智能交通系統(tǒng)作為未來交通系統(tǒng)的發(fā)展方向,近年來獲得了快速深入發(fā)展,并已具備大數(shù)據(jù)特征。而大數(shù)據(jù)環(huán)境下的海量多源異構(gòu)且實時性強的數(shù)據(jù),增加了數(shù)據(jù)挖掘的復雜度和難度。特征提取和流量預測是目前該領(lǐng)域中廣泛應用的兩類數(shù)據(jù)挖掘方法。其中,特征提取方法又涵蓋了關(guān)聯(lián)特征與事件特征兩種使用頻繁的代表性提取算法。隨著智能交通數(shù)據(jù)環(huán)境的不斷演變,關(guān)聯(lián)特征提取、事件特征提取和交通流量預測的傳統(tǒng)模型與算法逐漸表現(xiàn)出準確率下降、性能緩慢、效率低下等問題,成為目前各類高可靠性、高效率、高精度系統(tǒng)應用的瓶頸所在。因此,研究如何優(yōu)化改進這三種算法以適應時代的發(fā)展和滿足更高標準的數(shù)據(jù)需求具有非常重要的現(xiàn)實意義。本論文旨在基于交通關(guān)聯(lián)特征提取、事件特征提取和流量預測的現(xiàn)有算法基礎(chǔ)上,進一步研究大數(shù)據(jù)挖掘并行化和特征選擇的特點,提煉機器學習應用于交通數(shù)據(jù)的特有特性,分析現(xiàn)有工作的不足,通過與相關(guān)的實驗進行有機結(jié)合,提出三種新的優(yōu)化算法,改進算法的準確度和效率,提高算法在智能交通系統(tǒng)中的應用效果。論文的主要研究內(nèi)容如下:(1)面向交通領(lǐng)域的關(guān)聯(lián)特征提取算法的核心是進行關(guān)聯(lián)規(guī)則挖掘。但該挖掘算法的每次迭代計算過程中的大量磁盤I/...

【文章頁數(shù)】：134 頁

【學位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
        1.1.1 關(guān)聯(lián)特征提取算法向分布式并行化發(fā)展
        1.1.2 結(jié)合粗糙集理論與神經(jīng)網(wǎng)絡進行特征提取
        1.1.3 深度學習在交通流量預測中的應用
    1.2 國內(nèi)外研究現(xiàn)狀與相關(guān)工作
        1.2.1 基于并行計算的關(guān)聯(lián)特征提取方法
        1.2.2 基于粗糙神經(jīng)網(wǎng)絡的特征提取方法
        1.2.3 基于深度學習的交通流量預測方法
        1.2.4 相關(guān)研究工作總結(jié)
    1.3 研究目的和研究內(nèi)容
    1.4 論文結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 特征提取方法與深度預測模型簡介
    2.1 關(guān)聯(lián)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、粗糙集與機器學習方法
        2.2.1 模糊集與粗糙集
        2.2.2 模糊粗糙集模型
        2.2.3 模糊粗糙集與機器學習
    2.3 基于深度學習的預測模型
        2.3.1 堆疊自動編碼機
        2.3.2 深度置信網(wǎng)絡
        2.3.3 卷積神經(jīng)網(wǎng)絡
        2.3.4 遞歸神經(jīng)網(wǎng)絡
    2.4 本章小結(jié)
第三章 基于分布式并行計算與自適應策略的交通關(guān)聯(lián)特征提取優(yōu)化算法
    3.1 引言
    3.2 關(guān)聯(lián)規(guī)則提取與MAPREDUCE
    3.3 基于SPARK的自適應分布式關(guān)聯(lián)規(guī)則挖掘優(yōu)化算法
        3.3.1 算法階段I—生成頻繁單項
        3.3.2 算法階段II—頻繁項集生成
    3.4 實驗與分析
        3.4.1 實驗設置
        3.4.2 算法擴展性實驗結(jié)果與分析
        3.4.3 算法性能實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于模糊粗糙神經(jīng)網(wǎng)絡的交通事件特征提取優(yōu)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與近似
    4.3 改進的模糊粗糙集:�；�與近似
        4.3.1 使用模糊集定義決策類
        4.3.2 下近似與上近似邊界
    4.4 基于模糊粗糙粒度的神經(jīng)網(wǎng)絡生成方法
        4.4.1 數(shù)據(jù)歸一化
        4.4.2 基于α-切割的粒化結(jié)構(gòu)構(gòu)建
        4.4.3 確定�；�神經(jīng)網(wǎng)絡的輸入向量和目標值
        4.4.4 基于模糊粗糙集的粒度神經(jīng)網(wǎng)絡的構(gòu)建和訓練算法
    4.5 實驗與分析
        4.5.1 實驗過程
        4.5.2 top-k特征對分類精度的影響
        4.5.3 不同特征選擇方法下的分類實驗結(jié)果
        4.5.4 特征選擇方法評估
    4.6 本章小結(jié)
第五章 基于多層神經(jīng)網(wǎng)絡架構(gòu)和多任務學習的交通流量預測優(yōu)化算法
    5.1 引言
    5.2 多層神經(jīng)網(wǎng)絡架構(gòu)與交通流量預測方法
        5.2.1 交通流量預測
        5.2.2 DBN
        5.2.3 DBN-DNN
        5.2.4 回聲狀態(tài)網(wǎng)絡
    5.3 基于多任務學習深度置信回聲狀態(tài)網(wǎng)絡的交通流量預測方法
        5.3.1 基于深度置信回聲狀態(tài)網(wǎng)絡的交通流量預測架構(gòu)
        5.3.2 底部DBN獨立學習
        5.3.3 回歸層局部權(quán)重調(diào)整
        5.3.4 遺傳算法優(yōu)化ESN
        5.3.5 多任務學習機制融入
        5.3.6 多任務分組策略
    5.4 實驗與分析
        5.4.1 實驗設置
        5.4.2 多層神經(jīng)網(wǎng)絡結(jié)構(gòu)選擇實驗
        5.4.3 多層網(wǎng)絡預測模型實驗結(jié)果分析
        5.4.4 多任務學習實驗結(jié)果分析
    5.5 本章小結(jié)
結(jié)論與展望
參考文獻
攻讀博士學位期間取得的研究成果
致謝
附件



本文編號：4054868