基于EN-LSSVR模型的短时交通流预测方法研究

发布时间：2020-07-15 16:31

【摘要】：智能交通系统是解决交通拥堵问题的关键方案之一,短时交通流预测作为智能交通系统的一个重要组成部分,其发展对于提高交通系统效率具有重要的意义。交通流具有高度的非线性和随机不确定性,交通路网的拓扑结构和连通性决定了同一路网中不同路段的交通流之间的相互影响,具有一定程度上的时空相关性。因此,高效精准的短时交通流预测是一个十分具有挑战性的问题,本文以机器学习方法为主要工具,对短时交通流预测进行了系统的研究。(1)对岭回归(Ridge Regression)、最小二乘支持向量回归(LSSVR)和多层感知机(MLP)模型进行了深入的研究,并在真实的交通流数据上进行建模和实验。根据实验结果可知,路网交通流的高度非线性使得岭回归模型在该问题中的精度不如另外两种非线性模型,而两种非线性模型中,LSSVR相比MLP有着计算量小的优势。(2)论述了集成学习方法的原理,分析了成功应用集成学习方法的关键是如何构造“好而不同”的个体学习器,并据此提出了EN-LSSVR模型,同时分析了要成功使用ENLSSVR模型必须要解决超参数优化问题。(3)为解决EN-LSSVR模型的超参数优化问题,在传统和声搜索算法HS的基础上,提出一种基于双和声生成策略的改进算法DHS,并在多个数据集上通过实验对比和分析了DHS与原始HS算法的收敛速度和优化性能。实验结果表明,与HS算法相比,改进的DHS算法具有更快的收敛速度,同时可以找到更优的解。(4)将DHS算法应用在EN-LSSVR模型的超参数优化上,并在美国波特兰市I84和I205州际公路采集到的真实交通流数据上进行了大量实验。实验结果表明,我们在构建ENLSSVR模型时,采用的个体学习器构造方式和结合策略有助于提高模型的预测性能;同时,与几种常见的预测模型相比,EN-LSSVR模型具有更好的预测性能,且训练时间也较少。
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U491.1
【图文】：

交通流预测,工作日,交通流量,四点

图 2.1 两个工作日内不同时刻的交通流量Fig.2.1 Traffic flow at different times in two working days基于上述的四点特性，在构建交通流预测模型时，我们需要充分考虑到以下几点：(1)准确性，这是交通流预测的基础，准确性越高的预测越能帮助管理者或是智能交统做出合理的决策；相反，若预测准确性太差，则会导致做出错误的决策，甚至引发拥堵和交通事故等严重问题，造成巨大的经济损失和资源浪费。(2)可靠性，交通流受许多不确定因素的影响，呈现出一定的随机不确定性，因此，交通流预测模型时需要考虑模型能否抗干扰，在各种情况下都能产生稳定可靠的预测(3)时空相关性，交通流的路网性决定了其时空相关性，所以搭建一个能考虑到交通空相关性的模型将才能得到高精度、高抗干扰能力的预测结果。.2 考虑到时空相关性的短时交通流预测

MLP模型,隐藏层,结构示意图

的基础理论[40][41]（MultilayerPerceptron，MLP）是人工神经网络的一种包括输入层、隐藏层和输出层三个部分。最简单的 MLP 模图 3.2 所示。其中，1,2, , 1,1 为输入，1,2, ,1为样本的特征， 1为样本的特征数， 2为对应的输出个数MLP 的输入为当前及历史时刻的交通流数据 ( ), (, ∈ ，1 则是为了构造偏置项（类似于上一小节中构造, , ，对应于需要预测的未来时刻的交通流数据 ( 向，而且这种流向是单向的。此外，可以看出，MLP 模型一层的所有节点都与下一层的每一个节点连接，同时，同这些结构特点表明 MLP 模型是一种前馈神经网络。

示意图,集成学习,示意图,短时交通流预测

基于 EN-LSSVR 模型的短时交通流预测方法研究第四章基于集成 LSSVR 模型的短时交通流预测模型1 集成学习方法的理论集成学习（Ensemble Learning）指的是通过构建并融合多个个体学习器（也被称为习器或是弱学习器）来完成学习任务、实现更好效果的一种“博采众长”的建模策于机器学习模型，分类或预测精度是模型性能的重要甚至是首要的指标，然而，构造精度很高的模型通常是十分困难，相对的，构建一个精度没那么高的模型通常很容arns 等[51]通过研究证明了只要有足够的数据，弱学习方法就能通过集成的方式得到任精度的估计。图 4.1 显示了集成学习的一般结构：先构建一组不同的个体学习器，再一种结合策略将它们融合起来得到集成模型的输出。

【相似文献】