详情

原文传递短时交通流量预测分析

论文题名：	短时交通流量预测分析
关键词：	短时交通流;时变性特征;BP神经网络;lightGBM算法
摘要：	目前，世界各地都在不断增加对智能交通系统的投入，提前对该系统进行战略布局，借此为城市找到新的发展点和新的生机。交通信息系统为城市提供快捷的交通引导，能够为城市公众出行提供必要的技术支持，也是交通事故处理系统的一个重要分支。交通流量预测是解决交通信息系统的一个关键点，但是城市的交通都具有其自身特点，且交通流具有一定的复杂性，用代数表达式准确的来分析它的变化情况和规律非常困难。因此，对交通流预测的研究具有十分重要的实际意义。　　深入研究XGBoost及lightGBM原理，发现lightGBM对特征筛选具有较好的优势;目前lightGBM还未在短时交通流量预测研究中应用，其是否比XGBoost更适合进行短时交通流量预测，预测结果是否更加可靠、准确性是否更高、花费时间是否更短，成为一个亟待验证的问题。通过短时交通流的典型特征对模型的适用性的分析，依据道路网、节假日及天气等情况进行空间和时间复杂度的分析建模，结合实测的历史交通流数据进行预测仿真;选取BP神经网络、随机森林、线性回归、XGBoost、lightGBM这五种短时交通流量预测方法来搭建相应的预测模型，验证lightGBM算法对交通流的预测效果。然后使用lightGBM对已经搭建的模型参数进行特征的排序筛选处理，使模型参数更加可靠、准确性更高。　　通过lightGBM和其他四种方法搭建模型进行交通流预测，对比分析预测结果可以发现，无论是否进行特征排序筛选处理，lightGBM搭建的模型都要远远优于其它四种方法搭建的模型，且lightGBM对短时交通流量的预测结果最佳。在五种模型预测中，经过lightGBM特征筛选排序处理后，模型的预测结果更贴近真实数据。与lightGBM相比XGBoost的训练速度慢，不能较好反映交通流的时变性特征。验证了lightGBM可以大幅度的提高模型的预测精确度，为解决交通流预测问题提供了一个更加精确可靠的方法。
作者：	刘永超
专业：	交通测绘信息技术
导师：	杨维芳
授予学位：	硕士
授予学位单位：	兰州交通大学
学位年度：	2018
正文语种：	中文