基于數(shù)據(jù)挖掘技術的交通流量分析

黃柏然

廣西博聯(lián)信息通信技術有限責任公司

基于數(shù)據(jù)挖掘技術的交通流量分析

黃柏然

廣西博聯(lián)信息通信技術有限責任公司

交通流量預測是研究智能交通系統(tǒng)的重要課題，通過交通流量預測方法對相關數(shù)據(jù)進行建模，預測未來交通流量，進一步更好地制定忙時交通分流預案，配備合適的運營資源。本文闡述了數(shù)據(jù)挖掘技術的主要方法以及交通流量預測與BP神經(jīng)網(wǎng)絡模型預測的主要步驟，對基于數(shù)據(jù)挖掘技術的交通流量進行了探討分析。

數(shù)據(jù)挖掘技術；交通流量預測；BP神經(jīng)網(wǎng)絡模型；Matlab軟件

隨著城市建設的不斷推進，促進了交通運輸?shù)陌l(fā)展，同時交通擁堵和事故、環(huán)境污染以及能源消耗問題越來越嚴重。為了保障交通運輸?shù)慕】蛋l(fā)展，必須加強交通流量預測的分析。

一、數(shù)據(jù)挖掘技術的主要方法

數(shù)據(jù)挖掘技術的主要方法：（1）聚類分析法。聚類分析是通過將數(shù)據(jù)對象進行聚類分組，然后形成板塊，將毫無邏輯的數(shù)據(jù)變成了有聯(lián)系性的分組數(shù)據(jù)，然后從其中獲取具有一定價值的數(shù)據(jù)內容進行進一步的利用。由于這種分析方法不能夠較好的就數(shù)據(jù)類別、屬性進行分類，所以聚類分析法一般都運用在心理學、統(tǒng)計學、數(shù)據(jù)識別等方面。（2）人工神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡是通過大批量的數(shù)據(jù)進行分析，而這種數(shù)據(jù)分析方式本身是建立在一定的數(shù)據(jù)模型基礎上的，因此通常都可以隨時根據(jù)數(shù)據(jù)需求進行分類，所以人工神經(jīng)網(wǎng)絡也是當下數(shù)據(jù)挖掘技術中最常用的一種數(shù)據(jù)分析方式之一。（3）關聯(lián)性分析法。有時數(shù)據(jù)本身存在一定的隱蔽性使得很難通過普通的數(shù)據(jù)分析法進行數(shù)據(jù)挖掘和利用，這就需要通過關聯(lián)性分析法完成對于數(shù)據(jù)信息的關聯(lián)性識別，來幫助人力完成對于數(shù)據(jù)分辨的任務，這種數(shù)據(jù)分析方法通常是帶著某種目的性進行的，因此比較適用于對數(shù)據(jù)精準度相對較高的信息管理工作。（4）特征性數(shù)據(jù)分析法。網(wǎng)絡數(shù)據(jù)隨著信息時代的到來變成了數(shù)據(jù)爆炸式，其數(shù)據(jù)資源十分廣泛并且得到了一定的普及，如何就網(wǎng)絡爆炸式數(shù)據(jù)進行關于特性的分類就成為了當下數(shù)據(jù)整理分類的主要內容。在上文中提到的人工神經(jīng)網(wǎng)絡數(shù)據(jù)分析也屬于這其中的一種，此外還有很多方法都是通過計算機來進行虛擬數(shù)據(jù)的分類，尋找數(shù)據(jù)之間存在的普遍規(guī)律性完成數(shù)據(jù)的特性分析從而進行進一步分類。

二、交通流量預測與BP神經(jīng)網(wǎng)絡模型預測的主要步驟

1、交通流量預測的分析?，F(xiàn)有短時交通流量預測方法大致可以分為：第一、以數(shù)理統(tǒng)計和微積分等傳統(tǒng)數(shù)學和物理方法為基礎的，其主要包括早期的歷史平均模型，自回歸滑動平均模型（ARMA），以及后來研究的更復雜、更精度的多元回歸模型，Kalman濾波模型，ARIMA模型等；第二、無數(shù)學模型的預測方法，其需要自己建立新的算法來實現(xiàn)，主要方法有非參數(shù)回歸，譜分析法，基于小波理論的方法，神經(jīng)網(wǎng)絡等。

2、BP神經(jīng)網(wǎng)絡模型預測的主要步驟。BP神經(jīng)網(wǎng)絡模型把一組樣本的I/O的輸入輸出問題轉化一個非線性優(yōu)化的問題，其實際是優(yōu)化中梯度下降法。假如把這種神經(jīng)網(wǎng)絡的看作是從輸入層到輸出層的映射，則這個映射是一個高度非線性得關系。

