城市道路短时车流量预测模型研究

发布时间：2017-04-08 12:15

  本文关键词：城市道路短时车流量预测模型研究，，由笔耕文化传播整理发布。

【摘要】：短时车流量预测作为城市道路交通诱导决策的重要支持,在智能交通系统中具有关键性的基础作用。短时车流量的变化受多种因素的影响,因而采用传统建模方式不仅较为繁琐,且已建立好的模型不易移植。机器学习方法可利用历史车流量数据集训练模型,使其自动发现数据中的变化规律,从而预测未来短时间内的车流量。本文分别基于支持向量机(SVM)、随机森林和深度神经网络(DNN),对短时车流量的预测模型进行了研究,主要工作内容和研究成果如下：(1)根据影响车流量变化的因素,提取特征变量,构造模型的训练集。依据数据完整性分布,采用一种折衷的数据清洗方法,即丢弃低于90%观测率的车流量数据。(2)基于SVM模型对车流量进行预测,并针对SVR的超参调节问题提出一种改进的随机搜索算法,提高了超参调节效率,降低了模型使用的复杂度,同时也达到较高的预测水平。(3)使用随机森林模型对车流量进行预测,对于模型的调节,分别进行了默认超参和超参寻优实验,论证了随机森林在车流量预测中具有易用性,参数易调性,且预测准确度较高,运行耗时少。之后,基于随机森林对特征变量的重要性评估,提出一种动态选择特征变量的车流量预测方法,使得模型的效率和适应性得到提升。(4)探讨了DNN在车流量预测中的应用,利用车流量数据集,通过两种形式的layer-wise算法分别训练DNN,以及直接训练包含ReLU的DNN,并在其中得到了本文最好的预测结果。
【关键词】：智能交通系统 短时车流量 机器学习 支持向量机 随机森林 变量重要性 深度学习
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14;TP181
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 绪论11-17
• 1.1 研究背景与意义11-13
• 1.2 国内外研究现状13-15
• 1.3 本文主要工作15-16
• 1.4 本文组织结构16-17
• 第2章 车流量数据分析17-29
• 2.1 数据来源17-18
• 2.2 车流量解析18-21
• 2.2.1 全天车流量变化18-20
• 2.2.2 预测车流量的可行性和必要性20-21
• 2.3 构造车流量预测模型的训练集21-24
• 2.3.1 影响车流量的因素21-22
• 2.3.2 构造训练集22-24
• 2.4 模型的理论基础24-26
• 2.4.1 机器学习的任务24-25
• 2.4.2 PAC理论25-26
• 2.5 噪声和错误26-28
• 2.5.1 噪声的影响26
• 2.5.2 数据集的清洗26-28
• 2.5.3 错误率的定义28
• 2.6 本章小结28-29
• 第3章 基于支持向量机的短时车流量预测29-49
• 3.1 SVM基本理论分析29-33
• 3.1.1 线性可分的二分类问题29-31
• 3.1.2 软性分类器31-32
• 3.1.3 支持向量回归机32-33
• 3.2 核函数的比较和选择33-34
• 3.3 基于SVM的车流量预测实验34-41
• 3.3.1 训练集的预处理34-35
• 3.3.2 预测结果评价指标35
• 3.3.3 超参的调节算法35-41
• 3.4 车流量预测结果比较和分析41-46
• 3.4.1 预测结果比较41-43
• 3.4.2 预测结果分析43-46
• 3.5 其他条件下的车流量预测46-47
• 3.6 本章小结47-49
• 第4章 基于随机森林的短时车流量预测49-67
• 4.1 随机森林算法分析49-53
• 4.1.1 模型发展概述49
• 4.1.2 CART树49-51
• 4.1.3 随机森林算法流程51-53
• 4.2 基于随机森林的车流量预测实验53-61
• 4.2.1 默认参数的模型表现54-55
• 4.2.2 参数调节及分析55-57
• 4.2.3 车流量预测结果分析57-60
• 4.2.4 与SVR模型的比较60-61
• 4.3 特征变量的重要性评估61-66
• 4.3.1 特征变量重要性评估方法61-62
• 4.3.2 车流量预测中各特征变量重要性62-64
• 4.3.3 基于特征变量选择的车流量预测64-66
• 4.4 本章小结66-67
• 第5章 基于深度学习的短时车流量预测67-75
• 5.1 深度学习简介67-68
• 5.2 基于深度学习的车流量预测实验68-74
• 5.2.1 使用layer-wise算法68-72
• 5.2.2 使用包含ReLU的DNN72-74
• 5.3 本章小结74-75
• 第6章 总结与展望75-77
• 6.1 工作总结75-76
• 6.2 展望76-77
• 参考文献77-83
• 致谢83-85
• 在读期间发表的学术论文与取得的其他研究成果85

