1、隨著交通系統(tǒng)復(fù)雜性程度日益提高，盡管相關(guān)部門在各種交通設(shè)施建設(shè)方面投入了大量的資金和資源，但其仍然不能滿足人們的出行要求。面對(duì)如此復(fù)雜的交通系統(tǒng)，為了提高智能交通系統(tǒng)的搜索效率，縮減其搜索范圍，在更短的時(shí)間內(nèi)反饋路網(wǎng)信息，縮短用戶在出行過程中“無(wú)謂的等待時(shí)間”，對(duì)短時(shí)交通流預(yù)測(cè)和路徑誘導(dǎo)算法的研究是很有必要的。然而要解決上述問題，最重要的是提高短時(shí)交通流預(yù)測(cè)以及路徑誘導(dǎo)算法的效率。從短時(shí)交通流預(yù)測(cè)算法、路徑誘導(dǎo)算法的角度來(lái)看，交通管理的

2、成效，和預(yù)測(cè)、誘導(dǎo)精度以及算法效率直接相關(guān)。但是，一般來(lái)說，精度和效率之間呈負(fù)相關(guān)關(guān)系，算法的精度越高，代表其邏輯太過復(fù)雜，或者是計(jì)算工作量大，因此計(jì)算耗時(shí)更長(zhǎng)，效率更低，嚴(yán)重時(shí)徹底失去實(shí)用性。
　　在短時(shí)交通流預(yù)測(cè)方面，論文中對(duì)常用短時(shí)交通流預(yù)測(cè)算法進(jìn)行了分析對(duì)比，并指出各種算法的優(yōu)缺點(diǎn)及使用范圍，因BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的數(shù)學(xué)模型具有十分嚴(yán)謹(jǐn)?shù)奶攸c(diǎn)，同時(shí)具有自主學(xué)習(xí)能力、良好的容錯(cuò)能力以及良好的泛化性，所以選取BP神經(jīng)網(wǎng)絡(luò)算法對(duì)

3、短時(shí)交通流進(jìn)行預(yù)測(cè)研究。但是BP神經(jīng)網(wǎng)絡(luò)算法因采用靜態(tài)梯度下降法來(lái)優(yōu)化網(wǎng)絡(luò)權(quán)值和閡值，使其BP神經(jīng)網(wǎng)絡(luò)算法存在一定的局限性，如穩(wěn)定較差，收斂速率緩慢，容易達(dá)到局部極小值等缺陷。
　　為了克服上述缺陷，論文在短時(shí)交通流預(yù)測(cè)中采用改進(jìn)后的遺傳算法來(lái)優(yōu)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。遺傳算法作為一種全局范圍的搜索算法，通過模擬遺傳過程中遺傳因子復(fù)制、交叉和變異的特性，對(duì)個(gè)體不斷進(jìn)行擇優(yōu)，將最終得到的最優(yōu)解作為神經(jīng)網(wǎng)絡(luò)算法的初始值。但是交通流數(shù)據(jù)的

4、復(fù)雜多樣性使得遺傳算法在搜索的過程中可能存在最優(yōu)解丟失的情況，從而導(dǎo)致算法過早收斂，反而降低了短時(shí)交通流預(yù)測(cè)的準(zhǔn)確性。為了克服以上缺陷，在遺傳算法中引入跟短時(shí)交通流運(yùn)動(dòng)極其匹配的混沌現(xiàn)象，組成混沌遺傳算法(CGA)。其核心思想主要是在待優(yōu)化變量中引入混沌狀態(tài)，并把混沌運(yùn)動(dòng)的遍歷范圍“擴(kuò)展”至待優(yōu)化變量的取值范圍中，進(jìn)行全局細(xì)化搜索，這樣就能避免過早陷入局部最優(yōu)解，最終通過不斷優(yōu)化得到最優(yōu)解。然后用得到的最優(yōu)解初始化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值

5、和閾值，從而提高對(duì)短時(shí)交通流預(yù)測(cè)的實(shí)效性和準(zhǔn)確度。論文并驗(yàn)證了改進(jìn)后的算法其性能比之前有明顯提高。
　　在路徑誘導(dǎo)方面，論文中也是對(duì)常用路徑誘導(dǎo)算法進(jìn)行了研究對(duì)比，并分析出各自算法的優(yōu)缺點(diǎn)和使用范圍，由于蟻群算法具有智能化搜索，能夠達(dá)到全局優(yōu)化的目的，在魯棒性、自組織性、并行性方面表現(xiàn)十分突出，并且適合復(fù)雜的非線性交通系統(tǒng)中，所以采用蟻群算法對(duì)路徑誘導(dǎo)進(jìn)行研究。當(dāng)然，任何算法都會(huì)有自身的局限性和不足，論文針對(duì)蟻群算法上存在的缺陷分

6、別對(duì)蟻群算法的狀態(tài)轉(zhuǎn)移規(guī)則和信息素更新規(guī)則進(jìn)行了改進(jìn)。從而減少出行用戶對(duì)無(wú)效路徑的搜索，并且能從綜合因素中選擇最優(yōu)路徑。
　　在本課題的研究中，在滿足短時(shí)交通流預(yù)測(cè)和路徑誘導(dǎo)算法實(shí)用性要求的前提下，充分發(fā)揮云計(jì)算平臺(tái)在數(shù)據(jù)保存和并行處理方面的優(yōu)勢(shì)作用，結(jié)合Hadoop平臺(tái)，對(duì)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)算法和蟻群算法進(jìn)行了MapReduce的設(shè)計(jì)和實(shí)現(xiàn)，成功地設(shè)計(jì)出新的短時(shí)交通流預(yù)測(cè)以及路徑誘導(dǎo)方法，在預(yù)測(cè)、誘導(dǎo)的精度和效率之間找到良好的