Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей

Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей

Автор: Агафонов Антон Александрович, Юмаганов Александр Сергеевич, Мясников Владислав Валерьевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Численные методы и анализ данных

Статья в выпуске: 6 т.42, 2018 года.

Бесплатный доступ

Точная и своевременная информация о текущем и прогнозном распределении транспортных потоков является важным фактором функционирования интеллектуальных транспортных систем. Использование этих данных позволит транспортным агентствам эффективнее решать задачу управления трафиком, участникам дорожного движения точнее планировать маршрут поездки и снизить время движения, и в целом повысит эффективность использования транспортной инфраструктуры. В данной статье представлена модель краткосрочного прогнозирования трафика, основанная на методе k ближайших соседей, которая учитывает пространственное и временное распределение транспортных потоков. Разработанная модель реализована с помощью фреймворка Apache Spark на основе модели распределённых вычислений MapReduce. Экспериментальные исследования представленной модели по данным о распределении транспортных потоков в транспортной сети города Самары позволяет сделать вывод, что предлагаемая модель обладает высокой точностью прогнозирования и временем работы, достаточным для прогнозирования в режиме реального времени.

Еще

Транспортный поток, краткосрочное прогнозирование, k ближайших соседей

Короткий адрес: https://sciup.org/140238483

IDR: 140238483   |   DOI: 10.18287/2412-6179-2018-42-6-1101-1111

Список литературы Анализ больших данных в геоинформационной задаче краткосрочного прогнозирования параметров транспортного потока на базе метода k ближайших соседей

