原文传递
基于多模型融合的短时交通流量预测
| 论文题名： | 基于多模型融合的短时交通流量预测 |
| 关键词： | 交通流量;预测模型;信息处理;融合模型 |
| 摘要： | 随着我国智能交通的发展，智能交通系统逐渐得到完善，交通数据的合理运用是大数据技术与智能交通飞速发展的应急之需。对短时交通流量数据进行合理预测，可以实现在短时间内提前预知交通状况。智能交通系统提前做出合理的调度管控，对智能交通的发展意义重大。 为了解决短时交通流量预测问题，本文提出一种基于多模型融合的短时交通流量预测方法。该方法是对交通流量数据进行特征构造后再对特征下采样，得到不同类别特征，分别构造出不同的预测模型，并将多模型进行融合预测，本文依据2017年天池平台交通挑战赛提供的交通流数据进行实验。本文首先对该交通数据进行了合理预处理，分别去除总体数据中偏差值过大的噪声数据、相对每条道路偏差值过大的噪声数据、节假日噪声数据。接着对缺失值进行了合理补全，最终将处理后数据分成训练集与预测集。然后根据处理好的数据，由道路数据特性的不同构造不同类型的特征，其中包括静态信息特征、基本时间信息特征、时间窗特征和短时上下游流量特征。最后对构造完成的四类特征，利用Xgboost(extreme gradient boosting tree)与LightGBM(Light Gradient Boosting Machine)两种算法模型分别构造出对应特征的模型，通过目标函数进行的评分裁定两算法的融合权重比，完成一次融合。再通过加入人为控制因子，对已经初步融合后的模型进行二次融合。将一次融合后的各模型，与控制因子相乘，形成新的融合模型后进行预测，不断迭代观察结果，最终寻找出最优的参数比例以及模型融合方式。 通过大量实验结果表明，本文提出的组合模型比传统单一模型的准确率更高。该模型融合方式MAPE(平均绝对百分比误差)得分最高可以突破至0.2602，说明组合模型具有较好的预测能力，可以实现对短时交通流量预测的精准预测和对不同城市交通做出指示性引导作用。 |
| 作者： | 刘振辉 |
| 专业： | 控制工程 |
| 导师： | 张梅 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽理工大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
