原文传递
基于机器学习技术的交通流预测模型研究与实现
| 论文题名： | 基于机器学习技术的交通流预测模型研究与实现 |
| 关键词： | 交通流预测;机器学习;支持向量机;数据挖掘;随机森林模型 |
| 摘要： | 经济的高速发展，城市化水平的不断提高，在改善人民生活质量的同时，也随之带来了严重的交通拥堵问题，如何利用城市的历史交通流量，对未来的交通状况进行快速而精准的预测，是智能交通领域一大重要的研究课题。传统的处理交通流预测问题的方法可以分为基于数学模型的方法（如卡尔曼滤波模型、时间序列模型等）和无数学模型的方法（如神经网络模型、非参数回归模型等）。 然而，传统的方法在应对变化日益复杂的交通流数据上，已经表现出了一定的局限性，这主要表现为:(1)在应对非线性问题上，许多算法存在局限性;(2)交通流的非平稳特性，大大影响着模型的预测精度;(3)大量样本所带来的对于效率的挑战。近年来，随着数据挖掘、机器学习等以数据为导向的技术的兴起，对于交通流预测的研究越来越多地与以上算法结合，这带来了预测精度的大大提升。 论文以美国加州交通局Pems数据集作为实验数据，首先，针对交通流的非平稳特性，提出基于DBSCAN算法与最优分割算法结合的双阶段有序聚类模型，实现了在缺少先验知识的条件下，以更小开销对有序样本的聚类，并在实验数据上证明了聚类结果的合理性;在有序聚类模型的基础上，提出基于时间分段的支持向量机模型，以拟合优度作为指标，证明了该模型能够达到理想的回归精度;论文还提出基于历史数据加权的交通流序列生成模型，该模型利用基于时间分段的支持向量机模型来进行参考值的生成，从而将生成的参考值与历史数据进行加权，并通过迭代上述过程，生成交通流序列，并在与真实序列的比较中，证明了该模型所生成序列的精度;最后，论文引入标签传播算法，将实验数据中的各个采样时刻点，根据其对应特征分为上升点、下降点、平稳点三类模式。在此分类结果的基础上，引入随机森林模型，以实时的交通流序列作为输入，识别其对应的交通变化模式。该模型在主要的性能指标上，都达到了理想的效果。 |
| 作者： | 樊汉勤 |
| 专业： | 信息安全 |
| 导师： | 唐小虎 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西南交通大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