  • Lana, I. Road traffic forecasting: Recent advances and new challenges/I. Lana, J. Del Ser, M. Velez, E. Vlahogianni//IEEE Intelligent Transportation Systems Magazine. -2018. -Vol. 10, Issue 2. -P. 93-109. - DOI: 10.1109/MITS.2018.2806634
  • Smith, B.L. Comparison of parametric and nonparametric models for traffic flow forecasting/B.L. Smith, B.M. Williams, R.K. Oswald//Transportation Research Part C: Emerging Technologies. -2002. -Vol. 10, Issue 4. -P. 303-321. - DOI: 10.1016/S0968-090X(02)00009-8
  • Smith, B.L. Traffic flow forecasting: comparison of modeling approaches/B.L. Smith, M.J. Demetsky//Journal of Transportation Engineering -1997. -Vol. 123, Issue 4. -P. 261-266. - ) DOI: 10.1061/(ASCE)0733-947X(1997)123:4(261
  • Xia, D. A distributed spatial-temporal weighted model on MapReduce for short-term traffic flow forecasting/D. Xia, B. Wang, H. Li, Y. Li, Z. Zhang//Neurocomputing. -2016. -Vol. 179. -P. 246-263. - DOI: 10.1016/j.neucom.2015.12.013
  • Lv, Y. Traffic flow prediction with big data: a deep learning approach/Y. Lv, Y. Duan, W. Kang, Z. Li, F.-Y. Wang//IEEE Transactions on Intelligent Transportation Systems -2015. -Vol. 16, Issue 2. -P. 865-873. - DOI: 10.1109/TITS.2014.2345663
  • Vlahogianni, E. Short-term traffic forecasting: Overview of objectives and methods/E. Vlahogianni, J. Golias, M. Karlaftis//Transport Reviews. -2004. -Vol. 24, Issue 5. -P. 533-557. - DOI: 10.1080/0144164042000195072
  • Vlahogianni, E. Short-term traffic forecasting: Where we are and where we’re going/E. Vlahogianni, M. Karlaftis, J. Golias//Transportation Research Part C: Emerging Technologies. -2014. -Vol. 43, Issue 1. -P. 3-19. - DOI: 10.1016/j.trc.2014.01.005
  • Karlaftis, M.G. Statistical methods versus neural networks in transportation research: Differences, similarities and some insights/M.G. Karlaftis, E.I. Vlahogianni//Transportation Research Part C: Emerging Technologies. -2011. -Vol. 19, Issue 3. -P. 387-389. - DOI: 10.1016/j.trc.2010.10.004
  • Shekhar, S. Adaptive seasonal time series models for forecasting short-term traffic flow/S. Shekhar, B.M. Williams//Transportation Research Record. -2007. -Vol. 2024, Issue 1. -P. 116-125. - DOI: 10.3141/2024-14
  • Chandra, S.R. Predictions of freeway traffic speeds and volumes using vector autoregressive models/S.R. Chandra, H. Al-Deek//Journal of Intelligent Transportation Systems: Technology, Planning, and Operations. -2009. -Vol. 13, Issue 2. -P. 53-72. - DOI: 10.1080/15472450902858368
  • Guo, J. Real-time short-term traffic speed level forecasting and uncertainty quantification using layered Kalman filters/J. Guo, B.M. Williams//Transportation Research Record. -2010. -Vol. 2175, Issue 1. -P. 28-37. - DOI: 10.3141/2175-04
  • Wang, Y. Real-time freeway traffic state estimation based on extended Kalman filter: a general approach/Y. Wang, M. Papageorgiou//Transportation Research Part B: Methodological. -2005. -Vol. 39, Issue 2. -P. 141-167. - DOI: 10.1016/j.trb.2004.03.003
  • Fusco, G. Short-term traffic predictions on large urban traffic networks: Applications of network-based machine learning models and dynamic traffic assignment models/G. Fusco, C. Colombaroni, L. Comelli, N. Isaenko//Proceeding of the Fourth IEEE International Conference on Models and Technologies for Intelligent Transportation Systems (MT-ITS). -2015. -P. 93-101. - DOI: 10.1109/MTITS.2015.7223242
  • Yin, H. Urban traffic flow prediction using a fuzzy-neural approach/H. Yin, S. Wong, J. Xu, C. Wong//Transportation Research Part C: Emerging Technologies. -2002. -Vol. 10, Issue 2. -P. 85-98. - DOI: 10.1016/S0968-090X(01)00004-3
  • Lana, I. Joint feature selection and parameter tuning for short-term traffic flow forecasting based on heuristically optimized multi-layer neural networks/I. Lana, J. Del Ser, M. Velez, I. Oregi//Advances in Intelligent Systems and Computing. -2017. -Vol. 514. -P. 91-100. - DOI: 10.1007/978-981-10-3728-3_10
  • Zheng, Z. Short-term traffic volume forecasting: a k-nearest neighbor approach enhanced by constrained linearly sewing principle component algorithm/Z. Zheng, D. Su//Transportation Research Part C: Emerging Technologies. -2014. -Vol. 43, Issue 1. -P. 143-157. - DOI: 10.1016/j.trc.2014.02.009
