论文部分内容阅读
交通流诱导是目前公认的提高交通效率和机动性的最佳途径,其目的是在交通网络中为出行者提供最佳旅行路径。传统的串行路径诱导虽然在包括几十个路口的路网中能够在可接受的时间范围内完成计算,但当路网规模扩大到几百、甚至上千个路口时,其路径诱导计算所消耗的时间会超出实际时间,这时路径诱导工具就失去了在线诱导的能力。而并行计算技术所提供的存储与计算资源为有效提高大规模路网中的交通流诱导速度及效率提供了可行途径。流量预测问题和路径优化问题一直是交通诱导系统中两个关键问题,因此本文重点讨论这两个问题的并行算法。本文首先分析了将并行计算技术应用于交通诱导领域的必要性,并介绍采用的并行计算硬件平台——深腾1800机群系统、软件平台——MPI和Charm++。接着,深入研究用于交通流预测的神经网络并行算法,提出一种基于碟形网络的数据并行神经网络算法,它有效地减少了通信时间,提高了训练速度。在MPI上通过大连市实际交通流数据来进行仿真实验,验证了该并行算法的有效性。此外,对于大规模路网,设计了并行交通流预测的模型(包含四个子模块:数据采集、预处理、训练和预测)。分别在MPI和Charm++上进行多路段的并行预测,实验结果表明Charm++能更好满足大规模路网的流量预测的实时性要求。最后,本文介绍了基于METIS网络分割的DIKB并行最短路径算法的实现,即先用METIS划分工具对交通网络进行分割为子网络,然后分配给各个处理器后采用改进的Dijkstra算法——DIKB算法进行最短路径的计算。采用模拟的交通数据,与传统的Dijkstra算法在MPI上进行实验对比研究,结果验证了该并行算法的优越性。将并行计算技术应用于交通流诱导系统是近来交通运输领域的研究热点之一,本文所提出的流量预测和路径优化的并行算法可以提高大规模交通网络的路径诱导速度和效率,同时设计的大规模路网的并行交通流预测的模型和实现方法对交通流诱导系统中实时在线预测的实现具有实际应用价值。