基于梯度提升决策树的交通流量预测方法研究

发布时间：2022-01-23 02:21

　　随着智能交通系统（Intelligent Traffic System,ITS）的快速发展,各种交通信息监测网络汇集大量的交通数据。用数据挖掘方法来发掘潜在的交通行为规律具有重要意义。实时准确的交通流量预测是交通数据挖掘的主要内容之一,不仅可以预判交通拥堵情况,提高道路的通行能力,而且可以为交通管理者提供科学的决策理论依据。传统的交通流量预测模型大多以静态的历史数据作为训练样本,而且特征少、样本小,不能很好地描述交通数据的复杂特征和适应中长期交通流量的预测需求。为了解决上述问题,本文结合集成学习的思想,在数据预处理、多维时间序列分析方法、时间特征构造算法等处理的基础上,采用梯度提升决策树进行交通流量预测。首先,对原始的交通数据进行分类、统计、补缺等预处理,并基于多维时间序列分析方法设计时间窗口,以余弦相似度方法进行相似性度量,根据时间窗口和预测窗口的相似性排名,并结合星期规则,选择最相似的k个时间窗口,即k个学习器。然后,通过时间特征构造算法,对最相似的时间窗口和预测窗口的n维原始数据构造时间差异序列、时间趋势序列和时间偏离序列,以增强样本的特征多样性,作为梯度提升决策树的输入。最后,... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

示范区路口分布图

【参考文献】：
期刊论文
[1]基于多维时间序列的ETC短时交通流量预测模型[J]. 赵亚伟,陈艳晶,管伟.  交通运输系统工程与信息. 2016(04)
[2]机器学习算法在数据挖掘中的应用[J]. 莫雪峰.  科教文汇(下旬刊). 2016(07)
[3]基于组合模型的短时交通流量预测算法[J]. 芮兰兰,李钦铭.  电子与信息学报. 2016(05)
[4]一种改进的短期交通流量预测算法研究[J]. 郭新.  计算机技术与发展. 2015(02)
[5]改进时间序列模型在高速公路短时交通流量预测中的应用[J]. 唐毅,刘卫宁,孙棣华,魏方强,余楚中.  计算机应用研究. 2015(01)
[6]时间序列数据挖掘中特征表示与相似性度量研究综述[J]. 李海林,郭崇慧.  计算机应用研究. 2013(05)
[7]微观交通再现仿真系统研究与开发[J]. 刘博,马云龙.  计算机应用与软件. 2013(01)
[8]基于组合模型的交通流量预测方法[J]. 丛新宇,虞慧群,范贵生.  华东理工大学学报(自然科学版). 2011(03)
[9]基于粗集理论和支持向量机的道路网短时交通流量预测[J]. 李建武,陈森发,黄鹍.  计算机应用研究. 2010(10)
[10]新型组合预测模型在空中交通流量预测的应用[J]. 姜静逸,韩松臣,王玉婷.  中国民航大学学报. 2009(05)

博士论文
[1]基于支持向量机的交通流预测方法研究[D]. 王凡.大连理工大学 2010
[2]基于集成神经网络的城市道路交通流量融合预测研究[D]. 李存军.西南交通大学 2004

硕士论文
[1]基于神经网络的城市交通流量预测模型研究[D]. 张佳宁.广东工业大学 2016
[2]基于聚类分析和决策树算法的交通流量挖掘[D]. 李林.江苏科技大学 2016
[3]基于GBDT的社区问题标签推荐技术研究[D]. 孙万龙.哈尔滨工业大学 2015
[4]基于群智能算法优化SVR的短时交通流预测[D]. 方仁孝.大连理工大学 2015
[5]交通流量短时预测的算法研究[D]. 沈小峰.浙江工业大学 2015
[6]基于K近邻非参数回归的短时交通流预测算法研究[D]. 林川.电子科技大学 2015
[7]基于神经网络的短时交通流量预测研究[D]. 吴凯.南京邮电大学 2013
[8]模糊神经网络在交通流量预测中的应用研究[D]. 何伟.兰州交通大学 2012
[9]基于BP神经网络的交通流量预测[D]. 曹虹.长安大学 2012



本文编号：3603398