【相似文献】

中国期刊全文数据库 前10条

1 王丽婷;丁晓青;方驰;;基于随机森林的人脸关键点精确定位方法[J];清华大学学报(自然科学版);2009年04期

2 康有;陈元芳;顾圣华;姚欣明;黄琴;汤艳平;;基于随机森林的区域水资源可持续利用评价[J];水电能源科学;2014年03期

3 邱一卉;林成德;;基于随机森林方法的异常样本检测方法[J];福建工程学院学报;2007年04期

4 马昕;王雪;杨洋;;基于随机森林算法的大学生异动情况的预测[J];江苏科技大学学报(自然科学版);2012年01期

5 刘美菊;刘冬;刘剑;;随机森林在群控电梯交通模式识别中的应用[J];机械设计与制造;2013年04期

6 姚登举;杨静;詹晓娟;;基于随机森林的特征选择算法[J];吉林大学学报(工学版);2014年01期

7 张晔;杨国田;;基于随机森林的数据融合架空输电线路铁塔损伤识别[J];黑龙江科技信息;2014年20期

8 吕淑婷;张启敏;;一类带Poisson跳的随机森林发展系统数值解的稳定性[J];兰州理工大学学报;2012年03期

9 陈海利;孙志伟;庞龙;;基于随机森林的文本分类研究[J];科技创新与应用;2014年02期

10 庄进发;罗键;彭彦卿;黄春庆;吴长庆;;基于改进随机森林的故障诊断方法研究[J];计算机集成制造系统;2009年04期

中国重要会议论文全文数据库 前7条

1 谢程利;王金桥;卢汉清;;核森林及其在目标检测中的应用[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

2 武晓岩;方庆伟;;基因表达数据分析的随机森林方法及算法改进[A];黑龙江省第十次统计科学讨论会论文集[C];2008年

3 张天龙;梁龙;王康;李华;;随机森林结合激光诱导击穿光谱技术用于的钢铁分类[A];中国化学会第29届学术年会摘要集——第19分会：化学信息学与化学计量学[C];2014年

4 相玉红;张卓勇;;组蛋白去乙酰化酶抑制剂的构效关系研究[A];第十一届全国计算（机）化学学术会议论文摘要集[C];2011年

5 张涛;李贞子;武晓岩;李康;;随机森林回归分析方法及在代谢组学中的应用[A];2011年中国卫生统计学年会会议论文集[C];2011年

6 冯飞翔;冯辅周;江鹏程;刘菁;刘建敏;;随机森林和k-近邻法在某型坦克变速箱状态识别中的应用[A];第八届全国转子动力学学术讨论会论文集[C];2008年

7 曹东升;许青松;梁逸曾;陈宪;李洪东;;组合树的集合体和后向消除策略去分类P-糖蛋白化合物[A];第十届全国计算(机)化学学术会议论文摘要集[C];2009年

中国博士学位论文全文数据库 前4条

1 曹正凤;随机森林算法优化研究[D];首都经济贸易大学;2014年

2 雷震;随机森林及其在遥感影像处理中应用研究[D];上海交通大学;2012年

3 岳明;基于随机森林和规则集成法的酒类市场预测与发展战略[D];天津大学;2008年

4 李书艳;单点氨基酸多态性与疾病相关关系的预测及其机制研究[D];兰州大学;2010年

中国硕士学位论文全文数据库 前10条

1 钱维;药品不良反应监测中随机森林方法的建立与实现[D];第二军医大学;2012年

2 韩燕龙;基于随机森林的指数化投资组合构建研究[D];华南理工大学;2015年

3 贺捷;随机森林在文本分类中的应用[D];华南理工大学;2015年

4 张文婷;交通环境下基于改进霍夫森林的目标检测与跟踪[D];华南理工大学;2015年

5 李强;基于多视角特征融合与随机森林的蛋白质结晶预测[D];南京理工大学;2015年

6 朱玟谦;一种收敛性随机森林在人脸检测中的应用研究[D];武汉理工大学;2015年

7 肖宇;基于序列图像的手势检测与识别算法研究[D];电子科技大学;2014年

8 李慧;一种改进的随机森林并行分类方法在运营商大数据的应用[D];电子科技大学;2015年

9 赵亚红;面向多类标分类的随机森林算法研究[D];哈尔滨工业大学;2014年

10 黎成;基于随机森林和ReliefF的致病SNP识别方法[D];西安电子科技大学;2014年

  本文关键词：城市道路短时车流量预测模型研究，由笔耕文化传播整理发布。

本文编号：292852