基于多模型融合的短時交通流量預測.pdf

1、隨著我國智能交通的發(fā)展，智能交通系統(tǒng)逐漸得到完善，交通數(shù)據(jù)的合理運用是大數(shù)據(jù)技術(shù)與智能交通飛速發(fā)展的應急之需。對短時交通流量數(shù)據(jù)進行合理預測，可以實現(xiàn)在短時間內(nèi)提前預知交通狀況。智能交通系統(tǒng)提前做出合理的調(diào)度管控，對智能交通的發(fā)展意義重大。
　　為了解決短時交通流量預測問題，本文提出一種基于多模型融合的短時交通流量預測方法。該方法是對交通流量數(shù)據(jù)進行特征構(gòu)造后再對特征下采樣，得到不同類別特征，分別構(gòu)造出不同的預測模型，并將多模型進

2、行融合預測，本文依據(jù)2017年天池平臺交通挑戰(zhàn)賽提供的交通流數(shù)據(jù)進行實驗。本文首先對該交通數(shù)據(jù)進行了合理預處理，分別去除總體數(shù)據(jù)中偏差值過大的噪聲數(shù)據(jù)、相對每條道路偏差值過大的噪聲數(shù)據(jù)、節(jié)假日噪聲數(shù)據(jù)。接著對缺失值進行了合理補全，最終將處理后數(shù)據(jù)分成訓練集與預測集。然后根據(jù)處理好的數(shù)據(jù)，由道路數(shù)據(jù)特性的不同構(gòu)造不同類型的特征，其中包括靜態(tài)信息特征、基本時間信息特征、時間窗特征和短時上下游流量特征。最后對構(gòu)造完成的四類特征，利用Xgboo

3、st(extreme gradient boosting tree)與LightGBM(Light Gradient Boosting Machine)兩種算法模型分別構(gòu)造出對應特征的模型，通過目標函數(shù)進行的評分裁定兩算法的融合權(quán)重比，完成一次融合。再通過加入人為控制因子，對已經(jīng)初步融合后的模型進行二次融合。將一次融合后的各模型，與控制因子相乘，形成新的融合模型后進行預測，不斷迭代觀察結(jié)果，最終尋找出最優(yōu)的參數(shù)比例以及模型融合方式。