  • Cai, P. A spatiotemporal correlative K-nearest neighbor model for short-term traffic multistep forecasting/P. Cai, Y. Wang, G. Lu, P. Chen, C. Ding, J. Sun//Transportation Research Part C: Emerging Technologies. -2016. -Vol. 62. -P. 21-34. - DOI: 10.1016/j.trc.2015.11.002
  • Wu, C.-H. Travel-time prediction with support vector regression/C.-H. Wu, J.-M. Ho, D.T. Lee//IEEE Transactions on Intelligent Transportation Systems. -2004. -Vol. 5, Issue 4. -P. 276-281. - DOI: 10.1109/TITS.2004.837813
  • Su, H. Short-term traffic flow prediction based on incremental support vector regression/H. Su, L. Zhang, S. Yu//Third International Conference on Natural Computation. -2007. -Vol. 1. -P. 640-645. - DOI: 10.1109/ICNC.2007.661
  • Fei, X. Bayesian dynamic linear model approach for real-time short-term freeway travel time prediction/X. Fei, C.-C. Lu, K.A. Liu//Transportation Research Part C: Emerging Technologies. -2011. -Vol. 19, Issue 6. -P. 1306-1318. - DOI: 10.1016/j.trc.2010.10.005
  • Zhu, Z. Short-term traffic flow prediction with linear conditional Gaussian Bayesian network/Z. Zhu, B. Peng, C. Xiong, L. Zhang//Journal of Advanced Transportation. -2016. -Vol. 50, Issue 6. -P. 1-13. - DOI: 10.1002/atr.1392
  • Sun, S. The selective random subspace predictor for traffic flow forecasting/S. Sun, C. Zhang//IEEE Transactions on Intelligent Transportation Systems. -2007. -Vol. 8, Issue 2. -P. 367-373. - DOI: 10.1109/TITS.2006.888603
  • Агафонов, A.А. Оценка и прогнозирование параметров транспортных потоков с использованием композиции методов машинного обучения и моделей прогнозирования временных рядов/А.А. Агафонов, В.В. Мясников//Компьютерная оптика. -2014. -Т. 38, № 3. -С. 539-549. - DOI: 10.18287/0134-2452-2014-38-3-539-549
  • Zhang, N. Seasonal autoregressive integrated moving average and support vector machine models: prediction of short term traffic flow on freeways/N. Zhang, Y. Zhang, H. Lu//Transportation Research Record. -2011. -Vol. 2215, Issue 1. -P. 85-92. - DOI: 10.3141/2215-09
  • Moretti, F. Urban traffic flow forecasting through statistical and neural network bagging ensemble hybrid modeling/F. Moretti, S. Pizzuti, S. Panzieri, M. Annunziato//Neurocomputing. -2015. -Vol. 167, Issue C. -P. 3-7. - DOI: 10.1016/j.neucom.2014.08.100
  • Chrobok, R. Different methods of traffic forecast based on real data/R. Chrobok, O. Kaumann, J. Wahle, M. Schreckenberg//European Journal of Operational Research. -2004. -Vol. 155, Issue 3. -P. 558-568. - DOI: 10.1016/j.ejor.2003.08.005
  • Laña, I. Understanding daily mobility patterns in urban road networks using traffic flow analytics/I. Laña, J. Del Ser, I. Olabarrieta//Proceedings of the IEEE/IFIP Network Operations and Management Symposium. -2016. -P. 1157-1162. - DOI: 10.1109/NOMS.2016.7502980
  • Jain, A.K. Data clustering: 50 years beyond k-means/A.K. Jain//Pattern Recognition Letters. -2010. -Vol. 31, Issue 8. -P. 651-666. - DOI: 10.1016/j.patrec.2009.09.011
  • Han, J. Data mining: Concepts and techniques/J. Han, M. Kamber, J. Pei. -San Francisco: Morgan Kaufmann Publishers Inc., 2006. -770 p. -ISBN: 978-1-55860-901-3.
  • Myasnikov, E.V. Hyperspectral image segmentation using dimensionality reduction and classical segmentation approaches/E.V. Myasnikov//Computer Optics. -2017. -Vol. 41(4). -P. 564-572. - DOI: 10.18287/2412-6179-2017-41-4-564-572
  • Carmel, D. Enhancing cluster labeling using wikipedia/D. Carmel, H. Roitman, N. Zwerdling//Proceedings of the 32nd International ACM SIGIR Conference on Research and Development in Information Retrieval. -2009. -P. 139-146. - DOI: 10.1145/1571941.1571967
  • Ji, Y. On the spatial partitioning of urban transportation networks/Y. Ji, N. Geroliminis//Transportation Research Part B: Methodological. -2012. -Vol. 46, Issue 10. -P. 1639-1656. - DOI: 10.1016/j.trb.2012.08.005
  • Ding, C.H.Q. A min-max cut algorithm for graph partitioning and data clustering/C.H.Q. Ding, X. He, H. Zha, M. Gu, H.D. Simon//Proceedings of the 2001 IEEE International Conference on Data Mining. -2001. -P. 107-114. - DOI: 10.1109/ICDM.2001.989507
  • Apache SparkTM . -URL: https://spark.apache.org/(request date 28.08.2018).
  • Dean, J. MapReduce: simplified data processing on large clusters/J. Dean, S. Ghemawat//Communications of the ACM. -2008. -Vol. 51, Issue 1. -P. 107-113. - DOI: 10.1145/1327452.1327492
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp