机器学习在交通流预测中的应用

发布时间：2021-08-27 00:57

　　机器学习是一门涉及概率论、统计学、运筹学、逼近论等多个领域的交叉学科,被广泛地应用在计算机视觉、医学诊断、生物特征识别等领域中。本文将探讨机器学习在交通流预测中的应用问题。交通流预测是智慧交通系统研究领域的热点,提升交通流预测效果对于缓解城市交通压力、减少环境污染具有重要意义。本文首先介绍了机器学习的发展史和交通流预测理论的发展历程,然后介绍了提升树、时间序列分析和神经网络的相关理论背景,针对交通流数据存在大量缺失值、样本数量少和相邻道路拓扑信息利用难的特点,给出了一种数据预处理的方法。接着,对比了提升树模型、时间序列模型和神经网络模型在交通流预测中的实际预测效果,并分析了它们各自的优缺点,结果表明提升树模型在交通流预测问题中的表现优于其它两种模型。针对交通流复杂多变的特点,本文将装袋方法与提升树模型相结合,从降低泛化方差的角度来提升预测效果,实验结果表明,这一方法对提升预测效果有显著作用。 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

图２．１泛化误差与偏差、方差关系??

其中％（？；?＝?１，２，．．．，Ｖ）定义与上相同。选择使ａ）最小的属性为划分属性。??此外，分类回归树算法还要求样本在属性测试后只能取“是”或“否”，然后根据测??试结果分为左、右两个分支，这样得到的决策树被称为分类回归树，其结构如图２．２。??ｒｏｏｔ?ｎｏｄｅ：??ｉｎｔｅｒａｌ?ｎｏｄｅ：?卜４?＇?０??Ａ?Ａ?｜??ｌｅａｆ?ｎｏｄｅ：??Ｉ＿＿＿Ｊ??图２．２分类回归树结构??决策树采取从上到下的递归学习，一旦划分规则确定，那么我们可以采用贪心法，??叩从根结点开始每次尝试划分一个结点，在该结点选择最佳属性进行划分，一直进行下??去直到结束，从而确定整个决策树的结构。在确定决策树结构的过程中通常还会有一个??剪枝的过程，即去掉一些己经生成的叶结点，从而避免过拟合。决策树结构确定之后，??我们就可以建立目标函数，通过优化目标函数来学习每个叶节点上的最优预测标记。??ＩＩ??

图２．３神经网络结构??传统的神经网络通常包括三层：输入层，隐层和输出层。它的各层之间是全连而每层之间的节点是无连接的，这样的神经网络结构也被称为“多层前馈神经网络入层仅负责接受输入，隐层和输出层负责对信号进行加工，最终由输出层输出结经网络的学习过程，就是根据训练数据不断地调整各个神经元中的连接权重和阈值［这个过程我们通常利用误差逆传播（ｅｒｒｏｒ?ＢａｃｋＰｒｏｐａｇａｔｉｏｎ，简称ＢＰ）算法来完差逆传播算法的原理是利用梯度下降法，从误差函数的负梯度方向更新连接权重和以连接权重％的更新为例，??Ａ?＇ｄＥＡｕ；ｊ?＝－入冗－，其中￡代表误差函数，Ａ代表学习率，根据不同的误差函数和神经元表达式我们出的具体表达式，其本质上是利用了链式求导法则，这里不再赘述。??


本文编号：3365318