以满足当今的业务需求。通过对现有大数据处理框架的对比,采用Spark大数据计算处理引擎,借助其基于内存计算的优势,提高推荐系统的性能。本文主要研究Spark平台下基于流式数据的组合推荐算法,并以图书推荐为例进行流式实现。主要包括以下两个方面:(1)流式数据下推荐算法并行化研究。在推荐算法与分布式计算相关理论研究的基础上,对模糊C均值(Fuzzy C-Means,FCM)聚类算法和交替最小二乘法(Alternating Least Squares,ALS)进行分析并基于Spark框架进行并行化设计。(2)流式数据下推荐算法并行化实现。为解决传统推荐算法的数据稀疏和冷启动问题,我们将ALS算法与FCM算法相组合,设计实现并行化组合推荐算法AAF(ALS AND FCM),针对新用户,把属性相近的用户聚集在一起,根据聚类簇中已有的推荐关系对新用户进行推荐,而老用户则在聚类簇中通过ALS算法对用户评分缺失项进行填充,随后计算评分矩阵获得Top-N推荐。首先是对数据预处理,通过T-C模型将借阅时间与借阅次数转换为用户-图书评分,接着构建用户-图书评分矩阵,实现组合推荐算法AAF,最后对系统进行性能优化。实验结果验证了AAF算法在Spark集群环境下推荐结果优于单一推荐模式,算法的相关指标与单机环境基本一致,精度损失问题并不明显,随着数据量的增加,算法融合后的运行时间大大缩短,计算效率显著提升,满足实时推荐的性能要求。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/53168.html
