原文传递
基于集成学习的高速公路短时交通流预测研究
| 论文题名： | 基于集成学习的高速公路短时交通流预测研究 |
| 关键词： | 高速公路;短时交通流;特征选择;集成学习 |
| 摘要： | 短时交通流预测是智能交通系统发展的重要保障，是实施主动管控技术的数据基础。高效、准确的短时交通流预测能够为高速公路管理者提供决策依据，为出行者提供出行引导，实现智能交通系统精细感知、精准预测、精心服务的目标。 本文以G50沪渝高速苏州-湖州部分路段为研究对象，通过数据预处理技术进行错误数据剔除与原始数据补全工作。分析原始交通流序列中时间、空间维度的相关关系，确定用于预测的数据集，为后续研究提供必要的数据基础。 针对原始交通流序列中的非线性关系，本文构建一种检测器数据优化选择模型，借助遗传算法与BP神经网络算法对原始样本进行特征选择，以均方误差为优化目标，综合考虑特征多样性与模型复杂度，最终在可选特征子集中确定一个检测器数据优化选择方案，作为训练集，用于短时交通流预测。 本文选取BP神经网络、支持向量回归和梯度提升决策树三种模型分别进行短时交通流预测，以均方误差和平均绝对误差为评价指标，连续六日的预测结果表明基于单一算法的短时交通流预测模型在预测精度上仍有提升空间。因此本文引入树突网络算法，并对多种集成策略进行对比分析，建立基于Stacking策略的短时交通流预测方法，将以上三种模型进行集成，形成基于集成学习的短时交通流预测模型。对不同统计间隔下的交通流运行状况进行预测，结果表明：集成预测模型能够结合各独立预测模型的优势，输出较为准确的预测值，且预测准确度与基础模型准确度密切相关；随着统计间隔延长，集成预测模型预测准确度逐步提升。 此外，本文建立两组对照，分别对检测器数据优化选择模型与基于Stacking策略的短时交通流预测模型有效性进行验证。以统计间隔为五分钟的交通流预测结果表明，检测器数据优化选择模型能够有效剔除原始数据中的无关特征，降低预测模型计算耗时，并提升集成预测模型的准确度。另一对照组预测结果表明，精确的交通流预测不仅需要满足基础模型多样性、准确性的要求，还需要恰当的集成策略与集成算法。以上三者相结合，能够实现预测准确度最大限度的提升。综上，本文所提出的检测器优化选择模型和基于Stacking策略的短时交通流预测模型的有效性得到验证。 最后，对本文研究内容及结论进行系统性梳理与总结，并就本文研究内容的不足和未来的研究方向展开思考与探索。 |
| 作者： | 李思洁 |
| 专业： | 交通运输工程 |
| 导师： | 冉斌;曲栩;陶屹 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
