原文传递
城市道路短时车流量预测模型研究
| 论文题名： | 城市道路短时车流量预测模型研究 |
| 关键词： | 城市道路交通;短时车流量;预测模型;支持向量机;随机森林;深度神经网络 |
| 摘要： | 短时车流量预测作为城市道路交通诱导决策的重要支持，在智能交通系统中具有关键性的基础作用。短时车流量的变化受多种因素的影响，因而采用传统建模方式不仅较为繁琐，且已建立好的模型不易移植。机器学习方法可利用历史车流量数据集训练模型，使其自动发现数据中的变化规律，从而预测未来短时间内的车流量。 本文分别基于支持向量机(SVM)、随机森林和深度神经网络(DNN)，对短时车流量的预测模型进行了研究，主要工作内容和研究成果如下: (1)根据影响车流量变化的因素，提取特征变量，构造模型的训练集。依据数据完整性分布，采用一种折衷的数据清洗方法，即丢弃低于90％观测率的车流量数据。 (2)基于SVM模型对车流量进行预测，并针对SVR的超参调节问题提出一种改进的随机搜索算法，提高了超参调节效率，降低了模型使用的复杂度，同时也达到较高的预测水平。 (3)使用随机森林模型对车流量进行预测，对于模型的调节，分别进行了默认超参和超参寻优实验，论证了随机森林在车流量预测中具有易用性，参数易调性，且预测准确度较高，运行耗时少。之后，基于随机森林对特征变量的重要性评估，提出一种动态选择特征变量的车流量预测方法，使得模型的效率和适应性得到提升。 (4)探讨了DNN在车流量预测中的应用，利用车流量数据集，通过两种形式的layer-wise算法分别训练DNN，以及直接训练包含ReLU的DNN，并在其中得到了本文最好的预测结果。 |
| 作者： | 程政 |
| 专业： | 电路与系统 |
| 导师： | 陈贤富 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国科学技术大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
