基于多模型融合的短時(shí)交通流量預(yù)測(cè).pdf

1、隨著我國(guó)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(yùn)用是大數(shù)據(jù)技術(shù)與智能交通飛速發(fā)展的應(yīng)急之需。對(duì)短時(shí)交通流量數(shù)據(jù)進(jìn)行合理預(yù)測(cè)，可以實(shí)現(xiàn)在短時(shí)間內(nèi)提前預(yù)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(duì)智能交通的發(fā)展意義重大。
　　為了解決短時(shí)交通流量預(yù)測(cè)問題，本文提出一種基于多模型融合的短時(shí)交通流量預(yù)測(cè)方法。該方法是對(duì)交通流量數(shù)據(jù)進(jìn)行特征構(gòu)造后再對(duì)特征下采樣，得到不同類別特征，分別構(gòu)造出不同的預(yù)測(cè)模型，并將多模型進(jìn)

2、行融合預(yù)測(cè)，本文依據(jù)2017年天池平臺(tái)交通挑戰(zhàn)賽提供的交通流數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。本文首先對(duì)該交通數(shù)據(jù)進(jìn)行了合理預(yù)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(duì)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(duì)缺失值進(jìn)行了合理補(bǔ)全，最終將處理后數(shù)據(jù)分成訓(xùn)練集與預(yù)測(cè)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(shí)間信息特征、時(shí)間窗特征和短時(shí)上下游流量特征。最后對(duì)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(duì)應(yīng)特征的模型，通過目標(biāo)函數(shù)進(jìn)行的評(píng)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(duì)已經(jīng)初步融合后的模型進(jìn)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(jìn)行預(yù)測(cè)，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。