首先是要對訓練樣本進行選取和預處理，結合研究狀況以及目標，選取合適的訓練樣本和檢驗樣本，由于BP神經(jīng)網(wǎng)絡各層轉換函數(shù)以及學習規(guī)則是不同的，所以在輸入樣本之前要對輸入的樣本作預處理；然后再去確定建造BP網(wǎng)絡的結構，這包括變量的選取，隱層和隱層節(jié)點數(shù)的選取等問題；把輸入樣本輸入到BP神經(jīng)網(wǎng)絡模型中，再進行仿真訓練；而后預測出該網(wǎng)絡的輸出值，再拿該期望值與實際輸出進行比較，根據(jù)誤差去反復的修改誤差，從而改變權值以及閾值，直到誤差一個可接受的范圍，完了再用檢驗樣本進行對比，判斷結果；然后對結果進行比較分析，最后認可該網(wǎng)絡模型的算法，就可以對未來交通流量進行精確地預測。

三、基于數(shù)據(jù)挖掘技術的交通流量分析

BP神經(jīng)網(wǎng)絡的設計：首先是對模型的建立、數(shù)據(jù)采集并且預處理，然后對輸入到模型特征向量的數(shù)據(jù)進行預測、通過預測的數(shù)值去判斷是否符合實際數(shù)值等。該模型網(wǎng)絡的建立是整個系統(tǒng)是否成功的關鍵，并且只要選擇的數(shù)據(jù)完備、可靠、準確，才有可能得到符合預測的網(wǎng)絡模型。數(shù)據(jù)的采取需要有實時的數(shù)據(jù)采集系統(tǒng)。事實上預處理的過程要求根據(jù)數(shù)據(jù)的實際情況進行預處理，本文研究的交通流量數(shù)據(jù)都是來自交通監(jiān)控部門，故具有完備的、一致的，因此要首先要對其進行數(shù)據(jù)變換。對于系統(tǒng)的輸出數(shù)值是否滿足實際數(shù)值，只要將其所得到的預測值和數(shù)學期望值進行比較，所得的數(shù)值滿足在數(shù)學期望值的附近且其誤差值小于預先設定的誤差值時，就可以認為該系統(tǒng)可以成功預測交通流量，可以先把它記下來；反之，認為將得不到合適的數(shù)值，需要不斷的改變權值。

對輸入到網(wǎng)絡模型特征向量數(shù)據(jù)進行預測：首先建立合適的網(wǎng)絡模型，將對應的交通流量的特征向量數(shù)據(jù)預處理后，輸入到網(wǎng)絡進行訓練，仿真訓練結束后，用檢驗樣本的特征向量進行檢驗，然后用最后一組數(shù)據(jù)對該模型測試，分析其模型的實際是否有效，判斷其是否是符合實際交通流量預測的模型。只要特征向量的數(shù)值的選擇較為合適，就有可能建立起較為合適的模型，可以用此來對交通流量進行預測。所以BP神經(jīng)網(wǎng)絡應用于交通流量的預測中是可行的。

應用BP神經(jīng)網(wǎng)絡的交通流量預測模型建立可以知道，在應用BP神經(jīng)網(wǎng)絡解決現(xiàn)實存在的問題中，網(wǎng)絡結構參數(shù)的確定，訓練算法和參數(shù)的選取，只能通過大量的科學實驗，最后通過計算獲得，這占用了大量編程人員的大量時間和精力，然而Matlab軟件提供了這些便捷，其提供了現(xiàn)成的神經(jīng)網(wǎng)絡工具箱，即是它擁有這方面大量地函數(shù)庫。Matlab軟件的神經(jīng)網(wǎng)絡工具箱應該是囊括了現(xiàn)在所有的網(wǎng)絡模型，例如：徑向基函數(shù)網(wǎng)絡，BP網(wǎng)絡，線性網(wǎng)絡，感知器等等網(wǎng)絡模型。對于這些模型，Matlab軟件中的庫函數(shù)提供了大量地算法模型。

結束語

城市化建設進程的加快，使得交通運輸問題日趨增多；而交通流量的預測可以對現(xiàn)有的交通設施進行合理利用，有效緩解交通擁堵現(xiàn)象，降低交通事故發(fā)生率，從而保障交通運輸?shù)氖孢m安全。

［1］陳建偉，李麗坤.數(shù)據(jù)挖掘技術研究［J］.數(shù)字技術與應用，2016（01）

［2］段冰.基于DE-BP神經(jīng)網(wǎng)絡模型的旅游客源預測［J］.價值工程，2010（34）

［3］高海峰.智能交通系統(tǒng)中數(shù)據(jù)挖掘技術的應用研究［J］.數(shù)字技術與應用，2016（05）