基于物流数据的流预测算法研究与实现-物流工程专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得 的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包 含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的 任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 随着互联网的快速发展，大数据和互联网、物联网、车联网等相互交融，这也影响着物 流行业的发展。物流企业产生的物流大数据范围较广，其中物流交通大数据是重要组成部分。 交通大数据的有效处理为物流公司基于时间、成本、路线等车辆调度的应用服务提供了可靠 的理论依据和技术支持。实时准确的交通大数据流预测是实现数据有效处理的前提和基础， 这也给交通大数据的预测带来了新的问题，值得深入研究。 时间序列模型仅需历史时间序列即可对交通流进行有效预测。因此，本文首先分析交通 流数据的特征并进行 LMD(Local Mean Decomposition)分解，并证明了分解后的流量序列具有 短 相 关 特 征 ， 提 出 了 一 种 基 于 LMD 和 GARCH(Generalized AutoRegressive Conditional Heteroskedasticity)交通流量时间序列预测算法，预测精度显著高于传统的时间序列模型。但 是，时间序列模型只能实现离线预测，为了适用于流数据的预测，本文又提出了一种基于 SKmeans 和 SGD 的 RBFNN 在线预测算法。该算法主要对 RBF 神经网络进行改进，首先对 训练数据进行在线聚类，然后通过改进的 SGD 算法来训练参数，实验结果表明，该算法的预 测精度和训练效率明显高于最近邻聚类在线训练算法，并对交通流量实现了有效的在线预测。 随着训练样本的不断增大，虽然 RBF 改进算法可以实现在线预测，但是时间和空间复杂 度急剧增加，不能满足实际的应用需求。因此，本文将采用 Storm 实时流处理平台，将基于 SKmeans 和 SGD 的 RBFNN 在线预测算法在 Storm 平台上进行实现。为了实现有效的预测， 对该算法并行化实现进行了设计，然后结合垂直并行化和水平化给出了该算法总体实现。最 后搭建 Storm 集群环境，通过实验表明，交通大数据的预测中，集群模式相比于单机模式具 有更快的训练速度，加速效果明显。 关键词：大数据，流计算，物流数据，预测算法，Storm, RBFNN, GARCH I Abstract With the rapid development of the Internet, Big data and Internet、Internet of things、Internet of Vehicles interacts with each other, it also affects the development of logistics industry. Logistics enterprises produce a wide range of logistics data, and which is important. Effectively dealing with traffic big data will provide a reliable theoretical basis and technical support. Real-time and accurate traffic prediction is the premise and foundation of the effective data processing, it also brings new problems to the prediction of traffic data, and it is worth further research. For the time series model, only the historical time series can be