详情

原文传递基于时序分解和多特征融合的短时交通流组合预测方法

论文题名：	基于时序分解和多特征融合的短时交通流组合预测方法
关键词：	短时交通流预测;特征选择;时序分解;组合模型
摘要：	当前道路基础设施已经难以满足日益增长的交通需求，巨大的道路压力使得交通拥堵和交通事故等问题频发，而建设先进的智能交通管理系统(IntelligentTransportationSystem,ITS)是缓解交通问题的有效措施之一，其中交通流预测是ITS提供主动服务的关键环节，是交通管理者实施诱导和管控的基础。随着交通大数据分析和人工智能等新兴技术的快速发展，为实现准确的交通流预测提供了海量的数据来源和先进的预测方法。　　国内外对于短时交通流预测的研究通常以优化模型为主，较少分析影响交通流变化的因素，导致模型难以有效提取交通流的关键特征。受到多种因素的干扰和较短的采集时间间隔，交通流表现出较强的波动性，传统的预测方法无法对其更深层次的非线性特征进行建模分析，且单一模型对交通流中潜在特征的提取能力有限，导致预测精度无法满足实际的交通场景需求。因此针对以上问题，结合特征挖掘和智能预测理论，以短时交通流作为研究对象，进行了如下研究: 　　首先，为了保证研究中所用交通流数据和天气数据的质量，对数据中的缺失值进行了填补。从时间、空间维度来分析交通流的特性，充分考虑天气因素和节假日对交通流的影响，并通过Pearson相关系数量化各特征间的关联性。　　然后，利用Pearson相关系数从特征集中选取与目标交通流相关性较大的特征变量，通过时间窗口对特征进行细化后，使用最大相关最小冗余(MaximumRelevanceandMinimumRedundancy,MRMR)分析其对预测时刻交通流的影响，并对特征的重要性进行排序，通过实验的方法选出交通流的最优特征子集，在保证模型预测精度的同时降低特征维度，将其输入极限学习机(ExtremeLearningMachines,ELM)模型进行预测，并利用改进后的麻雀搜索算法(ImprovedSparrowSearchAlgorithm,ISSA)优化ELM中的权值和偏置。实例验证结果表明，建立的基于MRMR特征选择和ISSA-ELM的短时交通流预测模型能够有效挖掘交通流中的多种特征来提高预测精度，其预测效果优于建立的其他对比预测模型。　　最后，为了进一步提高交通流预测的准确性，提出了一种基于时序分解和Q学习组合模型的短时交通流预测方法。利用时序分解方法将交通流量分解为含有不同特征的趋势、周期和残差序列，针对波动性较强的残差序列使用变分模态分解进行二次分解，以提高交通流序列的可预测性，根据序列的复杂程度进行重构,并选取重构序列的最优特征集合作为模型的输入。构建了多个基础模型分别对序列集合进行预测，使用Q学习方法对各个模型预测结果的权重进行了优化，通过加权求和得到最终的预测值。利用真实场景中的交通流量进行了实例验证，并分析了模型的可移植性和在交通诱导中的作用，结果表明:与其他模型相比，建立的模型对道路交通流量的预测效果更好，预测精度更高，对国内的城市道路场景也同样适用。
作者：	陈昆
专业：	交通运输
导师：	曲大义;马晓龙
授予学位：	硕士
授予学位单位：	青岛理工大学
学位年度：	2023