基于自适应集成学习的交通时序预测算法研究及应用

发布时间：2021-08-12 01:36

　　实时交通序列预测是实现动态交通诱导和决策的前提。早期的预测基于统计学方法,在简单线性低维的情况下展现出了较好的性能,对于建模的方法论有较大指导意义。但城市交通系统具有随机动态非线性等复杂特征,为预测问题带来了许多困难。基于传统统计方法的交通时序预测模型难以适应数据模式多变的情况,也无法有效利用大数据时代数据背后的丰富信息,预测效率较低。近年来,数据驱动的非线性模型尤其是神经网络模型在预测上得到广泛应用。为实现精确稳定的交通时序预测,并以此为基础构建符合实际情况的交通仿真场景,本文完成的工作主要包括:首先,为了解决统计学模型无法实现多输入多输出预测以及探究神经网络模型的解释性等问题,本文提出了一种基于端到端深度学习的多层卷积-门限循环网络（即CM-GRU网络）。该网络对序列数据的短期时间特征进行提取后,对不同时序的短期时间特征进行选择性记忆,以实现时间联合预测。实验结果显示,提出的网络模型会比直接对原始的历史序列数据进行预测更加有效。其次,为了在数据样本的模式差异较大时,保证神经网络在不同交通场景下的准确性和稳定性,本文进一步提出一种基于自适应集成学习的多神经网络预测模型。其中自适应主要... 

【文章来源】：哈尔滨理工大学黑龙江省

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

卷积操作原理

哈尔滨理工大学工程硕士学位论文-13-图2-2.门限循环网络隐含层示意Fig.2-2Hiddenlayerofgatedrecurrentnetworks门限循环单元中的更新门可以表示为公式(2-17)。zt=σg(Wzxt+Uzht-1+bz)(2-17)重置门表示为公式(2-18)。rt=σg(Wrxt+Urht-1+br)(2-18)完成更新门和重置门的计算后，通过与上一时间步的隐状态ht-1进行如公式(2-19)所示的加权和激活，得到新的记忆ht"，其中tanh为双曲正切激活函数。ht"=tanh(Wxt+rt⊙Uht-1)(2-19)而最终的输出通过公式获得(2-20)。ht=(1-zt)⊙ht"+zt⊙ht-1)(2-20)以上计算过程表示了门限循环网络隐含层中一个单元的前向计算过程，其中Wz，Uz，bz，Wr，Ur，br，W，U都是待估计的参数矩阵。而对于某一层的输入x=[…,xt-1,xt,xt+1,…]，其输出h=[…,ht-1,ht,ht+1,…]可由公式(2-21)简便表示，其中隐状态的初始化时随机的，因此未在公式的输入项中体现。h=GRU(x)(2-21)2.2.3CM-GRU网络及其参数估计传统的门限循环网络一般直接对时间序列数据进行预测，无法对数据所包含的不同特征进行独立分析。CM-GRU网络的基本思想是将卷积层插入输入层和门限循环层之间，使用卷积层提取数据特征并按时序排列，作为门限循环层的输入。其示意图如图2-3所示。假设整个网络的输入序列Xin={xin1,xin2,…,xint,…,xinm}，根据2.2.1小节的描述，一维卷积层提取的特征可以简洁表示为公式(2-22)所示的形式。

哈尔滨理工大学工程硕士学位论文-24-第4章交通时序模型性能检验4.1基于单独CM-GRU模型的预测4.1.1数据分析及基线模型的建立本文数据来源于加利福尼亚运输性能测量系统(PeMS)。选取其中位于加利福尼亚州的JuniperoSerra高速公路附近（如图4-1）的车辆检测器(VehicleDetectorStations，VDS)采集的数据作为原始数据集。该数据集的日期范围为2016年全年。不同车辆检测器可以监测不同路段的车流量信息。检测器采集到的样本的前60％用作阶段1训练集，中间20％用作阶段2训练集，剩余的20％用作测试数据集。图4-1.数据采集位置示意Fig.4-1Locationsofdatacollectors该路段的热力图如图4-2，通过该图可以观察到较明显的长期趋势。根据图4-2，流量数据在每天的长期趋势存在类似，每天的车流均具有单峰特征，但又不尽相同，有些日期的模式差异较大，峰值时间有所改变。同时，为了指导集成学习模型的训练以及性能评估，本文使用了均方根误差(RootMeanSquareError，RMSE)及平均绝对百分误差(MeanAbsolutePercentageError，MAPE)两种指标，分别表示为公式(4-1)和公式(4-2)。

【参考文献】：
期刊论文
[1]基于约束卡尔曼滤波的短时交通流量组合预测模型[J]. 聂佩林,余志,何兆成.  交通运输工程学报. 2008(05)



本文编号：3337311