基于物流数据的流预测算法研究与实现

基于物流数据的流预测算法研究与实现

ID:35067584

大小:4.07 MB

页数:85页

时间:2019-03-17

基于物流数据的流预测算法研究与实现_第1页
基于物流数据的流预测算法研究与实现_第2页
基于物流数据的流预测算法研究与实现_第3页
基于物流数据的流预测算法研究与实现_第4页
基于物流数据的流预测算法研究与实现_第5页
资源描述:

《基于物流数据的流预测算法研究与实现》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、"--'.^:X-'(、\.;心L'、‘扛、''?‘V、x:,:vV_户'"■-单位代码<?;10293密级;\.\::.、■’^-巧巧拇:.戸;:;沪稱沪.;。皆讀'H':.八.I战请V;:韓其免'''這乂'寺.乾弁《少著考庄缘您硕女俗A.幹-:...顏少違總沁馬.易'乂-足,*.公<卢;:产h:,'■''心-.'::,论文题目;基于物流数据的流预测算法研究:与实现'V’六..学号V%.\1213073501姓名责永闯.:导师-式

2、;运:立季太,‘作产专业学位类别工掉硕±fc:类型.B制专业(领域)物流工程-V、论文提交日期2016.04*'■■'\:Vf'i'.。‘’’..’.,、T兴i.‘乂<4一―'.;1:‘L:r;.,,’.|■..、...w:;.ResearchandImplementationonFlowPredictionAlgorithmforLogisticsdataThesisSubmittedtoNanjingUniversityofPostsandTelecommunications

3、fortheDegreeofMasterofEngineeringByYonggeYuanSupervisor:Prof.JiyimuApril2016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W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一。与我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。一本人学位论文及涉及相关资料若有不实,切相关的法律责任愿意承担。

4、k。,才,研究生签名.令;古诚日期;>4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レッ保留并向国家有关部口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W将学位论文的全部或部分内容编入有关数据库进行检索;可心式采用影印、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。.i。Mf.I研巧生签名:导师签名日期;i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

5、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(LocalMeanDecomposition)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(GeneralizedAutoRegressiveConditionalHetero

6、skedasticity)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SKm

7、eans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,GARCHIAbstractWiththerapiddevelopmentoftheInternet,Big

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。