原文传递
噪声免疫CatBoost与卡尔曼滤波短期交通流预测研究
| 论文题名： | 噪声免疫CatBoost与卡尔曼滤波短期交通流预测研究 |
| 关键词： | 短期交通流预测;噪声免疫;卡尔曼滤波;离散小波变换 |
| 摘要： | 短期交通流预测作为交通诱导和交通管理的关键技术，是智能交通系统中至关重要的一部分。准确及时的交通流信息直接影响到智能交通系统的成功部署。然而，由于交通流内在的随机性和外部噪声,交通流数据呈现较强的不确定性、非线性等特性，经常变现为上下波动的趋势及断断续续的振荡，预测模型需要分辨哪些是噪声，哪些是反映交通流突变的细微线索，因此找到既稳健又准确的预测算法仍然是一项具有挑战性的任务。 本文的研究工作主要围绕噪声对短期交通流预测的影响展开：目标是在滤除噪声的同时，最大程度地保留原始数据的突变细节，从而更准确的反映真实的交通流状况。为了更好地区分原始数据中的噪声和突变细节，本文通过小波变换对原始嘈杂数据进行预处理，并基于交通流数据自身特性提出了两种有效应对异常值的预测模型，最后通过一个基准数据和14个经典模型，以MAPE、RMSE等性能评价指标为依据，进行对比实验分析，证明了本文提出的预测模型的有效性。 主要工作如下： (1)融合时序特征的噪声免疫CatBoost短期交通流预测模型（NiCatBoost）：首先通过小波阈值去噪对原始信号进行去噪增强；然后基于CatBoost进行模型训练，相比单一模型，CatBoost提高了预测方法的泛化能力和预测精度；相比其他改进GBDT的集成学习框架，CatBoost通过新的选择树结构的策略，有效应对异常值导致的预测偏移；本文还通过融合时序特征进一步提高CatBoost对短期交通流预测问题的预测性能。 (2)噪声免疫卡尔曼滤波的短期交通流预测模型（NiKF）：传统的卡尔曼滤波应用于短期交通流预测问题中会出现“过冲”现象，本文通过离散小波变换将原始数据分解重构成保持原始交通流数据基础模式的低频近似部分和包含了突变细节和噪声的高频细节部分一起作为模型的输入，并利用一个新的代价函数重新构造了传统的卡尔曼滤波，提出了一种新颖有效的预测模型，能在高效噪声过滤的同时获得高质量有效信号，并利用交通流的周期时序相关性对预测结果作进一步修正。 |
| 作者： | 张塽旖 |
| 专业： | 计算机技术 |
| 导师： | 周腾 |
| 授予学位： | 硕士 |
| 授予学位单位： | 汕头大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
